論文の概要: Deep Delay Loop Reservoir Computing for Specific Emitter Identification
- arxiv url: http://arxiv.org/abs/2010.06649v1
- Date: Tue, 13 Oct 2020 19:32:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 23:47:28.386665
- Title: Deep Delay Loop Reservoir Computing for Specific Emitter Identification
- Title(参考訳): 特定エミッタ同定のためのディープ遅延ループ貯留層計算
- Authors: Silvija Kokalj-Filipovic and Paul Toliver and William Johnson and
Raymond R. Hoare II and Joseph J. Jezak
- Abstract要約: 戦術的なエッジにある現在のAIシステムは、その場でのトレーニングと状況認識のための推論をサポートするための計算資源を欠いている。
本稿では,DLR(Deep delay Loop Reservoir Computing)という,小型モバイルデバイス上での汎用機械学習アルゴリズムをサポートする処理アーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 0.5906031288935515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current AI systems at the tactical edge lack the computational resources to
support in-situ training and inference for situational awareness, and it is not
always practical to leverage backhaul resources due to security, bandwidth, and
mission latency requirements. We propose a solution through Deep delay Loop
Reservoir Computing (DLR), a processing architecture supporting general machine
learning algorithms on compact mobile devices by leveraging delay-loop (DL)
reservoir computing in combination with innovative photonic hardware exploiting
the inherent speed, and spatial, temporal and wavelength-based processing
diversity of signals in the optical domain. DLR delivers reductions in form
factor, hardware complexity, power consumption and latency, compared to
State-of-the-Art . DLR can be implemented with a single photonic DL and a few
electro-optical components. In certain cases multiple DL layers increase
learning capacity of the DLR with no added latency. We demonstrate the
advantages of DLR on the application of RF Specific Emitter Identification.
- Abstract(参考訳): 現在の戦術最先端のaiシステムは、現場でのトレーニングと状況把握のための推論をサポートする計算資源が欠如しており、セキュリティ、帯域幅、ミッションレイテンシ要件のためにバックホールリソースを活用することは必ずしも現実的ではない。
本稿では,小型モバイルデバイス上で一般的な機械学習アルゴリズムをサポートする処理アーキテクチャであるdeep delay loop reservoir computing (dlr) と,光領域における信号の時間的・時間的・波長的・空間的多様性を利用した革新的なフォトニックハードウェアを組み合わせたソリューションを提案する。
dlrは、最新技術と比較して、フォームファクタ、ハードウェアの複雑さ、消費電力、レイテンシの削減を提供する。
DLRは単一のフォトニックDLといくつかの電気光学部品で実装できる。
ある場合、複数のDLレイヤは、追加のレイテンシなしでDLRの学習能力を増加させる。
本稿では,rf特定エミッタ識別の適用におけるdlrの利点を示す。
関連論文リスト
- TeMPO: Efficient Time-Multiplexed Dynamic Photonic Tensor Core for Edge
AI with Compact Slow-Light Electro-Optic Modulator [44.74560543672329]
我々は,TMPOと呼ばれる時間多重化動的フォトニックテンソルアクセラレータを,クロス層デバイス/回路/アーキテクチャのカスタマイズにより提案する。
我々は,368.6TOPSピーク性能,22.3TOPS/Wエネルギー効率,1.2TOPS/mm$2$計算密度を実現した。
この研究は、多層共設計とドメイン固有のカスタマイズの力を示し、将来の電子フォトニクス加速器への道を開く。
論文 参考訳(メタデータ) (2024-02-12T03:40:32Z) - Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳(メタデータ) (2023-12-14T09:46:16Z) - Neural Network Methods for Radiation Detectors and Imaging [1.6395318070400589]
機械学習、特にディープニューラルネットワーク(DNN)の最近の進歩により、放射線検出器や撮像ハードウェアの新たな最適化と性能向上スキームが実現されている。
本稿では、光子源におけるデータ生成の概要、画像処理タスクのためのディープラーニングベースの方法、ディープラーニングアクセラレーションのためのハードウェアソリューションについて述べる。
論文 参考訳(メタデータ) (2023-11-09T20:21:51Z) - Deep Learning and Image Super-Resolution-Guided Beam and Power
Allocation for mmWave Networks [80.37827344656048]
我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。
教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
論文 参考訳(メタデータ) (2023-05-08T05:40:54Z) - Frequency-Encoded Deep Learning with Speed-of-Light Dominated Latency [0.0]
本稿では,周波数領域のデータを符号化して行列ベクトル積を単一ショットで計算する乗法的アナログ周波数変換光学ニューラルネットワーク(MAFT-ONN)を提案する。
これは音声や無線信号のような時間波形のアナログ推論に適した最初のハードウェアアクセラレータであり、帯域幅制限スループットと光速制限レイテンシを実現している。
論文 参考訳(メタデータ) (2022-07-08T16:37:13Z) - Single-Shot Optical Neural Network [55.41644538483948]
深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。
我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
論文 参考訳(メタデータ) (2022-05-18T17:49:49Z) - FCL-GAN: A Lightweight and Real-Time Baseline for Unsupervised Blind
Image Deblurring [72.43250555622254]
本稿では,周波数領域の競合損失制約型軽量サイクルGANと呼ばれる,軽量でリアルタイムな非教師付きBIDベースラインを提案する。
FCL-GANは、画像領域制限がなく、画像解像度制限がなく、SOTAより25倍軽く、SOTAより5倍高速である。
いくつかの画像データセットの実験では、性能、モデルサイズ、参照時間の観点からFCL-GANの有効性が示されている。
論文 参考訳(メタデータ) (2022-04-16T15:08:03Z) - Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for
5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。
主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。
本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文 参考訳(メタデータ) (2022-01-13T15:20:45Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳(メタデータ) (2021-11-26T18:44:59Z) - Reservoir Based Edge Training on RF Data To Deliver Intelligent and
Efficient IoT Spectrum Sensors [0.6451914896767135]
本稿では,コンパクトなモバイルデバイス上での汎用機械学習アルゴリズムをサポートする処理アーキテクチャを提案する。
Deep Delay Loop Reservoir Computing (DLR)は、Stand-of-the-Art (SoA)と比較して、フォームファクタ、ハードウェアの複雑さ、レイテンシを低減します。
状態ベクトルを線形に結合した複数の小さなループからなるDLRアーキテクチャを、リッジ回帰に対する低次元入力を生成する。
論文 参考訳(メタデータ) (2021-04-01T20:08:01Z) - Reservoir-Based Distributed Machine Learning for Edge Operation [0.6451914896767135]
スマートセンサを組み込んだ機械学習アルゴリズムの現場学習のための新しい設計を紹介します。
無線周波数(RF)スペクトルセンサを用いた分散トレーニングシナリオについて述べる。
論文 参考訳(メタデータ) (2021-04-01T20:06:40Z)
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。