論文の概要: Neuromorphic scaling advantages for energy-efficient random walk computation

• arxiv url: http://arxiv.org/abs/2107.13057v1
• Date: Tue, 27 Jul 2021 19:44:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 19:12:14.739202
• Title: Neuromorphic scaling advantages for energy-efficient random walk computation
• Title（参考訳）: エネルギー効率のランダムウォーク計算におけるニューロモルフィックスケーリングの利点
• Authors: J. Darby Smith, Aaron J. Hill, Leah E. Reeder, Brian C. Franke, Richard B. Lehoucq, Ojas Parekh, William Severa, James B. Aimone
• Abstract要約: ニューロモルフィックコンピューティングは、人間のハードウェアで脳の計算構造とアーキテクチャを再現することを目的としている。 スパイキングニューロモルフィックアーキテクチャの高次並列性と構成性は、離散時間チェーンを介してランダムウォークを実装するのに適していることを示す。 NMCプラットフォームは十分な規模で,高性能コンピューティングプラットフォームのエネルギー需要を大幅に削減できることがわかった。
• 参考スコア（独自算出の注目度）: 0.28144129864580447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computing stands to be radically improved by neuromorphic computing (NMC) approaches inspired by the brain's incredible efficiency and capabilities. Most NMC research, which aims to replicate the brain's computational structure and architecture in man-made hardware, has focused on artificial intelligence; however, less explored is whether this brain-inspired hardware can provide value beyond cognitive tasks. We demonstrate that high-degree parallelism and configurability of spiking neuromorphic architectures makes them well-suited to implement random walks via discrete time Markov chains. Such random walks are useful in Monte Carlo methods, which represent a fundamental computational tool for solving a wide range of numerical computing tasks. Additionally, we show how the mathematical basis for a probabilistic solution involving a class of stochastic differential equations can leverage those simulations to provide solutions for a range of broadly applicable computational tasks. Despite being in an early development stage, we find that NMC platforms, at a sufficient scale, can drastically reduce the energy demands of high-performance computing (HPC) platforms.
• Abstract（参考訳）: コンピュータは脳の驚くほどの効率と能力にインスパイアされたニューロモルフィックコンピューティング(NMC)アプローチによって根本的に改善されている。 人工ハードウェアで脳の計算構造とアーキテクチャを再現することを目的としたほとんどのNMC研究は、人工知能に重点を置いているが、この脳にインスパイアされたハードウェアが認知タスクを超えて価値を提供できるかどうかについては、あまり研究されていない。 高次並列性とスパイキングニューロモルフィックアーキテクチャの構成性は,離散時間マルコフ連鎖によるランダムウォークの実装に適していることを実証する。 このようなランダムウォークはモンテカルロ法において有用であり、これは幅広い数値計算タスクを解決する基本的な計算ツールである。 さらに,確率微分方程式のクラスを含む確率的解の数学的基礎が,それらのシミュレーションを活用し,幅広い適用可能な計算タスクの解を提供する方法を示す。 初期の開発段階であるにもかかわらず、NTCプラットフォームは十分な規模で、ハイパフォーマンスコンピューティング(HPC)プラットフォームのエネルギー需要を大幅に減らすことができる。

関連論文リスト

• Solving Boltzmann Optimization Problems with Deep Learning [0.21485350418225244]
  Isingモデルは、高エネルギー効率計算のための将来のフレームワークとして、特に有望であることを示している。 イジングシステムは、計算のエネルギー消費に対する熱力学的限界に近づくエネルギーで操作することができる。 Isingベースのハードウェアを作成する際の課題は、基本的な非決定論的ハードウェア上で正しい結果を生成する有用な回路を最適化することである。
  論文  参考訳（メタデータ） (2024-01-30T19:52:02Z)
• 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)
• Machine Learning Quantum Systems with Magnetic p-bits [0.0]
  ムーアの法則の減速は、人工知能(AI)アルゴリズムの計算ワークロードが急上昇し続けるにつれ、危機に繋がった。 スケーラブルでエネルギー効率のよいハードウェアは、AIアルゴリズムやアプリケーションのユニークな要件に合わせて緊急に必要である。 pビットによる確率計算は、スケーラブルでドメイン固有でエネルギー効率の良い計算パラダイムとして登場した。
  論文  参考訳（メタデータ） (2023-10-10T14:54:57Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Stochastic Neuromorphic Circuits for Solving MAXCUT [0.6067748036747219]
  グラフの最大カット(MAXCUT)を見つけることは、並列アルゴリズム開発を動機づけた古典的な最適化問題である。 ニューロモルフィックコンピューティングは、ニューラルシステムの組織原理を使って、新しい並列コンピューティングアーキテクチャを刺激する。
  論文  参考訳（メタデータ） (2022-10-05T22:37:36Z)
• 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)
• Efficient semidefinite-programming-based inference for binary and multi-class MRFs [83.09715052229782]
  分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。 一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
  論文  参考訳（メタデータ） (2020-12-04T15:36:29Z)
• Solving a steady-state PDE using spiking networks and neuromorphic hardware [0.2698200916728782]
  並列およびイベント駆動構造を利用してランダムウォーク法を用いて定常熱方程式を解く。 我々はこのアルゴリズムをニューロモルフィックシステムの潜在的スケーラブルなベンチマークとして位置付ける。
  論文  参考訳（メタデータ） (2020-05-21T21:06:19Z)
• 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。