Buchumschlag

Neural networks for neurocomputing circuits: a computational study of tolerance to noise and activation function non-uniformity when machine learning materials properties

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thant, Ye min, Nukunudompanich, Methawee, Chueh, Chu-Chen, Ihara, Manabu, Manzhos, Sergei
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Neural and Evolutionary Computing Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Dual-axis attribution of zebrafish tectal microcircuits for energy-efficient and robust neurocomputing
von: Li, Ningping, et al.
Veröffentlicht: (2026)

Using evolutionary computation to optimize task performance of unclocked, recurrent Boolean circuits in FPGAs
von: Norman-Tenazas, Raphael, et al.
Veröffentlicht: (2024)

Optimal feature rescaling in machine learning based on neural networks
von: Vitrò, Federico Maria, et al.
Veröffentlicht: (2024)

A computational approach to visual ecology with deep reinforcement learning
von: Sokoloski, Sacha, et al.
Veröffentlicht: (2024)

A theoretical framework for reservoir computing on networks of organic electrochemical transistors
von: Landry, Nicholas W., et al.
Veröffentlicht: (2024)

Exploiting heterogeneous delays for efficient computation in low-bit neural networks
von: Sun, Pengfei, et al.
Veröffentlicht: (2025)

CMOS-based area-and-power-efficient neuron and synapse circuits for time-domain analog spiking neural networks
von: Chen, Xiangyu, et al.
Veröffentlicht: (2022)

TDE-3: An improved prior for optical flow computation in spiking neural networks
von: Yedutenko, Matthew, et al.
Veröffentlicht: (2024)

Increasing the clock speed of a thermodynamic computer by adding noise
von: Whitelam, Stephen
Veröffentlicht: (2024)

DelRec: learning delays in recurrent spiking neural networks
von: Queant, Alexandre, et al.
Veröffentlicht: (2025)

Neuromorphic circuit for temporal odor encoding in turbulent environments
von: Rastogi, Shavika, et al.
Veröffentlicht: (2024)

Quantum memristors for neuromorphic quantum machine learning
von: Lamata, Lucas
Veröffentlicht: (2024)

Interpolating neural network: A novel unification of machine learning and interpolation theory
von: Park, Chanwook, et al.
Veröffentlicht: (2024)

Modelling of automotive steel fatigue lifetime by machine learning method
von: Yasniy, Oleh, et al.
Veröffentlicht: (2025)

Waves and symbols in neuromorphic hardware: from analog signal processing to digital computing on the same computational substrate
von: Zendrikov, Dmitrii, et al.
Veröffentlicht: (2025)

Learning-to-learn enables rapid learning with phase-change memory-based in-memory computing
von: Ortner, Thomas, et al.
Veröffentlicht: (2024)

Spike-based computation using classical recurrent neural networks
von: De Geeter, Florent, et al.
Veröffentlicht: (2023)

Orders-of-coupling representation with a single neural network with optimal neuron activation functions and without nonlinear parameter optimization
von: Manzhos, Sergei, et al.
Veröffentlicht: (2023)

Adding numbers with spiking neural circuits on neuromorphic hardware: A building block for future hybrid systems
von: von Seeler, Oskar, et al.
Veröffentlicht: (2025)

Asymmetrically connected reservoir networks learn better
von: Rathor, Shailendra K., et al.
Veröffentlicht: (2024)

Reservoir computing with large valid prediction time for the Lorenz system
von: Hurley, Lauren A, et al.
Veröffentlicht: (2025)

Heterogeneous quantization regularizes spiking neural network activity
von: Moyal, Roy, et al.
Veröffentlicht: (2024)

Implementing engrams from a machine learning perspective: the relevance of a latent space
von: de Lucas, J Marco
Veröffentlicht: (2024)

Structure of activity in multiregion recurrent neural networks
von: Clark, David G., et al.
Veröffentlicht: (2024)

How noise affects memory in linear recurrent networks
von: Guan, JingChuan, et al.
Veröffentlicht: (2024)

A systematic review of metaheuristics-based and machine learning-driven intrusion detection systems in IoT
von: Ahsan, Mohammad Shamim, et al.
Veröffentlicht: (2025)

Effects of structural properties of neural networks on machine learning performance
von: Arya, Yash, et al.
Veröffentlicht: (2025)

Three factor delay learning rules for spiking neural networks
von: Vassallo, Luke, et al.
Veröffentlicht: (2026)

Flexible inference for animal learning rules using neural networks
von: Liu, Yuhan Helena, et al.
Veröffentlicht: (2025)

Method for noise-induced regularization in quantum neural networks
von: Kuzmin, Viacheslav, et al.
Veröffentlicht: (2024)

Fast gradient-free activation maximization for neurons in spiking neural networks
von: Pospelov, Nikita, et al.
Veröffentlicht: (2023)

Experimental differentiation and extremization with analog quantum circuits
von: Philip, Evan, et al.
Veröffentlicht: (2025)

Confidence and second-order errors in cortical circuits
von: Granier, Arno, et al.
Veröffentlicht: (2023)

Multihead self-attention in cortico-thalamic circuits
von: Granier, Arno, et al.
Veröffentlicht: (2025)

Information flow and Laplacian dynamics on local optima networks
von: Richter, Hendrik, et al.
Veröffentlicht: (2024)

Elucidating the theoretical underpinnings of surrogate gradient learning in spiking neural networks
von: Gygax, Julia, et al.
Veröffentlicht: (2024)

Benchmarking Hebbian learning rules for associative memory
von: Lansner, Anders, et al.
Veröffentlicht: (2023)

Neural auto-association with optimal Bayesian learning
von: Knoblauch, Andreas
Veröffentlicht: (2024)

How connectivity structure shapes rich and lazy learning in neural circuits
von: Liu, Yuhan Helena, et al.
Veröffentlicht: (2023)

Evolutionary feature selection for spiking neural network pattern classifiers
von: Valko, Michal, et al.
Veröffentlicht: (2026)