Landauer's erasure principle puts a fundamental constraint on the amount of work required to erase information using thermal reservoirs. Recently this bound was improved to include corrections for finite-sized thermal reservoirs. In conventional information-erasure schemes, conservation of energy plays a key role with the cost of erasure. However, it has been shown that erasure can be achieved through the manipulation of spin angular momentum rather than energy, using a reservoir composed of energy-degenerate spin particles under the constraint of the conservation of spin angular momentum, in the limit of an \emph{infinite} number of particles. In this case the erasure cost is in terms of dissipation of spin angular momentum. Here we analyze the erasure of memory using a \emph{finite-sized} spin reservoir. We compute the erasure cost to compare it with its infinite counterpart and determine what size of finite reservoir gives similar erasure cost statistics using the Jensen-Shannon Divergence as the measure of difference. Our findings show that erasure with finite-sized reservoirs results in the erasure of less information compared to the infinite reservoir counterpart when compared on this basis. In addition we discuss the cost of resetting the state of the ancillary spin particles used in the erasure process, and we investigate the degradation in erasure performance when a finite reservoir is repeatedly reused to erase a sequence of memories.


翻译:Landauer的消化原则从根本上限制了用热水库抹去信息所需的工作量。 最近, 这一约束得到了改进, 包括了对有限热水库的校正。 在常规信息消化计划中, 节能在消化成本中起着关键作用。 但是, 已经表明, 消化可以通过操纵旋转角动力而不是能量来实现, 利用由节能- 淡化旋流粒子组成的水库, 限制旋转角动力, 限制粒子的数量。 在此情况下, 消化成本是吸收旋转角动力的校正。 在此情况下, 我们使用 emph{ finite- size a spilitive matter 计划来分析记忆的消化作用, 使用 旋转角动力而不是能量, 使用 节能- 淡化的粒子流粒子 来决定 类似 消化成本 统计 。 我们的研究结果显示, 缩小储油层的消化成本是减少, 与 不断 递增的储油层 运行过程相比, 我们用 以 不断 的 递减 递减 的 递减 的 递减 递减 的 递减 递减 的 递减 递减 递减 速度 。

0
下载
关闭预览

相关内容

第26届SPIN研讨会旨在将对软件分析和软件模型自动化工具技术感兴趣的研究人员和实践者聚集在一起,以进行验证和确认。研讨会特别关注并发软件,但不排除对顺序软件的分析。提交的资料包括理论结果、新算法、工具开发和经验评估。官网链接:https://conf.researchr.org/track/spin-2019/spin-2019-papers
深度学习图像检索(CBIR): 十年之大综述
专知会员服务
46+阅读 · 2020年12月5日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
94+阅读 · 2019年12月23日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2022年1月23日
Arxiv
12+阅读 · 2021年7月26日
Arxiv
13+阅读 · 2020年4月12日
VIP会员
相关VIP内容
深度学习图像检索(CBIR): 十年之大综述
专知会员服务
46+阅读 · 2020年12月5日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
94+阅读 · 2019年12月23日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员