arXiv · ML· Tyler King, Magnus Saebo, Jeremie Laydevant, Haoting Zhen, Maxwell G. Anderson, Tatsuhiro Onodera, Peter L. McMahon·· 8 小时前AI 评分28
非线性动力系统作为可扩展且高效的物理神经网络
Nonlinear Dynamical Systems as Scalable and Efficient Physical Neural Networks
AI 导读
仿真研究显示，结合模型压缩等现代 ML 训练技巧，基于非线性动力系统的物理神经网络在 MNIST 手写数字识别上准确率高达 99.2%。 一项受 MLP-Mixer 启发的架构将 CIFAR-10 准确率从 64% 提升至 86.4%（预训练加知识蒸馏达 92.2%），参数量减少 5 倍以上。 估算表明，此类物理系统在推理能效与速度上可能比数字电子神经网络高几个数量级。
来源：arXiv · ML · arxiv.org