.png){kind=icon}
返回
Equilibrium Propagation for Dissipative Dynamics
.png){kind=icon}
OA
AI
DOI：10.1002/aisy.202501310.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
计算代价函数的梯度是设计优化和机器学习算法的核心。平衡传播提供了一种通过利用固有物理定律在硬件中计算梯度的精确方法。这些算法的局部性，结合局部更新，使机械和电子系统能够自主学习一个函数。我们将这些方法扩展到在线性区域运行的阻尼动力系统中，例如遵循阻尼牛顿动力学的机械结构和电阻-电感-电容（RLC）电路。通过引入一个有效作用量，其极值对应于基础动力学，我们推导出局部学习规则。这种方法既适用于具有周期性边界条件的问题，也适用于具有静止初始条件的问题。我们在机械和电子系统中证明了我们方法的有效性，并探索了诸如分类时序声音信号等新功能。我们的工作为智能材料处理动力信号打开了大门，使其能够进行时序计算、被动和主动传感器，以及作为频率依赖性滤波器的材料。
Keyword:
action
dynamical systems
equilibrium propagation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.1
论文数:
2.0K
被引数:
8.4K
机构
引用论文
Training nonlinear elastic functions: nonmonotonic, sequence dependent and bifurcating.png)
Soft Matter
OAAI
Soft MatterIF0
OAAI分享收藏
查看更多内容