論文の概要: Neuromorphic Processing and Sensing: Evolutionary Progression of AI to Spiking

• arxiv url: http://arxiv.org/abs/2007.05606v1
• Date: Fri, 10 Jul 2020 20:54:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 20:49:21.036891
• Title: Neuromorphic Processing and Sensing: Evolutionary Progression of AI to Spiking
• Title（参考訳）: ニューロモルフィック処理とセンシング:AIのスパイクへの進化
• Authors: Philippe Reiter, Geet Rose Jose, Spyridon Bizmpikis, Ionela-Ancu\c{t}a C\^irjil\u{a}
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing rise in machine learning and deep learning applications is requiring ever more computational resources to successfully meet the growing demands of an always-connected, automated world. Neuromorphic technologies based on Spiking Neural Network algorithms hold the promise to implement advanced artificial intelligence using a fraction of the computations and power requirements by modeling the functioning, and spiking, of the human brain. With the proliferation of tools and platforms aiding data scientists and machine learning engineers to develop the latest innovations in artificial and deep neural networks, a transition to a new paradigm will require building from the current well-established foundations. This paper explains the theoretical workings of neuromorphic technologies based on spikes, and overviews the state-of-art in hardware processors, software platforms and neuromorphic sensing devices. A progression path is paved for current machine learning specialists to update their skillset, as well as classification or predictive models from the current generation of deep neural networks to SNNs. This can be achieved by leveraging existing, specialized hardware in the form of SpiNNaker and the Nengo migration toolkit. First-hand, experimental results of converting a VGG-16 neural network to an SNN are shared. A forward gaze into industrial, medical and commercial applications that can readily benefit from SNNs wraps up this investigation into the neuromorphic computing future.
• Abstract（参考訳）: 機械学習とディープラーニングのアプリケーションの増加は、常に接続された自動化された世界の需要の増大に対応するために、さらに多くの計算リソースを必要としている。 Spiking Neural Networkアルゴリズムに基づくニューロモルフィック技術は、人間の脳の機能やスパイクをモデル化することで、計算と電力要求のごく一部を使って高度な人工知能を実装することを約束している。 データサイエンティストや機械学習エンジニアが人工および深層ニューラルネットワークの最新のイノベーションを開発するためのツールやプラットフォームが急増する中、新しいパラダイムへの移行には、現在の確立された基盤から構築する必要がある。 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。 これは、SpiNNakerとNengoマイグレーションツールキットという形で、既存の特別なハードウェアを活用することで実現できる。 まず、VGG-16ニューラルネットワークをSNNに変換する実験結果を共有する。 SNNの恩恵を受けやすい産業用、医療用、商業用アプリケーションへの注目が、ニューロモルフィックコンピューティングの未来に関するこの調査をまとめている。

関連論文リスト

• Toward Large-scale Spiking Neural Networks: A Comprehensive Survey and Future Directions [38.20628045367021]
  スパイクニューラルネットワーク(SNN)は、イベント駆動スパイクによるエネルギー効率の高い計算を約束する。 本稿では、スパイキングトランスフォーマーに焦点をあて、ディープスパイキングニューラルネットワークを開発するための既存の手法について調査する。
  論文  参考訳（メタデータ） (2024-08-19T13:07:48Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• SpiNNaker2: A Large-Scale Neuromorphic System for Event-Based and Asynchronous Machine Learning [12.300710699791418]
  SpiNNaker2はスケーラブルな機械学習のために開発されたデジタルニューロモルフィックチップである。 この研究はSpiNNaker2システムの動作原理を特徴とし、新しい機械学習アプリケーションのプロトタイプを概説している。
  論文  参考訳（メタデータ） (2024-01-09T11:07:48Z)
• 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)
• Neuronal Auditory Machine Intelligence (NEURO-AMI) In Perspective [0.0]
  ニューラル・オーディトリー・マシン・インテリジェンス(Neuro-AMI)と競合するバイオインスパイアされた連続学習型ニューラル・ニューラル・ニューラル・ニューラル・インテリジェンス(Neuro-AMI)の概要を述べる。 本稿では,ニューラル・オーディトリー・マシン・インテリジェンス(Neuro-AMI)と競合するバイオインスパイアされた連続学習型ニューラル・ラーニング・ツールについて概説する。
  論文  参考訳（メタデータ） (2023-10-14T13:17:58Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• 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)
• Testing the Tools of Systems Neuroscience on Artificial Neural Networks [0.0]
  これらのツールは明示的にテストされるべきであり、人工知能(ANN)が彼らにとって適切なテスト基盤である、と私は主張する。 ANNを知覚から記憶、運動制御に至るまで、あらゆるもののモデルとして使用することは、人工ニューラルネットワークと生物学的ニューラルネットワークの粗い類似性に起因する。 ここでは、このテストを実行するためのロードマップと、ANNでテストするのに適したツールのリストを提供しています。
  論文  参考訳（メタデータ） (2022-02-14T20:55:26Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。