融合最优控制与生物学可信学习用于噪声鲁棒的物理神经网络
应用物理
2025-02-27 v1 新兴技术
机器学习
神经与进化计算
摘要
人工智能(AI)的计算需求日益增长，促使探索传统数字计算机之外的计算原理。物理神经网络(PNN)通过利用物理过程内在的计算能力，实现类神经的信息处理；然而，其权重参数的训练计算成本较高。我们提出一种训练方法，显著降低这一训练成本。该方法将连续时间 dynamical system 的最优控制方法与生物学可信训练方法——直接反馈对齐相合并。除降低训练时间外，该方法在测量误差和噪声情况下仍能实现稳健的处理，而无需详细的系统信息。该方法在光电延迟系统中通过数值和实验验证了有效性。我们的 approach 显著扩展了可作为 PNN 的实际物理系统的范围。
引用
@article{arxiv.2502.19053,
title = {Blending Optimal Control and Biologically Plausible Learning for Noise-Robust Physical Neural Networks},
author = {Satoshi Sunada and Tomoaki Niiyama and Kazutaka Kanno and Rin Nogami and André Röhm and Takato Awano and Atsushi Uchida},
journal= {arXiv preprint arXiv:2502.19053},
year = {2025}
}
备注
28 pages, 10 figures