論文の概要: Silicon Photonic Microring Based Chip-Scale Accelerator for Delayed Feedback Reservoir Computing

• arxiv url: http://arxiv.org/abs/2101.00557v1
• Date: Sun, 3 Jan 2021 04:13:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-12 11:34:10.883186
• Title: Silicon Photonic Microring Based Chip-Scale Accelerator for Delayed Feedback Reservoir Computing
• Title（参考訳）: シリコンフォトニックマイクロリングを用いた遅延フィードバック貯留層計算用チップスケール加速器
• Authors: Sairam Sri Vatsavai, Ishan Thakkar
• Abstract要約: 遅延フィードバック貯水池計算(DFRC)は、リカレントニューラルネットワーク(RNN)の代わりに注目されている。 本稿では、シリコンフォトニックマイクロリング(MR)ベースの非線形ニューロンを用いた、エネルギー効率の高いチップスケールDFRC加速器を提案する。 提案したMRベースのDFRCアクセラレータは, 従来からよく知られていたフォトニックDFRCアクセラレータと比較して, 35%, 98.7%低正規化根平均平方誤差を達成した。
• 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: To perform temporal and sequential machine learning tasks, the use of conventional Recurrent Neural Networks (RNNs) has been dwindling due to the training complexities of RNNs. To this end, accelerators for delayed feedback reservoir computing (DFRC) have attracted attention in lieu of RNNs, due to their simple hardware implementations. A typical implementation of a DFRC accelerator consists of a delay loop and a single nonlinear neuron, together acting as multiple virtual nodes for computing. In prior work, photonic DFRC accelerators have shown an undisputed advantage of fast computation over their electronic counterparts. In this paper, we propose a more energy-efficient chip-scale DFRC accelerator that employs a silicon photonic microring (MR) based nonlinear neuron along with on-chip photonic waveguides-based delayed feedback loop. Our evaluations show that, compared to a well-known photonic DFRC accelerator from prior work, our proposed MR-based DFRC accelerator achieves 35% and 98.7% lower normalized root mean square error (NRMSE), respectively, for the prediction tasks of NARMA10 and Santa Fe time series. In addition, our MR-based DFRC accelerator achieves 58.8% lower symbol error rate (SER) for the Non-Linear Channel Equalization task. Moreover, our MR-based DFRC accelerator has 98% and 93% faster training time, respectively, compared to an electronic and a photonic DFRC accelerators from prior work.
• Abstract（参考訳）: 時間的およびシーケンシャルな機械学習タスクを実行するため、従来のリカレントニューラルネットワーク(RNN)の使用は、RNNの訓練複雑さのために減少している。 この目的のために, 単純なハードウェア実装のため, RNNの代わりにDFRC(Relay feedback storage computing)のアクセラレータが注目されている。 DFRC加速器の典型的な実装は遅延ループと1つの非線形ニューロンで構成され、計算のための複数の仮想ノードとして機能する。 以前の研究で、フォトニックDFRC加速器は電子的加速器よりも高速な計算の利点を示した。 本稿では、シリコンフォトニックマイクロリング(MR)ベースの非線形ニューロンとオンチップフォトニック導波路に基づく遅延フィードバックループを用いたよりエネルギー効率の良いDFRC加速器を提案する。 我々の評価では,従来からよく知られたDFRC加速器と比較して,NARMA10およびサンタフェ時系列の予測タスクにおいて,MRベースのDFRC加速器は35%と98.7%低い正規化ルート平均二乗誤差(NRMSE)を達成した。 さらに,MRをベースとしたDFRC加速器は,非線形チャネル等化タスクに対して,58.8%低いシンボル誤り率(SER)を達成する。 さらに,このMRベースのDFRC加速器は,電子的およびフォトニックなDFRC加速器と比較して,トレーニング時間を98%,訓練時間を93%高速化した。

