Fugu-MT 論文翻訳(概要): Solving a steady-state PDE using spiking networks and neuromorphic hardware

論文の概要: Solving a steady-state PDE using spiking networks and neuromorphic hardware

arxiv url: http://arxiv.org/abs/2005.10904v1
Date: Thu, 21 May 2020 21:06:19 GMT
ステータス: 処理完了
システム内更新日: 2022-11-30 23:40:03.641638
Title: Solving a steady-state PDE using spiking networks and neuromorphic hardware
Title（参考訳）: スパイクネットワークとニューロモルフィックハードウェアを用いた定常PDEの解法
Authors: J. Darby Smith, William Severa, Aaron J. Hill, Leah Reeder, Brian Franke, Richard B. Lehoucq, Ojas D. Parekh, and James B. Aimone
Abstract要約: 並列およびイベント駆動構造を利用してランダムウォーク法を用いて定常熱方程式を解く。我々はこのアルゴリズムをニューロモルフィックシステムの潜在的スケーラブルなベンチマークとして位置付ける。
参考スコア（独自算出の注目度）: 0.2698200916728782
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The widely parallel, spiking neural networks of neuromorphic processors can enable computationally powerful formulations. While recent interest has focused on primarily machine learning tasks, the space of appropriate applications is wide and continually expanding. Here, we leverage the parallel and event-driven structure to solve a steady state heat equation using a random walk method. The random walk can be executed fully within a spiking neural network using stochastic neuron behavior, and we provide results from both IBM TrueNorth and Intel Loihi implementations. Additionally, we position this algorithm as a potential scalable benchmark for neuromorphic systems.
Abstract（参考訳）: 広く並列でスパイクするニューロモルフィックプロセッサのニューラルネットワークは、計算的に強力な定式化を可能にする。最近の関心は、主に機械学習タスクに焦点を当てているが、適切なアプリケーションの範囲は広く、継続的に拡大している。ここでは、並列およびイベント駆動構造を利用してランダムウォーク法による定常熱方程式を解く。ランダムウォークは確率的ニューロン挙動を用いてスパイクニューラルネットワーク内で完全に実行することができ、IBM TrueNorthとIntel Loihiの実装の結果を提供する。さらに,このアルゴリズムをニューロモルフィックシステムのスケーラブルなベンチマークとして位置づける。

関連論文リスト

Time-independent Spiking Neuron via Membrane Potential Estimation for Efficient Spiking Neural Networks [4.142699381024752]
スパイキングニューラルネットワーク(SNN)の計算的非効率性は、主に膜電位の逐次更新によるものである。スパイキングニューロンの並列計算法である膜電位推定並列スパイキングニューロン(MPE-PSN)を提案する。提案手法では,特に高次ニューロン密度条件下での計算効率の向上が期待できる。
論文参考訳（メタデータ） (2024-09-08T05:14:22Z)
Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
論文参考訳（メタデータ） (2024-06-05T17:59:22Z)
Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning [51.386945803485084]
エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
論文参考訳（メタデータ） (2024-01-09T07:31:34Z)
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)
Hyperdimensional Computing with Spiking-Phasor Neurons [0.9594432031144714]
シンボリックベクトルアーキテクチャ(VSAs)は、構成的推論を表現するための強力なフレームワークである。スパイキングニューロンの基板上でVSAアルゴリズムを実行し、ニューロモルフィックハードウェア上で効率的に動作させることができる。
論文参考訳（メタデータ） (2023-02-28T20:09:12Z)
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)
Stochastic Neuromorphic Circuits for Solving MAXCUT [0.6067748036747219]
グラフの最大カット(MAXCUT)を見つけることは、並列アルゴリズム開発を動機づけた古典的な最適化問題である。ニューロモルフィックコンピューティングは、ニューラルシステムの組織原理を使って、新しい並列コンピューティングアーキテクチャを刺激する。
論文参考訳（メタデータ） (2022-10-05T22:37:36Z)
Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文参考訳（メタデータ） (2022-08-02T18:27:13Z)
Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文参考訳（メタデータ） (2021-09-29T07:46:54Z)
Neuromorphic scaling advantages for energy-efficient random walk computation [0.28144129864580447]
ニューロモルフィックコンピューティングは、人間のハードウェアで脳の計算構造とアーキテクチャを再現することを目的としている。スパイキングニューロモルフィックアーキテクチャの高次並列性と構成性は、離散時間チェーンを介してランダムウォークを実装するのに適していることを示す。 NMCプラットフォームは十分な規模で,高性能コンピューティングプラットフォームのエネルギー需要を大幅に削減できることがわかった。
論文参考訳（メタデータ） (2021-07-27T19:44:33Z)
Ultra-Low-Power FDSOI Neural Circuits for Extreme-Edge Neuromorphic Intelligence [2.6199663901387997]
インメモリコンピューティング混合信号ニューロモルフィックアーキテクチャはエッジコンピューティングのセンサ処理への応用に期待できる超低消費電力のソリューションを提供する。本稿では、FDSOI(Fully-Depleted Silicon on Insulator)統合プロセスの特徴を利用する混合信号アナログ/デジタル回路を提案する。
論文参考訳（メタデータ） (2020-06-25T09:31:29Z)

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。