論文の概要: A Compact Gated-Synapse Model for Neuromorphic Circuits
- arxiv url: http://arxiv.org/abs/2006.16302v1
- Date: Mon, 29 Jun 2020 18:22:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 14:40:00.597210
- Title: A Compact Gated-Synapse Model for Neuromorphic Circuits
- Title(参考訳): ニューロモルフィック回路の小型Gated-Synapseモデル
- Authors: Alexander Jones and Rashmi Jha
- Abstract要約: このモデルは、ニューロモルフィック回路のコンピュータ支援設計への統合を容易にするためにVerilog-Aで開発された。
モデルの振る舞い理論は、デフォルトパラメータ設定の完全なリストとともに詳細に記述されている。
- 参考スコア(独自算出の注目度): 77.50840163374757
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work reports a compact behavioral model for gated-synaptic memory. The
model is developed in Verilog-A for easy integration into computer-aided design
of neuromorphic circuits using emerging memory. The model encompasses various
forms of gated synapses within a single framework and is not restricted to only
a single type. The behavioral theory of the model is described in detail along
with a full list of the default parameter settings. The model includes
parameters such as a device's ideal set time, threshold voltage, general
evolution of the conductance with respect to time, decay of the device's state,
etc. Finally, the model's validity is shown via extensive simulation and
fitting to experimentally reported data on published gated-synapses.
- Abstract(参考訳): 本稿では,ゲートシナプスメモリの動作モデルについて報告する。
このモデルはVerilog-Aで開発され、新しいメモリを用いたニューロモルフィック回路のコンピュータ支援設計に容易に統合できる。
このモデルは単一のフレームワーク内で様々な形式のゲートシナプスを含み、単一のタイプに制限されない。
モデルの振る舞い理論は、デフォルトパラメータの設定の完全なリストと共に詳細に説明されている。
このモデルは、デバイスの理想的な設定時間、しきい値電圧、時間に対するコンダクタンスの一般的な進化、デバイスの状態の崩壊などのパラメータを含む。
最後に、モデルの有効性を広範囲なシミュレーションと、公開されたゲート-シナプスに関する実験的に報告されたデータにより示す。
関連論文リスト
- ProtoS-ViT: Visual foundation models for sparse self-explainable classifications [0.6249768559720122]
この研究は、凍結したトレーニング済みのViTバックボーンが、いかに効果的に原型モデルに変換できるかを示す。
ProtoS-ViTは、精度、コンパクト性、説明可能性の点で優れた性能を示す既存のプロトタイプモデルを上回る。
論文 参考訳(メタデータ) (2024-06-14T13:36:30Z) - Event-Based Simulation of Stochastic Memristive Devices for Neuromorphic Computing [41.66366715982197]
イベントベースシステムのシミュレーションに適したメムリスタの一般モデルを構築した。
既存のmemristorの汎用モデルをイベント駆動設定に拡張する。
本稿では,イベントベースモデルのパラメータをドリフトモデルに適合させる手法を示す。
論文 参考訳(メタデータ) (2024-06-14T13:17:19Z) - Synaptogen: A cross-domain generative device model for large-scale neuromorphic circuit design [1.704443882665726]
実世界のデバイスの複雑な統計特性を再現する抵抗記憶のための高速な生成モデリング手法を提案する。
統合された1T1Rアレイの広範な測定データをトレーニングすることにより、自己回帰プロセスはパラメータ間の相互相関を正確に考慮する。
ベンチマークでは、この統計的に包括的なモデルがスループットを、さらに単純化され決定論的にコンパクトなモデルよりも上回っていることが示されている。
論文 参考訳(メタデータ) (2024-04-09T14:33:03Z) - Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated
Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。
ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文 参考訳(メタデータ) (2024-01-09T11:54:54Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-09T17:12:32Z) - Equivalence of Segmental and Neural Transducer Modeling: A Proof of
Concept [56.46135010588918]
RNN-Transducerモデルとセグメントモデル(直接HMM)の広く使われているクラスが等価であることを証明する。
空白確率はセグメント長確率に変換され,その逆も示された。
論文 参考訳(メタデータ) (2021-04-13T11:20:48Z) - Neural Closure Models for Dynamical Systems [35.000303827255024]
低忠実度モデルに対する非マルコフ閉閉パラメータ化を学習する新しい手法を開発した。
ニューラルクロージャモデル」はニューラル遅延微分方程式(nDDE)を用いた低忠実度モデルを強化する
非マルコヴィアンオーバーマルコヴィアンクロージャを使用することで、長期的精度が向上し、より小さなネットワークが必要であることを示した。
論文 参考訳(メタデータ) (2020-12-27T05:55:33Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。