論文の概要: Brian2Loihi: An emulator for the neuromorphic chip Loihi using the spiking neural network simulator Brian

• arxiv url: http://arxiv.org/abs/2109.12308v1
• Date: Sat, 25 Sep 2021 08:17:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 19:07:26.880324
• Title: Brian2Loihi: An emulator for the neuromorphic chip Loihi using the spiking neural network simulator Brian
• Title（参考訳）: brian2loihi:spiking neural network simulatorを用いたニューロモルフィックチップloihiのエミュレータ
• Authors: Carlo Michaelis, Andrew B. Lehr, Winfried Oed and Christian Tetzlaff
• Abstract要約: この研究は、Loihiの計算ユニットのコヒーレントなプレゼンテーションを提供し、新しい、使いやすいLoihiプロトタイピングパッケージを導入している。 目的は、新しいアルゴリズムの概念化とデプロイの合理化を支援することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing intelligent neuromorphic solutions remains a challenging endeavour. It requires a solid conceptual understanding of the hardware's fundamental building blocks. Beyond this, accessible and user-friendly prototyping is crucial to speed up the design pipeline. We developed an open source Loihi emulator based on the neural network simulator Brian that can easily be incorporated into existing simulation workflows. We demonstrate errorless Loihi emulation in software for a single neuron and for a recurrently connected spiking neural network. On-chip learning is also reviewed and implemented, with reasonable discrepancy due to stochastic rounding. This work provides a coherent presentation of Loihi's computational unit and introduces a new, easy-to-use Loihi prototyping package with the aim to help streamline conceptualisation and deployment of new algorithms.
• Abstract（参考訳）: インテリジェントなニューロモルフィックソリューションの開発は、依然として困難な取り組みである。 ハードウェアの基本構成要素をしっかり概念的に理解する必要がある。 これ以外にも、アクセス可能でユーザフレンドリーなプロトタイピングが設計パイプラインのスピードアップに不可欠です。 我々は,既存のシミュレーションワークフローに容易に組み込むことのできる,ニューラルネットワークシミュレータbrianに基づくオープンソースのloihiエミュレータを開発した。 単一ニューロンと繰り返し接続されたスパイクニューラルネットワークのためのソフトウェアにおいて、エラーのないLoihiエミュレーションを実証する。 オンチップ学習もレビューと実装が行われ、確率的丸めによる合理的な相違がある。 本研究はloihiの計算ユニットのコヒーレントなプレゼンテーションを提供し、新しいアルゴリズムの概念化と展開を合理化することを目的として、新しい使いやすいloihiプロトタイピングパッケージを紹介している。

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)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• SpikiLi: A Spiking Simulation of LiDAR based Real-time Object Detection for Autonomous Driving [0.0]
  Spiking Neural Networksは、電力効率、計算効率、処理遅延を大幅に改善する新しいニューラルネットワーク設計アプローチである。 まず,複雑なディープラーニングタスク,すなわちLidarベースの3Dオブジェクト検出による自動運転への適用性について説明する。
  論文  参考訳（メタデータ） (2022-06-06T20:05:17Z)
• A Robust Learning Rule for Soft-Bounded Memristive Synapses Competitive with Supervised Learning in Standard Spiking Neural Networks [0.0]
  理論神経科学における見解は、脳を機能計算装置と見なしている。 関数を近似できることは、将来の脳研究のための基礎となる公理である。 本研究では,非自明な多次元関数の学習に,ニオブをドープしたチタン酸ストロンチウムの旋律的シナプスを制御した新しい教師付き学習アルゴリズムを適用する。
  論文  参考訳（メタデータ） (2022-04-12T10:21:22Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• 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)
• Neuromorphic control for optic-flow-based landings of MAVs using the Loihi processor [3.3861246056563616]
  空飛ぶロボットにLoihiニューロモルフィックチップのプロトタイプを組み込んだ完全な応用を初めて提示する。 スパイキングニューラルネットワーク(SNN)は、腹側視床の分散に基づいてスラスト指令を計算し、自律着陸を行う。 分析の結果、スラストセットポイントのルート平均2乗誤差が0.005gまで低くなり、隠れ層のスパイクシーケンスの99.8%が一致し、出力層の99.7%が一致することがわかった。
  論文  参考訳（メタデータ） (2020-11-01T15:25:04Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Exposing Hardware Building Blocks to Machine Learning Frameworks [4.56877715768796]
  我々は、そのようなニューロンをユニークな関数として補完するトポロジーを設計する方法に焦点をあてる。 我々は、カスタムの空間性と量子化によるニューラルネットワークのトレーニングを支援するライブラリを開発する。
  論文  参考訳（メタデータ） (2020-04-10T14:26:00Z)

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。