論文の概要: Bottom-Up and Top-Down Neural Processing Systems Design: Neuromorphic
Intelligence as the Convergence of Natural and Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2106.01288v1
- Date: Wed, 2 Jun 2021 16:51:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-03 14:22:11.523149
- Title: Bottom-Up and Top-Down Neural Processing Systems Design: Neuromorphic
Intelligence as the Convergence of Natural and Artificial Intelligence
- Title（参考訳）: ボトムアップとトップダウンニューラルプロセッシングシステムの設計:自然と人工知能の収束としてのニューロモーフィックインテリジェンス
- Authors: Charlotte Frenkel, David Bol, Giacomo Indiveri
- Abstract要約: ムーアの法則は指数計算能力の期待を加速させており、システム全体の性能を改善するための新たな方法を求める最終段階に近づいている。
これらの方法の1つは、生体神経処理システムの柔軟性と計算効率を達成することを約束する、脳にインスパイアされた新しい代替コンピューティングアーキテクチャの探索である。
ニューロモルフィックインテリジェンス(Neuromorphic Intelligence)は、スパイクニューラルネットワークアーキテクチャの実装に基づく、コンピューティングのパラダイムシフトである。
- 参考スコア（独自算出の注目度）: 3.8612244037324794
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Moore's law has driven exponential computing power expectations, its
nearing end calls for new avenues for improving the overall system performance.
One of these avenues is the exploration of new alternative brain-inspired
computing architectures that promise to achieve the flexibility and
computational efficiency of biological neural processing systems. Within this
context, neuromorphic intelligence represents a paradigm shift in computing
based on the implementation of spiking neural network architectures tightly
co-locating processing and memory. In this paper, we provide a comprehensive
overview of the field, highlighting the different levels of granularity present
in existing silicon implementations, comparing approaches that aim at
replicating natural intelligence (bottom-up) versus those that aim at solving
practical artificial intelligence applications (top-down), and assessing the
benefits of the different circuit design styles used to achieve these goals.
First, we present the analog, mixed-signal and digital circuit design styles,
identifying the boundary between processing and memory through time
multiplexing, in-memory computation and novel devices. Next, we highlight the
key tradeoffs for each of the bottom-up and top-down approaches, survey their
silicon implementations, and carry out detailed comparative analyses to extract
design guidelines. Finally, we identify both necessary synergies and missing
elements required to achieve a competitive advantage for neuromorphic edge
computing over conventional machine-learning accelerators, and outline the key
elements for a framework toward neuromorphic intelligence.
- Abstract（参考訳）: ムーアの法則は指数関数計算能力の期待を駆り立ててきたが、システム全体のパフォーマンスを改善するための新しい方法が求められている。
これらの方法の1つは、生物学的ニューラルプロセッシングシステムの柔軟性と計算効率を達成することを約束する、脳にインスパイアされた新しいコンピューティングアーキテクチャの探求である。
この文脈では、ニューロモーフィックインテリジェンスは、処理とメモリを密に配置するスパイクニューラルネットワークアーキテクチャの実装に基づく、コンピューティングのパラダイムシフトを表している。
本稿では,既存のシリコン実装におけるさまざまな粒度レベルを概観し,自然知能(ボットアップ)の再現を目的としたアプローチと,実用的な人工知能アプリケーション(トップダウン)の解決を目的としたアプローチを比較し,これらの目標を達成するために使用される回路設計スタイルの利点を評価する。
まず、時間多重化、インメモリ計算、新しいデバイスによる処理とメモリの境界を識別するアナログ、混合信号、デジタル回路設計方式を提案する。
次に、ボトムアップとトップダウンの各アプローチの主なトレードオフを強調し、シリコン実装を調査し、設計ガイドラインを抽出するために詳細な比較分析を行う。
最後に,従来の機械学習アクセラレータと比較して,ニューロモルフィックエッジコンピューティングの競争上の優位性を達成するために必要なシナジーと欠落要素の両方を特定し,ニューロモルフィックインテリジェンスに向けたフレームワークの鍵となる要素を概説する。
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) - 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) - 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) - 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) - NeuroBench: A Framework for Benchmarking Neuromorphic Computing Algorithms and Systems [50.101188703826686]
ニューロベンチ(NeuroBench)はニューロモルフィックコンピューティングアルゴリズムとシステムのためのベンチマークフレームワークである。
NeuroBenchは、業界や学界にまたがる研究者のオープンなコミュニティによる共同開発である。
論文 参考訳（メタデータ） (2023-04-10T15:12:09Z) - 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) - Integration of Neuromorphic AI in Event-Driven Distributed Digitized
Systems: Concepts and Research Directions [0.2746383075956081]
本稿では,統合課題を提起する特徴に着目し,ニューロモルフィックコンピューティングの現状について述べる。
本稿では,ニューロモルフィックシステム統合のためのマイクロサービスベースのフレームワークを提案する。
また,この枠組みの実現の基盤となる概念も提示する。
論文 参考訳（メタデータ） (2022-10-20T12:09:29Z) - A deep learning theory for neural networks grounded in physics [2.132096006921048]
ニューロモルフィックアーキテクチャ上で大規模で高速で効率的なニューラルネットワークを構築するには、それらを実装および訓練するためのアルゴリズムを再考する必要がある。
私たちのフレームワークは、非常に幅広いモデル、すなわち状態やダイナミクスが変動方程式によって記述されるシステムに適用されます。
論文 参考訳（メタデータ） (2021-03-18T02:12:48Z) - Ultra-Low-Power FDSOI Neural Circuits for Extreme-Edge Neuromorphic
Intelligence [2.6199663901387997]
インメモリコンピューティング 混合信号ニューロモルフィックアーキテクチャはエッジコンピューティングのセンサ処理への応用に期待できる超低消費電力のソリューションを提供する。
本稿では、FDSOI(Fully-Depleted Silicon on Insulator)統合プロセスの特徴を利用する混合信号アナログ/デジタル回路を提案する。
論文 参考訳（メタデータ） (2020-06-25T09:31:29Z) - 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) - Structural plasticity on an accelerated analog neuromorphic hardware
system [0.46180371154032884]
我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。
我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。
ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
論文 参考訳（メタデータ） (2019-12-27T10:15:58Z)
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。