論文の概要: A Generalized Strong-Inversion CMOS Circuitry for Neuromorphic Applications

• arxiv url: http://arxiv.org/abs/2007.13941v2
• Date: Fri, 6 Aug 2021 17:30:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 02:19:54.969733
• Title: A Generalized Strong-Inversion CMOS Circuitry for Neuromorphic Applications
• Title（参考訳）: ニューロモルフィック応用のための一般化強反転CMOS回路
• Authors: Hamid Soleimani and Emmanuel. M. Drakakis
• Abstract要約: 生物学的モデルをアナログ電子回路に体系的に翻訳することは、ニューロモルフィック分野において常に課題であった。 本稿では、CMOS回路を用いて生体モデルを便利に実装できる一般化回路設計プラットフォームを提案する。 提案手法の有効性は, 市販のAMS 0.35Um技術を用いて, 現実的なプロセスパラメータを用いて, 名目シミュレーションにより検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: It has always been a challenge in the neuromorphic field to systematically translate biological models into analog electronic circuitry. In this paper, a generalized circuit design platform is introduced where biological models can be conveniently implemented using CMOS circuitry operating in strong-inversion. The application of the method is demonstrated by synthesizing a relatively complex two-dimensional (2-D) nonlinear neuron model. The validity of our approach is verified by nominal simulated results with realistic process parameters from the commercially available AMS 0.35 um technology. The circuit simulation results exhibit regular spiking responses in good agreement with their mathematical counterpart.
• Abstract（参考訳）: 生物学的モデルをアナログ電子回路に体系的に翻訳することは、ニューロモルフィック分野において常に課題であった。 本稿では, CMOS回路の強反転動作により, 生体モデルを便利に実装できる汎用回路設計プラットフォームを提案する。 この方法の応用は、比較的複雑な2次元(2次元)非線形ニューロンモデルを合成することによって証明される。 提案手法の有効性は,市販のAMS 0.35 um技術を用いて,現実的なプロセスパラメータを用いた実例シミュレーションにより検証した。 回路シミュレーションの結果, 正則的なスパイキング応答が, 数学的な結果とよく一致していることがわかった。

関連論文リスト

• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。 その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• LaMAGIC: Language-Model-based Topology Generation for Analog Integrated Circuits [17.002169206594793]
  先駆的な言語モデルに基づくトポロジ生成モデルであるLaMAGICを紹介する。 LaMAGICは、カスタム仕様から最適化された回路設計を単一のパスで効率的に生成できる。 LaMAGICは0.01の厳格な許容条件で最大96%の成功率を達成した。
  論文  参考訳（メタデータ） (2024-07-19T22:51:41Z)
• Non-intrusive data-driven model order reduction for circuits based on Hammerstein architectures [0.8192907805418581]
  我々は非線形CMOS微分増幅器のための擬似ハマースタインモデルを開発した。 我々は直流(DC)と過渡スパイス(Xyce)回路シミュレーションデータの組み合わせでこのモデルを訓練する。 シミュレーションの結果,ハマースタインモデルがディファレンシャルアンプ回路の効果的なサロゲートであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-30T15:47:48Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Input-to-State Stable Neural Ordinary Differential Equations with Applications to Transient Modeling of Circuits [11.636872461683742]
  本稿では,入力から状態への安定な連続時間リカレントニューラルネットワークによってパラメータ化されたニューラル常微分方程式のクラスを提案する。 提案手法を用いて電子回路の動作モデルを安価にシミュレーションする。
  論文  参考訳（メタデータ） (2022-02-14T01:51:05Z)
• Super-resolution in Molecular Dynamics Trajectory Reconstruction with Bi-Directional Neural Networks [0.0]
  機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。 サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
  論文  参考訳（メタデータ） (2022-01-02T23:00:30Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Efficient classical simulation of random shallow 2D quantum circuits [104.50546079040298]
  ランダム量子回路は古典的にシミュレートするのは難しいと見なされる。 典型例の近似シミュレーションは, 正確なシミュレーションとほぼ同程度に困難であることを示す。 また、十分に浅いランダム回路はより一般的に効率的にシミュレーション可能であると推測する。
  論文  参考訳（メタデータ） (2019-12-31T19:00:00Z)

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。