通过原位反向传播训练全机械神经网络以完成任务学习
机器学习
2024-04-25 v1 应用物理
摘要
近期的进展揭示了物理神经网络作为具有前景的机器学习平台，能够提供更快捷且更节能的信息处理。与广泛研究的光学神经网络相比，机械神经网络（MNN）的发展仍处于初级阶段，并面临重大的挑战，包括高计算需求以及使用近似梯度的学习问题。本文引入机械等效的原位反向传播，以实现对MNN的高效训练。我们展示，在MNN中可以精确地在局部获得梯度，从而实现在其直接邻近范围内的学习。凭借梯度信息，我们展示了成功地对MNN进行行为学习和机器学习任务的训练，实现了回归和分类的高精度。此外，我们present了涉及任务切换和损伤的MNN可重训练性，表明其韧性。我们的发现将MNN训练理论与实验和数值验证相结合，为机械机器学习硬件和自主自学习材料系统铺平了道路。
引用
@article{arxiv.2404.15471,
title = {Training all-mechanical neural networks for task learning through in situ backpropagation},
author = {Shuaifeng Li and Xiaoming Mao},
journal= {arXiv preprint arXiv:2404.15471},
year = {2024}
}
备注
25 pages, 5 figures