Core Concepts
기계적 신경망을 이용하여 현장 역전파 학습을 통해 행동 학습 및 다양한 기계 학습 과제를 성공적으로 수행할 수 있다.
Abstract
이 연구에서는 기계적 신경망(MNNs)을 이용하여 현장 역전파 학습을 통해 다양한 과제를 수행하는 방법을 제시하였다.
먼저, 이론적으로 MNNs에서 정확한 gradient를 국소적으로 계산할 수 있는 방법을 제안하였다. 이를 통해 실험적으로 MNNs의 결합 신장을 측정하여 gradient를 계산할 수 있음을 보였다.
이렇게 얻은 gradient 정보를 활용하여 MNNs을 행동 학습, 회귀 과제, 분류 과제에 성공적으로 적용하였다. 행동 학습에서는 대칭적인 출력을 비대칭적으로 변화시킬 수 있었고, 회귀 과제와 분류 과제에서도 높은 정확도를 달성하였다.
또한 MNNs의 재학습 능력을 보여주었는데, 과제 전환과 손상 후에도 모델을 효과적으로 재학습할 수 있음을 확인하였다.
이러한 결과는 기계적 기계 학습 하드웨어와 자율적으로 학습하는 재료 시스템 개발의 기반을 마련한다.
Stats
입력 힘 F = 0.006 × 9.8 N 하에서 실험적으로 측정된 노드 L과 R의 변위 ux와 uy는 시뮬레이션 결과와 잘 일치한다.
분류 과제에서 학습 데이터와 테스트 데이터의 정확도가 모두 거의 100%에 도달한다.
Quotes
"최근 물리적 신경망이 더 빠르고 에너지 효율적인 정보 처리를 제공하는 유망한 기계 학습 플랫폼으로 밝혀졌다."
"기계적 신경망의 개발은 아직 초기 단계이며 많은 과제에 직면해 있다."
"우리는 기계적 신경망에서 현장 역전파의 기계적 유사체를 소개하여 매우 효율적인 학습을 가능하게 한다."