論文の概要: A 28-nm Convolutional Neuromorphic Processor Enabling Online Learning
with Spike-Based Retinas
- arxiv url: http://arxiv.org/abs/2005.06318v1
- Date: Wed, 13 May 2020 13:47:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 13:18:12.480360
- Title: A 28-nm Convolutional Neuromorphic Processor Enabling Online Learning
with Spike-Based Retinas
- Title（参考訳）: スパイク型網膜を用いたオンライン学習を実現する28nm畳み込みニューロモルフィックプロセッサ
- Authors: Charlotte Frenkel, Jean-Didier Legat, David Bol
- Abstract要約: 適応エッジコンピューティングとビジョンアプリケーションのための28nmイベント駆動CNN(eCNN)であるSPOONを提案する。
16.8-%のパワーと11.8-%のオーバヘッドしか持たないオンライン学習を、生物学的に証明可能な直接ランダムターゲットプロジェクション(DRTP)アルゴリズムで埋め込んでいる。
0.6Vでの313nJの分類あたりのエネルギーと95.3%(オンチップトレーニング)と97.5%(オフチップトレーニング)のアキュラシーに対する0.32-mm$2$の面積で、SPOONが従来の機械学習アクセラレータの効率に達することを示した。
- 参考スコア（独自算出の注目度）: 1.4425878137951236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In an attempt to follow biological information representation and
organization principles, the field of neuromorphic engineering is usually
approached bottom-up, from the biophysical models to large-scale integration in
silico. While ideal as experimentation platforms for cognitive computing and
neuroscience, bottom-up neuromorphic processors have yet to demonstrate an
efficiency advantage compared to specialized neural network accelerators for
real-world problems. Top-down approaches aim at answering this difficulty by
(i) starting from the applicative problem and (ii) investigating how to make
the associated algorithms hardware-efficient and biologically-plausible. In
order to leverage the data sparsity of spike-based neuromorphic retinas for
adaptive edge computing and vision applications, we follow a top-down approach
and propose SPOON, a 28-nm event-driven CNN (eCNN). It embeds online learning
with only 16.8-% power and 11.8-% area overheads with the
biologically-plausible direct random target projection (DRTP) algorithm. With
an energy per classification of 313nJ at 0.6V and a 0.32-mm$^2$ area for
accuracies of 95.3% (on-chip training) and 97.5% (off-chip training) on MNIST,
we demonstrate that SPOON reaches the efficiency of conventional machine
learning accelerators while embedding on-chip learning and being compatible
with event-based sensors, a point that we further emphasize with N-MNIST
benchmarking.
- Abstract（参考訳）: 生物学的情報表現と組織原理に従うために、神経形工学の分野は通常、生物物理学モデルからサイリコの大規模統合までボトムアップにアプローチされる。
認知コンピューティングと神経科学の実験プラットフォームとして理想的だが、ボトムアップ型ニューロモルフィックプロセッサは、現実世界の問題に対する特殊なニューラルネットワークアクセラレーターに比べて、効率の利点をまだ示していない。
トップダウンアプローチは、この困難に答えることを目指している
(i)適用問題から始まり、
(ii)関連するアルゴリズムをハードウェア効率良く、生物学的に評価可能なものにする方法の検討。
スパイク型ニューロモルフィック網膜のデータスパーシティを適応エッジコンピューティングや視覚応用に活用するために,トップダウンアプローチを採用し,28nmイベント駆動cnn(ecnn)であるspoonを提案する。
16.8-%のパワーと11.8-%のオーバヘッドしか持たないオンライン学習を、生物学的に証明可能な直接ランダムターゲットプロジェクション(DRTP)アルゴリズムで埋め込んでいる。
