画像分類における事前処理とメモリストルダイナミクスが蓄積計算における役割

arXiv:2604.21602v1 Announce Type: cross 摘要：蓄積計算（RC）は、学習コストの低さとハードウェア要件の小ささにより、注目を集める新興の再帰型ニューラルネットワークアーキテクチャです。特に、その内在的なダイナミクスが時間シリープリダクションや画像認識などのタスクにおいてネットワークサイズやパラメータオーバーヘッドを削減できるため、メモリストルベースの回路は RC にとって特に有望です。いくつかのメモリストルデバイスで RC が実証されてきたにもかかわらず、デバイスレベルの要件に関する包括的な評価はまだ限定的です。この論文では、不揮発性メモリストルを用いた並列遅れフィードバックネットワーク（PDFN）型 RC アーキテクチャの動作を解析し、デバイス特性（減衰速度、量化、変動性など）が蓄積パフォーマンスに与える影響に焦点を当てて説明します。また、事前処理手法を用いて蓄積中的数据表現を改善する戦略について議論し、潜在的な改善点を提案します。提案されたアプローチは、MNIST データセット上で 95.89% の分類精度を実現し、現在報告されている最良のメモリストルベース RC 実装と比較可能です。さらに、20% のデバイス変動性条件下でも高い頑健性を維持し、最大 94.2% の精度を実現しました。これらの結果は、揮発性メモリストルが信頼性の高い空間時間情報処理を支持でき、かつ、コンパクトで高速かつエネルギー効率の高いニューロモフィック計算システムのための鍵となる構成要素としてのポテンシャルを強化することを示しています。

arXiv:2604.21602v1 Announce Type: cross Abstract: Reservoir computing (RC) is an emerging recurrent neural network architecture that has attracted growing attention for its low training cost and modest hardware requirements. Memristor-based circuits are particularly promising for RC, as their intrinsic dynamics can reduce network size and parameter overhead in tasks such as time-series prediction and image recognition. Although RC has been demonstrated with several memristive devices, a comprehensive evaluation of device-level requirements remains limited. In this paper, we analyze and explain the operation of a parallel delayed feedback network (PDFN) RC architecture with volatile memristors, focusing on how device characteristics -- such as decay rate, quantization, and variability -- affect reservoir performance. We further discuss strategies to improve data representation in the reservoir using preprocessing methods and suggest potential improvements. The proposed approach achieves 95.89% classification accuracy on MNIST, comparable with the best reported memristor-based RC implementations. Furthermore, the method maintains high robustness under 20% device variability, achieving an accuracy of up to 94.2%. These results demonstrate that volatile memristors can support reliable spatio-temporal information processing and reinforce their potential as key building blocks for compact, high-speed, and energy-efficient neuromorphic computing systems.