Energiezuinige analoge neurale netwerken met trainbare niet-lineaire verbindingen voor continue besturing

Fysieke neurale netwerken beloven energiezuinige machine learning door direct te rekenen met analoge fysica van componenten, maar de meeste architecturen dwingen niet-lineaire componentresponsen in de rol van scalaire gewichten. Geïnspireerd door Kolmogorov-Arnold-netwerken plaatsen de auteurs trainbare niet-lineaire functies op de verbindingen, waardoor elke fysieke verbinding een leerbaar rekenelement wordt. Deze functies worden gerealiseerd als analoge banddoorlaatfilters op veldprogrammeerbare analoge arrays.