0.6vでの313njの分類と95.3%(オンチップトレーニング)と97.5%(オフチップトレーニング)の精度で 0.32-mm$^2$領域のmnistの分類で、soonがオンチップ学習を組み込みながら、イベントベースのセンサーと互換性のある従来の機械学習アクセラレータの効率に到達できることを実証し、n-mnistベンチマークでさらに強調する。
関連論文リスト
- Analog Spiking Neuron in CMOS 28 nm Towards Large-Scale Neuromorphic Processors [0.8426358786287627]
本研究では,TSMCの28nmCMOS技術を用いた低消費電力Leaky Integrate- and-Fireニューロンの設計を提案する。
製造されたニューロンは1.61 fJ/スパイクを消費し、34$mu m2$の活性領域を占有し、最大スパイク周波数は250mVで300kHzである。
論文 参考訳（メタデータ） (2024-08-14T17:51:20Z) - Topology Optimization of Random Memristors for Input-Aware Dynamic SNN [44.38472635536787]
入力対応動的旋回型スパイクニューラルネットワーク(PRIME)のプルーニング最適化について紹介する。
信号表現の面では、PRIMEは脳固有のスパイキング機構をエミュレートするために、漏れやすい統合と発火のニューロンを使用する。
計算深度の動的調整にインスパイアされた再構成性のために、PRIMEは入力対応の動的早期停止ポリシーを採用している。
論文 参考訳（メタデータ） (2024-07-26T09:35:02Z) - SpikingJelly: An open-source machine learning infrastructure platform
for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。
我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文 参考訳（メタデータ） (2023-10-25T13:15:17Z) - Evaluating Spiking Neural Network On Neuromorphic Platform For Human
Activity Recognition [2.710807780228189]
エネルギー効率と低レイテンシは、ウェアラブルAIを活用した人間の活動認識システムにとって重要な要件である。
スパイクベースのワークアウト認識システムは、従来のニューラルネットワークを備えた一般的なミリワットRISC-VベースマルチコアプロセッサGAP8に匹敵する精度を達成することができる。
論文 参考訳（メタデータ） (2023-08-01T18:59:06Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳（メタデータ） (2023-01-19T19:45:42Z) - PC-SNN: Supervised Learning with Local Hebbian Synaptic Plasticity based
on Predictive Coding in Spiking Neural Networks [1.6172800007896282]
本稿では,予測符号化理論に触発された新しい学習アルゴリズムを提案する。
教師あり学習を完全自律的に行うことができ、バックプロップとして成功することを示す。
この手法は,最先端の多層SNNと比較して,良好な性能を実現する。
論文 参考訳（メタデータ） (2022-11-24T09:56:02Z) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳（メタデータ） (2022-11-19T15:44:08Z) - BioGrad: Biologically Plausible Gradient-Based Learning for Spiking
Neural Networks [0.0]
スパイキングニューラルネットワーク(SNN)は、AI問題に対するエネルギー効率が高く、非常に並列で、低レイテンシのソリューションを提供している。
これらの計算的利点を利用するには、SNNは脳にインスパイアされたニューロモルフィックの原則に従う学習アルゴリズムによって訓練される必要がある。
本稿では,機能的にバックプロップと等価なSNNのための生物学的に妥当な勾配に基づく学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-10-27T00:07:25Z) - In-Hardware Learning of Multilayer Spiking Neural Networks on a
Neuromorphic Processor [6.816315761266531]
この研究は、生物学的に妥当な局所更新規則を持つスパイクベースのバックプロパゲーションアルゴリズムを示し、ニューロモルフィックハードウェアの制約に適合するように適応する。
このアルゴリズムはIntel Loihiチップ上に実装されており、モバイルアプリケーション用の多層SNNの低消費電力ハードウェアによるオンライン学習を可能にする。
論文 参考訳（メタデータ） (2021-05-08T09:22:21Z) - Optimizing Memory Placement using Evolutionary Graph Reinforcement
Learning [56.83172249278467]
大規模検索空間を対象とした進化グラフ強化学習(EGRL)を提案する。
我々は、推論のために、Intel NNP-Iチップ上で、我々のアプローチを直接訓練し、検証する。
また,NNP-Iコンパイラと比較して28～78%の高速化を実現している。
論文 参考訳（メタデータ） (2020-07-14T18:50:12Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。