English(EN) Online local learning for generative thermodynamic computing

公布了生成式热力学计算的新在线学习方法

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

研究人员开发了一种新的生成式热力学计算方法，该方法利用热噪声来创建结构化数据。这种在线局部学习方法通过在每个积分步骤应用更新来训练系统，并使用Onsager-Machlup目标来推导耦合梯度。使用MNIST原型的实验表明，这种在线训练方法达到了与批量训练相似的验证损失，并且平均产生的热量更少。该研究还强调了误差时序、噪声结构和精度如何影响生成式热力学计算的性能。 AI

影响引入了一种新颖的生成模型训练方法，可能会影响未来的AI架构。

排序理由详细介绍新计算方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍新计算方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Huilin Wang, Weibing Deng · 2026-09-15 04:00

生成式热力学计算的在线本地学习

arXiv:2609.15439v1 Announce Type: cross Abstract: Generative thermodynamic computers turn thermal noise into structured data through Langevin dynamics. We train these systems with a local update at each integration step. The reverse-path Onsager-Machlup objective yields a couplin…

本文如何被排名

报道来源 [1]

生成式热力学计算的在线本地学习

相关实体

相关话题