等化子传播训练成功性对网络结构的依赖性研究
机器学习
2026-01-30 v1 无序系统与神经网络
新兴技术
神经与进化计算
摘要
人工智能的迅猛发展导致能源消耗的不可持续增长。这促使神经形态计算和基于物理的学习机器训练方法的进展，这些方法是数字神经网络的替代方案。许多理论研究聚焦于简单架构，如全连接或稠密连接的层状网络。然而，这些网络在实验中可能难以实现，例如由于连接约束。在本研究中，我们调查了广泛使用的等化子传播训练方法在更现实架构选择（ Specifically，局部连接的晶格）上的性能。我们训练了 XY 模型并探讨了架构对各种基准任务的影响，追踪了空间分布响应和耦合关系在训练期间的演化。我们的结果表明，仅具有局部连接的稀疏网络可以实现与稠密网络相当的性能。我们的发现为在现实环境中基于等化子传播的架构进一步扩展提供了指导方针。
引用
@article{arxiv.2601.21945,
title = {Dependence of Equilibrium Propagation Training Success on Network Architecture},
author = {Qingshan Wang and Clara C. Wanjura and Florian Marquardt},
journal= {arXiv preprint arXiv:2601.21945},
year = {2026}
}
备注
9 pages, 5 figures