Fugu-MT 論文翻訳(概要): Versatile emulation of spiking neural networks on an accelerated neuromorphic substrate

論文の概要: Versatile emulation of spiking neural networks on an accelerated neuromorphic substrate

arxiv url: http://arxiv.org/abs/1912.12980v2
Date: Mon, 9 May 2022 10:27:37 GMT
ステータス: 処理完了
システム内更新日: 2023-01-17 02:33:07.341877
Title: Versatile emulation of spiking neural networks on an accelerated neuromorphic substrate
Title（参考訳）: 高速化ニューロモルフィック基板上のスパイクニューラルネットワークの多用途エミュレーション
Authors: Sebastian Billaudelle, Yannik Stradmann, Korbinian Schreiber, Benjamin Cramer, Andreas Baumbach, Dominik Dold, Julian G\"oltz, Akos F. Kungl, Timo C. Wunderlich, Andreas Hartel, Eric M\"uller, Oliver Breitwieser, Christian Mauch, Mitja Kleider, Andreas Gr\"ubl, David St\"ockel, Christian Pehle, Arthur Heimbrecht, Philipp Spilger, Gerd Kiene, Vitali Karasenko, Walter Senn, Mihai A. Petrovici, Johannes Schemmel, Karlheinz Meier
Abstract要約: 本稿では,新しいBrainScaleS-2ニューロモルフィックアーキテクチャについて実験を行った。アーキテクチャの柔軟性は、5つの異なる実験スイートで実証されています。
参考スコア（独自算出の注目度）: 1.065336138931459
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present first experimental results on the novel BrainScaleS-2 neuromorphic architecture based on an analog neuro-synaptic core and augmented by embedded microprocessors for complex plasticity and experiment control. The high acceleration factor of 1000 compared to biological dynamics enables the execution of computationally expensive tasks, by allowing the fast emulation of long-duration experiments or rapid iteration over many consecutive trials. The flexibility of our architecture is demonstrated in a suite of five distinct experiments, which emphasize different aspects of the BrainScaleS-2 system.
Abstract（参考訳）: アナログニューロシナプスコアを基盤とし,複雑な可塑性と実験制御のための組み込みマイクロプロセッサにより拡張された新しいbrainscales-2ニューロモルフィックアーキテクチャの最初の実験結果を示す。生物力学と比較して1000倍の加速係数は、長期化実験を高速にエミュレートしたり、連続的な試行を高速に繰り返すことによって、計算コストの高いタスクの実行を可能にする。アーキテクチャの柔軟性は、BrainScaleS-2システムの異なる側面を強調する5つの異なる実験スイートで実証されます。

関連論文リスト

A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文参考訳（メタデータ） (2024-09-23T11:16:46Z)
Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文参考訳（メタデータ） (2024-09-17T04:48:45Z)
A Differentiable Approach to Multi-scale Brain Modeling [3.5874544981360987]
本稿では,脳シミュレータBrainPyを用いたマルチスケール微分脳モデリングワークフローを提案する。単一ニューロンレベルでは、微分可能なニューロンモデルを実装し、電気生理学的データへの適合を最適化するために勾配法を用いる。ネットワークレベルでは、生物学的に制約されたネットワークモデルを構築するためにコネクトロミックデータを組み込む。
論文参考訳（メタデータ） (2024-06-28T07:41:31Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
Learning with Chemical versus Electrical Synapses -- Does it Make a Difference? [61.85704286298537]
バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
論文参考訳（メタデータ） (2023-11-21T13:07:20Z)
Temporal credit assignment for one-shot learning utilizing a phase transition material [36.460125256873624]
金属絶縁体-遷移物質であるバナジウム二酸化バナジウム(VO2)に基づく装置は, 中間抵抗状態の連続体にアクセスするために動的に制御可能であることを示す。我々はこれらのデバイス特性を利用して、ニューロンのアナログ計算の3つの側面をエミュレートする: 高速(1ms) スパイク、低速(1ms) スパイク(100ms) デンドライトコンパートメント、超低速(1ms) 生化学的シグナリング。
論文参考訳（メタデータ） (2023-09-29T18:18:12Z)
The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文参考訳（メタデータ） (2023-06-14T13:34:13Z)
An accurate and flexible analog emulation of AdEx neuron dynamics in silicon [0.0]
混合信号加速型ニューロモルフィック系BrainScaleS-2のアナログニューロン回路を提示する。適応指数積分・燃焼モデル方程式を、電流と導電率に基づくシナプスの両方と組み合わせて柔軟かつ正確にエミュレートすることができる。
論文参考訳（メタデータ） (2022-09-19T18:08:23Z)
Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文参考訳（メタデータ） (2021-09-22T16:52:51Z)
Accelerated Analog Neuromorphic Computing [0.0]
本稿では,BrainScales (BSS) を加速したアナログニューロモルフィックコンピューティングアーキテクチャの背景にある概念について述べる。第2世代のBrainScales-2(BSS-2)と、その最新のシリコン内実現であるHICANN-Xアプリケーション固有集積回路(ASIC)について述べる。提示されたアーキテクチャは、ニューロンとシナプスの連続的、アナログ的、物理モデルの実装に基づいている。
論文参考訳（メタデータ） (2020-03-26T16:00:55Z)
Structural plasticity on an accelerated analog neuromorphic hardware system [0.46180371154032884]
我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
論文参考訳（メタデータ） (2019-12-27T10:15:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。