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

• Analysis of Generalized Hebbian Learning Algorithm for Neuromorphic Hardware Using Spinnaker [0.0]
  本稿では,大規模なニューロモルフィックプラットフォーム,特にSpiNNakerにおける一般化ヘビアンアルゴリズム(GHA)の適用例を示す。 本研究は,生物にインスパイアされた学習アルゴリズムの可能性を示すとともに,分類精度の大幅な向上を示すものである。
  論文  参考訳（メタデータ） (2024-11-18T13:53:10Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• The Potential of Combined Learning Strategies to Enhance Energy Efficiency of Spiking Neuromorphic Systems [0.0]
  この原稿は、畳み込みスパイキングニューラルネットワーク(CSNN)のための新しい複合学習アプローチを通じて、脳にインスパイアされた知覚コンピュータマシンの強化に焦点を当てている。 CSNNは、人間の脳にインスパイアされたエネルギー効率の良いスパイクニューロン処理を提供する、バックプロパゲーションのような従来のパワー集約的で複雑な機械学習手法に代わる、有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-08-13T18:40:50Z)
• 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)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• 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)

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。