日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

制御/FPGAarXiv:2512.01467

微分可能な無重みコントローラ:連続制御のための論理回路学習

Differentiable Weightless Controllers: Learning Logic Circuits for Continuous Control

シェア:XThreadsFacebookLINEはてブBluesky

勾配法で学習でき、FPGA上で超低遅延・低消費電力に動作する論理回路ベースの制御ポリシーを提案し、MuJoCoベンチマークで深層強化学習に匹敵する性能を示した。

詳しい要約

1. どんなもの?

- 提案: Differentiable Weightless Controllers (DWCs) - 記号微分可能(symbolic-differentiable)な制御アーキテクチャ - 柔軟かつ非線形、かつ高効率な制御ポリシーを学習 - 特徴: - 勾配ベースのend-to-end学習が可能 - FPGA互換回路へ直接コンパイル可能 - 数クロック〜単一クロックサイクル遅延、nanojoule級のエネルギーコスト - 対象: 自律システムの連続制御(real-world条件での低遅延・低消費電力要求)

2. 先行研究と比べてどこがすごい?

- 比較対象: 高精度な深層ニューラルネットワーク(フル精度・量子化NN)を制御器として用いる標準的深層ポリシー - すごい点: - 深層ポリシーと競合するリターンを5つのMuJoCoベンチマーク(高次元Humanoid含む)で達成 - 低遅延(数クロック〜単一クロックサイクル)とnanojoule級エネルギーを両立 - 構造的に疎で解釈可能な結合パターンを持ち、どの入力が制御判断に影響するか直接検査可能 - 従来の深層NN制御器が抱える低遅延・低消費電力との相反を緩和

3. 技術・手法の肝は?

- 肝: 記号微分可能(symbolic-differentiable)アーキテクチャ - 勾配ベースのend-to-end学習で非線形制御ポリシーを獲得 - 学習後のポリシーをFPGA互換回路へ直接コンパイル - 効率性: - few- or single-clock-cycle latency - nanojoule-level energy cost per action - 構造: 疎で解釈可能な結合パターンを誘導(入力影響の直接検査が可能) - 詳細な回路構成・学習手順は要旨からは不明

4. どうやって有効だと検証した?

- ベンチマーク: 5つのMuJoCo benchmarks(高次元Humanoidを含む) - 比較: 標準的な深層ポリシー(フル精度または量子化NN)とリターンを比較 - 結果: DWCsは競合するリターンを達成 - 効率性: FPGA互換回路へのコンパイルにより低遅延・低エネルギーを主張(具体的測定手順は要旨からは不明) - 解釈性: 構造的に疎で解釈可能な結合パターンを確認

5. 議論はある?

- 主張: 低遅延・低エネルギー要求と高精度深層NN制御器の相反を緩和 - 利点: 勾配学習可能かつFPGA回路へ直接コンパイル可能、解釈可能な疎結合 - 限界・議論: - 実機FPGA上での実測評価の詳細は要旨からは不明 - 5つのMuJoCoベンチマーク以外への汎化性は要旨からは不明 - 回路コンパイル時の制約やスケーラビリティは要旨からは不明

6. 次に読むべき論文は?

- 比較対象として言及: 標準的な深層ポリシー(フル精度NN、量子化NN) - ベンチマーク関連: MuJoCo benchmarks(Humanoid含む) - 関連手法(一般名): 記号回帰(symbolic regression)、微分可能論理回路(differentiable logic circuits)、FPGAベースのニューラルネットワーク推論、軽量/量子化ポリシー - 具体的な参照論文は要旨からは不明

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Fabian Kresse, Christoph H. Lampert

分類: cs.LG, cs.AR, cs.SC

原文アブストラクト

Controlling autonomous systems under real-world conditions often requires policies that can be evaluated with low latency and minimal energy consumption. Unfortunately, these conditions are at odds with the use of high-precision deep neural networks as controllers. In this work, we introduce Differentiable Weightless Controllers (DWCs), a symbolic-differentiable architecture that learns flexible, non-linear, yet highly efficient control policies. DWCs can be trained end-to-end via gradient-based techniques, yet compile directly into FPGA-compatible circuits with few- or even single-clock-cycle latency and nanojoule-level energy cost per action. Across five MuJoCo benchmarks, including high-dimensional Humanoid, DWCs achieve returns competitive with standard deep policies (full-precision or quantized neural networks). Furthermore, DWCs exhibit structurally sparse and interpretable connectivity patterns, enabling direct inspection of which input values influence control decisions.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI