論文の概要: PeleNet: A Reservoir Computing Framework for Loihi

• arxiv url: http://arxiv.org/abs/2011.12338v1
• Date: Tue, 24 Nov 2020 19:33:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 12:45:07.437141
• Title: PeleNet: A Reservoir Computing Framework for Loihi
• Title（参考訳）: pelenet:loihiのための貯水池コンピューティングフレームワーク
• Authors: Carlo Michaelis
• Abstract要約: PeleNetは、ニューロモルフィックハードウェアLoihiの貯水池コンピューティングを単純化することを目指している。 複数のコアやチップ上でのネットワークの自動的かつ効率的な分散を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-level frameworks for spiking neural networks are a key factor for fast prototyping and efficient development of complex algorithms. Such frameworks have emerged in the last years for traditional computers, but programming neuromorphic hardware is still a challenge. Often low level programming with knowledge about the hardware of the neuromorphic chip is required. The PeleNet framework aims to simplify reservoir computing for the neuromorphic hardware Loihi. It is build on top of the NxSDK from Intel and is written in Python. The framework manages weight matrices, parameters and probes. In particular, it provides an automatic and efficient distribution of networks over several cores and chips. With this, the user is not confronted with technical details and can concentrate on experiments.
• Abstract（参考訳）: ニューラルネットワークをスパイクするための高レベルのフレームワークは、高速なプロトタイピングと複雑なアルゴリズムの効率的な開発のための重要な要素である。 従来のコンピュータでは、このようなフレームワークがここ数年登場してきたが、ニューロモルフィックなハードウェアのプログラミングは依然として課題だ。 しばしば、ニューロモルフィックチップのハードウェアに関する知識を備えた低レベルプログラミングが必要となる。 pelenetフレームワークは、ニューロモルフィックハードウェアloihiのリザーバコンピューティングを単純化することを目的としている。 IntelのNxSDK上に構築され、Pythonで書かれている。 このフレームワークは重量行列、パラメータ、プローブを管理する。 特に、複数のコアとチップにわたるネットワークの自動的かつ効率的な分散を提供する。 これにより、ユーザは技術的な詳細に直面することなく、実験に集中することができる。

関連論文リスト

• Uncomputation in the Qrisp high-level Quantum Programming Framework [1.299941371793082]
  本稿では,Qrispフレームワークにおける非計算回路の自動生成のためのインタフェースについて述べる。 Qrispで未計算回路を合成するアルゴリズムは,Unqompの改良版をベースとしている。
  論文  参考訳（メタデータ） (2023-07-21T08:21:03Z)
• The Basis of Design Tools for Quantum Computing: Arrays, Decision Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
  量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。 完全に自動化された量子ソフトウェアスタックを開発する必要がある。 この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
  論文  参考訳（メタデータ） (2023-01-10T19:00:00Z)
• SOL: Reducing the Maintenance Overhead for Integrating Hardware Support into AI Frameworks [0.7614628596146599]
  Theano、Caffe、Chainer、CNTK、MxNet、PyTorch、DL4JといったAIフレームワークは、ハイレベルなスクリプティングAPIを提供する。 主流でないCPUやGPU、アクセラレータベンダは、これらのフレームワークでハードウェアをサポートするために、高い努力を払わなければならない。 NEC Laboratories Europeは、すでに数年前にSOL AI Optimizationプロジェクトの開発を開始した。
  論文  参考訳（メタデータ） (2022-05-19T08:40:46Z)
• NetKet 3: Machine Learning Toolbox for Many-Body Quantum Systems [1.0486135378491268]
  NetKetは、多体量子物理学のための機械学習ツールボックスである。 この新バージョンは、差別化可能なプログラミングと加速線形代数フレームワークであるJAXの上に構築されている。 最も重要な新機能は、純粋なPythonコードで任意のニューラルネットワーク ans" を定義することだ。
  論文  参考訳（メタデータ） (2021-12-20T13:41:46Z)
• Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
  本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。 本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:11:15Z)
• Reservoir Stack Machines [77.12475691708838]
  メモリ拡張ニューラルネットワークは、情報ストレージを必要とするタスクをサポートするために、明示的なメモリを備えたリカレントニューラルネットワークを備える。 本研究では,全ての決定論的文脈自由言語を確実に認識できるモデルである貯水池スタックマシンを導入する。 以上の結果から, 貯水池スタックマシンは, 訓練データよりも長い試験シーケンスでもゼロ誤差を達成できることがわかった。
  論文  参考訳（メタデータ） (2021-05-04T16:50:40Z)
• Neurocoder: Learning General-Purpose Computation Using Stored Neural Programs [64.56890245622822]
  ニューロコーダ(Neurocoder)は、汎用計算機の全く新しいクラスである。 共有可能なモジュール型プログラムのセットから関連するプログラムを構成することで、データ応答性のある方法で“コード”を行う。 モジュールプログラムを学習し、パターンシフトを厳しく処理し、新しいプログラムが学習されると、古いプログラムを記憶する新しい能力を示す。
  論文  参考訳（メタデータ） (2020-09-24T01:39:16Z)
• P-CRITICAL: A Reservoir Autoregulation Plasticity Rule for Neuromorphic Hardware [4.416484585765027]
  繰り返し発生する人工ニューラルネットワーク上のバックプロパゲーションアルゴリズムは、時間とともに蓄積された状態の展開を必要とする。 自動貯水池調整のためのP-CRITICALという新しい局所塑性則を提案する。 パラメータをチューニングすることなく、様々なモーダルからくるタスクの性能改善を観察する。
  論文  参考訳（メタデータ） (2020-09-11T18:13:03Z)
• 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)
• Exposing Hardware Building Blocks to Machine Learning Frameworks [4.56877715768796]
  我々は、そのようなニューロンをユニークな関数として補完するトポロジーを設計する方法に焦点をあてる。 我々は、カスタムの空間性と量子化によるニューラルネットワークのトレーニングを支援するライブラリを開発する。
  論文  参考訳（メタデータ） (2020-04-10T14:26:00Z)
• Neural Network Compression Framework for fast model inference [59.65531492759006]
  我々は、ニューラルネットワーク圧縮フレームワーク(NNCF)と呼ばれる、微調整によるニューラルネットワーク圧縮のための新しいフレームワークを提案する。 様々なネットワーク圧縮手法の最近の進歩を活用し、空間性、量子化、双項化などのいくつかの実装を行っている。 フレームワークは、トレーニングサンプル内に提供され、あるいは既存のトレーニングコードにシームレスに統合可能なスタンドアロンパッケージとして使用することができる。
  論文  参考訳（メタデータ） (2020-02-20T11:24:01Z)

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。