論文の概要: Is my Neural Network Neuromorphic? Taxonomy, Recent Trends and Future
Directions in Neuromorphic Engineering
- arxiv url: http://arxiv.org/abs/2002.11945v1
- Date: Thu, 27 Feb 2020 07:10:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 07:12:20.315845
- Title: Is my Neural Network Neuromorphic? Taxonomy, Recent Trends and Future
Directions in Neuromorphic Engineering
- Title(参考訳): 私のニューラルネットワークはニューロモルフィックか?
ニューロモルフィック・エンジニアリングの分類学,最近の動向,今後の展開
- Authors: Sumon Kumar Bose, Jyotibdha Acharya, and Arindam Basu
- Abstract要約: 明確なコンセンサスはありませんが、それぞれのシステムには以下の機能があります。
このようなベンチマークの基準をすべて満たす潜在的なタスクとして、脳と機械のインターフェースが示される。
- 参考スコア(独自算出の注目度): 2.179313476241343
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we review recent work published over the last 3 years under
the umbrella of Neuromorphic engineering to analyze what are the common
features among such systems. We see that there is no clear consensus but each
system has one or more of the following features:(1) Analog computing (2) Non
vonNeumann Architecture and low-precision digital processing (3) Spiking Neural
Networks (SNN) with components closely related to biology. We compare recent
machine learning accelerator chips to show that indeed analog processing and
reduced bit precision architectures have best throughput, energy and area
efficiencies. However, pure digital architectures can also achieve quite high
efficiencies by just adopting a non von-Neumann architecture. Given the design
automation tools for digital hardware design, it raises a question on the
likelihood of adoption of analog processing in the near future for industrial
designs. Next, we argue about the importance of defining standards and choosing
proper benchmarks for the progress of neuromorphic system designs and propose
some desired characteristics of such benchmarks. Finally, we show brain-machine
interfaces as a potential task that fulfils all the criteria of such
benchmarks.
- Abstract(参考訳): 本稿では,ニューロモルフィック工学の領域で過去3年間に発表された最近の研究を概観し,これらのシステムに共通する特徴について分析する。
1) アナログコンピューティング (2) 非ノイマンアーキテクチャと低精度デジタル処理 (3) 生物学に密接に関連するコンポーネントを持つスパイクニューラルネットワーク(SNN)。
最近の機械学習アクセラレータチップを比較して、アナログ処理とビット精度の低減が、スループット、エネルギー、面積効率に優れていることを示した。
しかし、純粋なデジタルアーキテクチャは、非ノイマンアーキテクチャを採用するだけで非常に高い効率を達成することができる。
デジタルハードウェア設計のための設計自動化ツールを考えると、近い将来にアナログ処理が産業設計に採用される可能性についての疑問が持ち上がる。
次に,ニューロモルフィック・システム設計の進展において,標準を定義することの重要性と適切なベンチマークの選択について論じ,それらのベンチマークの望ましい特徴を提案する。
最後に、これらのベンチマークの基準をすべて満たす潜在的なタスクとして、脳と機械のインターフェースを示す。
関連論文リスト
- GPU-RANC: A CUDA Accelerated Simulation Framework for Neuromorphic Architectures [1.3401966602181168]
ニューロモーフィックコンピューティングのための再構成可能なアーキテクチャ(RANC)のGPUによる実装について紹介する。
512個のニューロモルフィックコアMNIST推論アプリケーションに基づくRANCシミュレータのシリアルバージョンと比較して,最大780倍の高速化を示した。
論文 参考訳(メタデータ) (2024-04-24T21:08:21Z) - NeuroBench: A Framework for Benchmarking Neuromorphic Computing
Algorithms and Systems [51.8066436083197]
NeuroBenchは、ニューロモルフィックコンピューティングアルゴリズムとシステムのベンチマークフレームワークである。
NeuroBenchは、業界とアカデミックの50以上の機関で100人近い共著者からなるオープンコミュニティから共同で設計された取り組みである。
論文 参考訳(メタデータ) (2023-04-10T15:12:09Z) - Towards Theoretically Inspired Neural Initialization Optimization [66.04735385415427]
我々は,ニューラルネットワークの初期状態を評価するための理論的知見を備えた,GradCosineという微分可能な量を提案する。
標準制約下でGradCosineを最大化することにより、ネットワークのトレーニングとテストの両方の性能を向上させることができることを示す。
サンプル分析から実際のバッチ設定に一般化されたNIOは、無視可能なコストで、より優れた初期化を自動で探すことができる。
論文 参考訳(メタデータ) (2022-10-12T06:49:16Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳(メタデータ) (2022-05-25T20:16:05Z) - The BrainScaleS-2 accelerated neuromorphic system with hybrid plasticity [0.0]
本稿では,BrainScaleSニューロモルフィックアーキテクチャの第2世代について述べる。
バイオインスパイアされたスパイクニューラルネットワークプリミティブの、加速された物理的エミュレーションをサポートするカスタムアクセラレータコアと、密結合されたデジタルプロセッサと、イベントルーティングネットワークを組み合わせたものだ。
論文 参考訳(メタデータ) (2022-01-26T17:13:46Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳(メタデータ) (2022-01-19T09:26:34Z) - Bottom-up and top-down approaches for the design of neuromorphic
processing systems: Tradeoffs and synergies between natural and artificial
intelligence [3.874729481138221]
ムーアの法則は指数計算能力の期待を加速させており、システム全体の性能を改善するための新たな方法を求める最終段階に近づいている。
これらの方法の1つは、生物学的ニューラルネットワークシステムの柔軟性と計算効率を達成することを目的とした、脳にインスパイアされた代替コンピューティングアーキテクチャの探索である。
我々は、このパラダイムシフトが実現される際の粒度の異なるレベルについて、その分野の包括的概要を提供する。
論文 参考訳(メタデータ) (2021-06-02T16:51:45Z) - MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。
我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。
我々は精度-速度トレードオフの観点から最先端の結果を得る。
論文 参考訳(メタデータ) (2020-09-29T11:56:01Z) - Neuromorphic Processing and Sensing: Evolutionary Progression of AI to
Spiking [0.0]
スパイキングニューラルネットワークアルゴリズムは、計算と電力要求の一部を利用して高度な人工知能を実装することを約束する。
本稿では,スパイクに基づくニューロモルフィック技術の理論的研究について解説し,ハードウェアプロセッサ,ソフトウェアプラットフォーム,ニューロモルフィックセンシングデバイスの現状について概説する。
プログレクションパスは、現在の機械学習スペシャリストがスキルセットを更新し、現在の世代のディープニューラルネットワークからSNNへの分類または予測モデルを作成するために舗装されている。
論文 参考訳(メタデータ) (2020-07-10T20:54:42Z) - A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。
アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文 参考訳(メタデータ) (2020-05-14T09:02:33Z) - 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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。