物理学 > 计算物理
[提交于 2025年9月1日
]
标题: 通过训练学习:从循环调节无序球体包装中出现的返回点记忆
标题: Learning by training: emergent return-point memory from cyclically tuning disordered sphere packings
摘要: 许多活体和人工系统通过适应变化的环境或多样的训练数据来提高其适应性或性能。 然而,尚不清楚这种环境变化如何影响适应过程,过程中学到了什么,以及是否保留了过去条件的记忆。 在本工作中,我们使用受循环逆向设计作用的无序系统来研究这些问题,使它们能够获得跨越选定范围的目标弹性性质。 我们证明,这些系统会演变为一个临界吸收流形(MAM),该流形编码了与循环驱动系统中观察到的返回点记忆非常相似的训练范围记忆。 我们进一步提出了一种普遍的机制,用于形成MAMs及其对应记忆,该机制基于训练量中的梯度不连续性。 我们的模型提供了一个简单且广泛适用的物理框架,用于理解自适应系统在环境变化下如何学习以及如何保留过去的经历记忆。
当前浏览上下文:
physics.comp-ph
切换浏览方式为:
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.