可调节物理网络中的过去任务记忆
无序系统与神经网络
2025-12-04 v1 软凝聚态物质
统计力学
摘要
物理网络中的顺序学习受到灾难性遗忘的限制，即训练新任务会擦除早期任务的解。我们表明，通过在学习规则中引入硬阈值，仅允许训练信号足够大的边进行修改，可显著增强对以前任务的记忆。阈值化将调谐限制在每个任务输入和输出的空间邻近区域，有效地将网络划分为弱重叠的功能区域。使用可调阻值网络的仿真结果表明，该策略使我们能够在减少边数和整体调谐成本的同时，实现对多个顺序任务的稳健记忆。我们的结果暗示受限训练是一种简单、局部且可扩展的机制，可在可调物质中克服灾难性遗忘。
引用
@article{arxiv.2512.03799,
title = {Remembrance of Tasks Past in Tunable Physical Networks},
author = {Purba Chatterjee and Marcelo Guzman and Andrea J. Liu},
journal= {arXiv preprint arXiv:2512.03799},
year = {2025}
}