論文の概要: On the Role of System Software in Energy Management of Neuromorphic
Computing
- arxiv url: http://arxiv.org/abs/2103.12231v1
- Date: Mon, 22 Mar 2021 23:31:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 04:17:52.720143
- Title: On the Role of System Software in Energy Management of Neuromorphic
Computing
- Title(参考訳): ニューロモルフィックコンピューティングのエネルギー管理におけるシステムソフトウェアの役割について
- Authors: Twisha Titirsha, Shihao Song, Adarsha Balaji, Anup Das
- Abstract要約: 我々は、ニューロンとシナプスが消費するエネルギーと、相互接続上の通信スパイクで消費されるエネルギーを考慮し、ニューロモルフィックハードウェアのエネルギー消費を定式化する。
次に、ニューロンとシナプスを計算資源に配置し、エネルギー消費量を減らすための単純なマッピング手法を定式化する。
10個の機械学習アプリケーションを用いて本手法を評価し,提案手法がニューロモルフィックコンピューティングシステムのエネルギー消費を著しく減少させることを示す。
- 参考スコア(独自算出の注目度): 0.22940141855172028
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neuromorphic computing systems such as DYNAPs and Loihi have recently been
introduced to the computing community to improve performance and energy
efficiency of machine learning programs, especially those that are implemented
using Spiking Neural Network (SNN). The role of a system software for
neuromorphic systems is to cluster a large machine learning model (e.g., with
many neurons and synapses) and map these clusters to the computing resources of
the hardware. In this work, we formulate the energy consumption of a
neuromorphic hardware, considering the power consumed by neurons and synapses,
and the energy consumed in communicating spikes on the interconnect. Based on
such formulation, we first evaluate the role of a system software in managing
the energy consumption of neuromorphic systems. Next, we formulate a simple
heuristic-based mapping approach to place the neurons and synapses onto the
computing resources to reduce energy consumption. We evaluate our approach with
10 machine learning applications and demonstrate that the proposed mapping
approach leads to a significant reduction of energy consumption of neuromorphic
computing systems.
- Abstract(参考訳): DYNAPやLoihiといったニューロモルフィックコンピューティングシステムは、最近、機械学習プログラム、特にスパイキングニューラルネットワーク(SNN)を用いて実装されたプログラムの性能とエネルギー効率を改善するために、コンピューティングコミュニティに導入されている。
ニューロモルフィックシステムのためのシステムソフトウェアの役割は、大規模な機械学習モデル(例えば多くのニューロンやシナプス)をクラスタ化し、これらのクラスタをハードウェアのコンピューティングリソースにマッピングすることである。
本研究では,ニューロンとシナプスが消費するエネルギーと,相互接続のスパイクの伝達に消費されるエネルギーを考慮し,ニューロモルフィックハードウェアのエネルギー消費量を定式化する。
このような定式化に基づき,神経形態素系のエネルギー消費管理におけるシステムソフトウェアの役割をまず評価する。
次に、ニューロンとシナプスを計算資源に配置し、エネルギー消費を減らすための単純なヒューリスティックなマッピング手法を定式化する。
10個の機械学習アプリケーションを用いて本手法を評価し,提案手法がニューロモルフィックコンピューティングシステムのエネルギー消費を著しく減少させることを示す。
関連論文リスト
- Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳(メタデータ) (2024-02-26T15:01:54Z) - 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) - 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) - Spike-based Neuromorphic Computing for Next-Generation Computer Vision [1.2367795537503197]
ニューロモルフィック・コンピューティングは、従来のフォン・ノイマン・コンピューティング・パラダイムと比較してエネルギー効率の桁違いの改善を約束する。
目標は、適応的でフォールトトレラント、低フットプリント、高速、低エネルギーの知能システムを開発することであり、脳の機能を学び、エミュレートすることである。
論文 参考訳(メタデータ) (2023-10-15T01:05:35Z) - 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) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳(メタデータ) (2021-09-22T16:52:51Z) - On the Self-Repair Role of Astrocytes in STDP Enabled Unsupervised SNNs [1.0009912692042526]
この研究は、ニューロンとシナプスの計算モデルに対する現在のニューロモルフィックコンピューティングアーキテクチャの焦点を越えている。
スパイクタイミング依存塑性(STDP)を用いた教師なし学習によるスパイクニューラルネットワークの耐故障能におけるグリア細胞の役割について検討する。
MNISTデータセットとFashion-MNISTデータセットで提案した提案を,50%から90%までのさまざまな障害度を持つネットワークで実現可能な自己修復の程度を特徴付ける。
論文 参考訳(メタデータ) (2020-09-08T01:14:53Z) - Neuromorphic Computing for Content-based Image Retrieval [0.0]
画像検索のコンピュータビジョンタスクにおいて,Intelが開発したニューロモルフィックコンピューティングチップであるLoihiの応用について検討する。
この結果は,ARM Cortex-A72 CPUと比較してニューロモルフィックソリューションのエネルギー効率は2.5倍,軽量畳み込みニューラルネットワークの12.5倍であった。
論文 参考訳(メタデータ) (2020-08-04T07:34:07Z) - 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) - Resource-Efficient Neural Networks for Embedded Systems [33.378784455191756]
私たちは、過去10年で主要な機械学習モデルであるディープニューラルネットワーク(DNN)に注目しています。
i) 量子化されたニューラルネットワーク, (ii) ネットワークプルーニング, (iii) 構造効率の3つの非相互排他的なカテゴリに分けることができる。
資源制約された組込みシステムに対する圧縮技術(量子化, プルーニング)を用いて、よく知られたベンチマークデータセットの実験により、我々の議論を裏付ける。
論文 参考訳(メタデータ) (2020-01-07T14:17:09Z)
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。