関連論文リスト

• Spatial Annealing Smoothing for Efficient Few-shot Neural Rendering [106.0057551634008]
  我々は,Spatial Annealing smoothing regularized NeRF (SANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは現在の数ショットのNeRF法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• EPIM: Efficient Processing-In-Memory Accelerators based on Epitome [78.79382890789607]
  畳み込みのような機能を提供する軽量神経オペレータであるEpitomeを紹介する。 ソフトウェア側では,PIMアクセラレータ上でのエピトームのレイテンシとエネルギを評価する。 ハードウェア効率を向上させるため,PIM対応層設計手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T17:56:39Z)
• Instant-NeRF: Instant On-Device Neural Radiance Field Training via Algorithm-Accelerator Co-Designed Near-Memory Processing [24.3997207834401]
  Instant On-Device Neural Radiance Fields (NeRF)は、没入型AR/VR体験の約束を解き放つための需要が高まっている。 我々のプロファイリング分析は、NeRFトレーニングにおけるメモリバウンドの非効率性を明らかにする。 この非効率に対処するために、ニアメモリ処理(NMP)は効果的なソリューションであると約束する。 Instant-NeRFというNMPフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-09T20:59:14Z)
• MF-NeRF: Memory Efficient NeRF with Mixed-Feature Hash Table [62.164549651134465]
  MF-NeRFは,Mixed-Featureハッシュテーブルを用いてメモリ効率を向上し,再構成品質を維持しながらトレーニング時間を短縮するメモリ効率の高いNeRFフレームワークである。 最新技術であるInstant-NGP、TensoRF、DVGOによる実験は、MF-NeRFが同じGPUハードウェア上で、同様のあるいはそれ以上のリコンストラクション品質で最速のトレーニング時間を達成できることを示唆している。
  論文  参考訳（メタデータ） (2023-04-25T05:44:50Z)
• Embedding Theory of Reservoir Computing and Reducing Reservoir Network Using Time Delays [6.543793376734818]
  貯留層計算(Reservoir Computing, RC)は、複雑な物理系の再構築や予測において、その異常な有効性と高い性能のために爆発的な発展を遂げている。 ここでは、RCがもともと入力された非線形力学系の高次元埋め込みであることを厳密に証明する。 我々は、いくつかの代表的な物理系を再構成し予測するためにRCのネットワークサイズを著しく削減し、より驚くべきことに、時間遅延のある単一ニューロン貯水池のみを用いることで、これらのタスクを達成するのに十分な場合がある。
  論文  参考訳（メタデータ） (2023-03-16T02:25:51Z)
• RecLight: A Recurrent Neural Network Accelerator with Integrated Silicon Photonics [5.188712126001397]
  本稿では、シンプルなRNN、GRU、LSTMを高速化するRecLightと呼ばれる新しいフォトニックハードウェアアクセラレータを提案する。 RecLightは、最先端と比較して、ビット当たり37倍のエネルギと10%のスループットを実現している。
  論文  参考訳（メタデータ） (2022-08-31T19:36:01Z)
• RF-Photonic Deep Learning Processor with Shannon-Limited Data Movement [0.0]
  光ニューラルネットワーク(ONN)は、超低レイテンシとエネルギー消費を持つ有望な加速器である。 我々は、周波数領域のデータを符号化する乗法的アナログ周波数変換ONN(MAFT-ONN)を導入する。 我々は、生のRF信号で完全にアナログのディープラーニングを演算する最初のハードウェアアクセラレータを実験的に実証した。
  論文  参考訳（メタデータ） (2022-07-08T16:37:13Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Sparse Compressed Spiking Neural Network Accelerator for Object Detection [0.1246030133914898]
  スパイキングニューラルネットワーク(SNN)は、人間の脳にインスパイアされ、バイナリスパイクと非常にスパースなアクティベーションマップを送信する。 本稿では, 活性化マップと重みの疎度を生かした, スパース圧縮スパイクニューラルネットワーク加速器を提案する。 ニューラルネットワークの実験結果は、71.5$%$mAPで、ISV 3clsデータセットの混合(1,3)タイムステップを示している。
  論文  参考訳（メタデータ） (2022-05-02T09:56:55Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
  スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。 各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
  論文  参考訳（メタデータ） (2020-01-24T22:58:55Z)

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。