Machine learning at the mesoscale: a computation-dissipation bottleneck

要約

物理システムにおける情報処理のコストには、パフォーマンスとエネルギー消費の間のトレードオフが必要です。
ここでは、入出力デバイスとして使用されるメゾスコピック システムにおける計算散逸のボトルネックを定式化して研究します。
実際のデータセットと合成タスクの両方を使用して、非平衡がどのようにパフォーマンスの向上につながるかを示します。
私たちのフレームワークは、情報圧縮、入出力計算、および非相互作用によって引き起こされる動的不可逆性の間の重要な妥協点に光を当てます。

要約(オリジナル)

The cost of information processing in physical systems calls for a trade-off between performance and energetic expenditure. Here we formulate and study a computation-dissipation bottleneck in mesoscopic systems used as input-output devices. Using both real datasets and synthetic tasks, we show how non-equilibrium leads to enhanced performance. Our framework sheds light on a crucial compromise between information compression, input-output computation and dynamic irreversibility induced by non-reciprocal interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google