論文の概要: Neuromorphic Computing is Turing-Complete
- arxiv url: http://arxiv.org/abs/2104.13983v1
- Date: Wed, 28 Apr 2021 19:25:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-30 12:52:13.237211
- Title: Neuromorphic Computing is Turing-Complete
- Title（参考訳）: ニューロモルフィックコンピューティングはチューリング完全
- Authors: Prasanna Date, Catherine Schuman, Bill Kay, Thomas Potok
- Abstract要約: ニューロモルフィックコンピューティング(Neuromorphic Computing)は、人間の脳をエミュレートして計算を行う非ヴォンノイマン計算パラダイムである。
ニューロモルフィックシステムはエネルギー効率が非常に高く、cpuやgpuの数千倍の消費電力で知られている。
我々は、すべてのmu再帰関数とすべてのmu再帰演算子を計算するためのニューロモルフィック回路を考案する。
- 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: Neuromorphic computing is a non-von Neumann computing paradigm that performs
computation by emulating the human brain. Neuromorphic systems are extremely
energy-efficient and known to consume thousands of times less power than CPUs
and GPUs. They have the potential to drive critical use cases such as
autonomous vehicles, edge computing and internet of things in the future. For
this reason, they are sought to be an indispensable part of the future
computing landscape. Neuromorphic systems are mainly used for spike-based
machine learning applications, although there are some non-machine learning
applications in graph theory, differential equations, and spike-based
simulations. These applications suggest that neuromorphic computing might be
capable of general-purpose computing. However, general-purpose computability of
neuromorphic computing has not been established yet. In this work, we prove
that neuromorphic computing is Turing-complete and therefore capable of
general-purpose computing. Specifically, we present a model of neuromorphic
computing, with just two neuron parameters (threshold and leak), and two
synaptic parameters (weight and delay). We devise neuromorphic circuits for
computing all the {\mu}-recursive functions (i.e., constant, successor and
projection functions) and all the {\mu}-recursive operators (i.e., composition,
primitive recursion and minimization operators). Given that the {\mu}-recursive
functions and operators are precisely the ones that can be computed using a
Turing machine, this work establishes the Turing-completeness of neuromorphic
computing.
- Abstract（参考訳）: ニューロモルフィックコンピューティング(Neuromorphic computing)は、人間の脳をエミュレートして計算を行うニューマン計算パラダイムである。
ニューロモルフィックシステムはエネルギー効率が非常に高く、cpuやgpuの数千倍の消費電力で知られている。
彼らは将来、自動運転車、エッジコンピューティング、物のインターネットといった重要なユースケースを駆動する可能性がある。
このため、これらは将来のコンピューティングの展望に欠かせない部分となることが求められている。
ニューロモルフィックシステムは、主にスパイクベースの機械学習アプリケーションに使用されるが、グラフ理論、微分方程式、スパイクベースのシミュレーションには非機械的な応用がある。
これらの応用は、ニューロモルフィックコンピューティングが汎用コンピューティングを実現できる可能性を示唆している。
しかし、ニューロモルフィックコンピューティングの汎用計算性はまだ確立されていない。
本研究では,ニューロモルフィックコンピューティングがチューリング完全であり,汎用コンピューティングが可能であることを証明する。
具体的には,2つのニューロンパラメータ(閾値とリーク)と2つのシナプスパラメータ(重みと遅延)からなるニューロモルフィックコンピューティングのモデルを提案する。
我々は、すべての {\mu}-再帰関数(定数、後続関数および射影関数)とすべての {\mu}-再帰作用素(合成、原始再帰および最小化演算子)を計算するためのニューロモルフィック回路を考案する。
mu {\displaystyle {\mu}-再帰関数と演算子がチューリングマシンを使って正確に計算できる関数であることを考えると、この研究はニューロモルフィックコンピューティングのチューリング完全性を確立する。
関連論文リスト
- Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳（メタデータ） (2024-02-19T09:29:37Z) - Concepts and Paradigms for Neuromorphic Programming [0.0]
現在、ニューロモルフィックコンピュータは、主にディープラーニングに適応した機械学習手法に限られている。
ニューロモルフィックコンピュータは、計算特性をフルパワーに活用するだけでは、ディープラーニングをはるかに超える可能性を持っている。
論文 参考訳（メタデータ） (2023-10-27T16:48:11Z) - A Neural Lambda Calculus: Neurosymbolic AI meets the foundations of
computing and functional programming [0.0]
我々は、プログラム全体の実行方法を学ぶニューラルネットワークの能力を分析する。
統合型ニューラルラーニングと電卓形式化の導入について紹介する。
論文 参考訳（メタデータ） (2023-04-18T20:30:16Z) - Encoding Integers and Rationals on Neuromorphic Computers using Virtual
Neuron [0.0]
仮想ニューロンを整数と有理数の符号化機構として提示する。
本研究では,23nJのエネルギーを混合信号メムリスタベースニューロモルフィックプロセッサを用いて平均的に加算操作を行うことができることを示す。
論文 参考訳（メタデータ） (2022-08-15T23:18:26Z) - 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) - Neurocompositional computing: From the Central Paradox of Cognition to a
new generation of AI systems [120.297940190903]
AIの最近の進歩は、限られた形態のニューロコンフォメーションコンピューティングの使用によってもたらされている。
ニューロコンポジションコンピューティングの新しい形式は、より堅牢で正確で理解しやすいAIシステムを生み出します。
論文 参考訳（メタデータ） (2022-05-02T18:00:10Z) - 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) - 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) - A provably stable neural network Turing Machine [13.615420026818038]
我々は、スタックプッシュとポップ操作を近似する微分可能なパラメタライズドスタック演算子を含む、ニューラルスタックアーキテクチャを導入する。
ニューラルスタックとリカレントニューラルネットワークを用いて、ニューラルネットワークPushdown Automaton(nnPDA)を導入し、有限有界ニューロンと時間を持つnnPDAが任意のPDAをシミュレートできることを証明する。
我々は,有界ニューロンを用いた微分可能な nnTM がチューリングマシン(TM)をリアルタイムにシミュレートできることを証明した。
論文 参考訳（メタデータ） (2020-06-05T19:45:49Z) - Reservoir memory machines [79.79659145328856]
本稿では,ニューラルチューリングマシンのベンチマークテストのいくつかを解くことができる貯水池メモリマシンを提案する。
我々のモデルは、外部メモリによるエコー状態ネットワークの拡張と見なすことができ、干渉することなく任意の長さの記憶が可能となる。
論文 参考訳（メタデータ） (2020-02-12T01:45:00Z) - On the computational power and complexity of Spiking Neural Networks [0.0]
本研究では, スパイクニューラルネットワークを機械モデルとして導入し, 親しみやすいチューリングマシンとは対照的に, 情報と操作を機械内に共同配置する。
正規問題を導入し、複雑性クラスの階層を定義し、いくつかの最初の完全性結果を提供する。
論文 参考訳（メタデータ） (2020-01-23T10:40:16Z)
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。