論文の概要: NeuroXplorer 1.0: An Extensible Framework for Architectural Exploration
with Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2105.01795v1
- Date: Tue, 4 May 2021 23:31:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-01 15:16:41.393925
- Title: NeuroXplorer 1.0: An Extensible Framework for Architectural Exploration
with Spiking Neural Networks
- Title（参考訳）: NeuroXplorer 1.0: スパイクニューラルネットワークによるアーキテクチャ探索のための拡張可能なフレームワーク
- Authors: Adarsha Balaji and Shihao Song and Twisha Titirsha and Anup Das and
Jeffrey Krichmar and Nikil Dutt and James Shackleford and Nagarajan Kandasamy
and Francky Catthoor
- Abstract要約: 本稿では、ニューロモルフィックアーキテクチャをモデル化するための一般化テンプレートに基づくフレームワークであるNeuroXplorerを提案する。
NeuroXplorerは、低レベルのサイクル精度アーキテクチャシミュレーションと、データフローの抽象化による高レベルの解析の両方を実行することができる。
我々は,多くの最先端機械学習モデルを用いたケーススタディを通じて,NeuroXplorerのアーキテクチャ探索能力を実証する。
- 参考スコア（独自算出の注目度）: 3.9121275263540087
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, both industry and academia have proposed many different
neuromorphic architectures to execute applications that are designed with
Spiking Neural Network (SNN). Consequently, there is a growing need for an
extensible simulation framework that can perform architectural explorations
with SNNs, including both platform-based design of today's hardware, and
hardware-software co-design and design-technology co-optimization of the
future. We present NeuroXplorer, a fast and extensible framework that is based
on a generalized template for modeling a neuromorphic architecture that can be
infused with the specific details of a given hardware and/or technology.
NeuroXplorer can perform both low-level cycle-accurate architectural
simulations and high-level analysis with data-flow abstractions. NeuroXplorer's
optimization engine can incorporate hardware-oriented metrics such as energy,
throughput, and latency, as well as SNN-oriented metrics such as inter-spike
interval distortion and spike disorder, which directly impact SNN performance.
We demonstrate the architectural exploration capabilities of NeuroXplorer
through case studies with many state-of-the-art machine learning models.
- Abstract（参考訳）: 近年、業界とアカデミアはスパイキングニューラルネットワーク(snn)で設計されたアプリケーションを実行するために、様々なニューロモルフィックアーキテクチャを提案している。
その結果、今日のハードウェアのプラットフォームベースの設計や、未来のハードウェアとソフトウェアの共同設計と設計と技術の共同最適化の両方を含む、SNNでアーキテクチャを探求できる拡張可能なシミュレーションフレームワークの必要性が高まっている。
我々はneuroxplorerを提案する。neuroxplorerは高速で拡張可能なフレームワークで、特定のハードウェアおよび/または技術の詳細と融合できるニューロモルフィックアーキテクチャをモデリングするための汎用的なテンプレートに基づいている。
NeuroXplorerは、低レベルのサイクル精度アーキテクチャシミュレーションと、データフローの抽象化による高レベルの解析の両方を実行することができる。
NeuroXplorerの最適化エンジンは、エネルギ、スループット、レイテンシといったハードウェア指向のメトリクスと、スパイク間隔歪みやスパイク障害といったSNN指向のメトリクスを組み込むことができる。
本稿では,最先端機械学習モデルを用いたケーススタディを通じて,neuroxplorerのアーキテクチャ探索能力を示す。
関連論文リスト
- A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。
その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文 参考訳（メタデータ） (2024-09-23T11:16:46Z) - GPU-RANC: A CUDA Accelerated Simulation Framework for Neuromorphic Architectures [1.3401966602181168]
ニューロモーフィックコンピューティングのための再構成可能なアーキテクチャ(RANC)のGPUによる実装について紹介する。
512個のニューロモルフィックコアMNIST推論アプリケーションに基づくRANCシミュレータのシリアルバージョンと比較して,最大780倍の高速化を示した。
論文 参考訳（メタデータ） (2024-04-24T21:08:21Z) - Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。
本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。
我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
論文 参考訳（メタデータ） (2024-03-26T16:33:12Z) - Neural Architecture Codesign for Fast Bragg Peak Analysis [1.7081438846690533]
我々は,高速かつリアルタイムなブラッグピーク解析のためのニューラルネットワーク符号の合理化のための自動パイプラインを開発した。
我々の手法では、ハードウェアコストを含むこれらのモデルを強化するために、ニューラルアーキテクチャ検索とAutoMLを使用し、よりハードウェア効率の良いニューラルアーキテクチャの発見に繋がる。
論文 参考訳（メタデータ） (2023-12-10T19:42:18Z) - 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) - Frameworks for SNNs: a Review of Data Science-oriented Software and an
Expansion of SpykeTorch [0.3425341633647624]
Spiking Neural Networks(SNN)は、特にデータサイエンスアプリケーションに向いている。
この研究は、データサイエンスアプリケーションに特化したスパイキングニューラルネットワーク(SNN)の開発のための9つのフレームワークをレビューする。
論文 参考訳（メタデータ） (2023-02-15T12:35:53Z) - SPAIC: A Spike-based Artificial Intelligence Computing Framework [22.133585707508963]
本稿では,Python ベースのスパイキングニューラルネットワーク (SNN) シミュレーションおよびトレーニングフレームワーク SPAIC を提案する。
ディープラーニングと神経科学の両方の機能と統合された、脳にインスパイアされたモデルとアルゴリズムの研究をサポートすることを目指している。
ニューラルサーキット、深層SNN学習、ニューロモルフィック応用など、さまざまな例を挙げる。
論文 参考訳（メタデータ） (2022-07-26T08:57:42Z) - CogNGen: Constructing the Kernel of a Hyperdimensional Predictive
Processing Cognitive Architecture [79.07468367923619]
神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。
我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
論文 参考訳（メタデータ） (2022-03-31T04:44:28Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳（メタデータ） (2021-06-24T01:40:17Z) - STONNE: A Detailed Architectural Simulator for Flexible Neural Network
Accelerators [5.326345912766044]
STONNEはサイクル精度が高く、高度にモジュール化され、高度に拡張可能なシミュレーションフレームワークである。
一般に公開されているBSV符号化MAERIの実装の性能結果にどのように近づくかを示す。
論文 参考訳（メタデータ） (2020-06-10T19:20:52Z) - A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。
アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文 参考訳（メタデータ） (2020-05-14T09:02:33Z)
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。