論文の概要: Efficient Neuromorphic Signal Processing with Loihi 2

• arxiv url: http://arxiv.org/abs/2111.03746v1
• Date: Fri, 5 Nov 2021 22:37:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 02:06:12.814417
• Title: Efficient Neuromorphic Signal Processing with Loihi 2
• Title（参考訳）: Loihi 2による神経形信号処理の効率化
• Authors: Garrick Orchard, E. Paxon Frady, Daniel Ben Dayan Rubin, Sophia Sanborn, Sumit Bam Shrestha, Friedrich T. Sommer, and Mike Davies
• Abstract要約: 本稿では, 短時間フーリエ変換(STFT)を従来のSTFTの47倍の出力帯域幅で計算する方法を示す。 また、音声分類タスクのためのRFニューロンのトレーニングのためのバックプロパゲーションを用いた有望な予備結果を示す。
• 参考スコア（独自算出の注目度）: 6.32784133039548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The biologically inspired spiking neurons used in neuromorphic computing are nonlinear filters with dynamic state variables -- very different from the stateless neuron models used in deep learning. The next version of Intel's neuromorphic research processor, Loihi 2, supports a wide range of stateful spiking neuron models with fully programmable dynamics. Here we showcase advanced spiking neuron models that can be used to efficiently process streaming data in simulation experiments on emulated Loihi 2 hardware. In one example, Resonate-and-Fire (RF) neurons are used to compute the Short Time Fourier Transform (STFT) with similar computational complexity but 47x less output bandwidth than the conventional STFT. In another example, we describe an algorithm for optical flow estimation using spatiotemporal RF neurons that requires over 90x fewer operations than a conventional DNN-based solution. We also demonstrate promising preliminary results using backpropagation to train RF neurons for audio classification tasks. Finally, we show that a cascade of Hopf resonators - a variant of the RF neuron - replicates novel properties of the cochlea and motivates an efficient spike-based spectrogram encoder.
• Abstract（参考訳）: 生物学的にインスパイアされたスパイクニューロンは、動的状態変数を持つ非線形フィルタであり、ディープラーニングで使用されるステートレスニューロンモデルとは大きく異なる。 Intelのニューロモルフィック研究プロセッサであるLoihi 2の次期バージョンは、完全にプログラム可能なダイナミクスを備えた幅広いステートフルスパイクニューロンモデルをサポートしている。 ここでは,Loihi 2ハードウェアを模擬したシミュレーション実験において,ストリーミングデータを効率的に処理できる高度なスパイクニューロンモデルを紹介する。 ある例では、Resonate-and-Fire(RF)ニューロンは、従来のSTFTの47倍の出力帯域幅を持つ短い時間フーリエ変換(STFT)の計算に使用される。 別の例では、従来のDNN法に比べて90倍以上の演算を必要とする時空間RFニューロンを用いた光フロー推定アルゴリズムについて述べる。 また,音声分類タスクのためのrfニューロンの訓練にバックプロパゲーションを用いた有望な予備結果を示す。 最後に、RFニューロンの変種であるホップ共振器のカスケードがコクランの新規な性質を再現し、効率的なスパイクベースのスペクトログラムエンコーダを動機付けていることを示す。

関連論文リスト

• Addressing the speed-accuracy simulation trade-off for adaptive spiking neurons [0.0]
  本稿では,適応統合火災モデル(ALIF)をアルゴリズム的に再解釈する。 合成ベンチマークで小さなDTを用いて50ドル以上のトレーニングスピードアップを得る。 また、我々のモデルが皮質ニューロンの電気生理学的記録を迅速かつ正確に適合させる方法についても紹介する。
  論文  参考訳（メタデータ） (2023-11-19T18:21:45Z)
• WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
  ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。 本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。 WaLiN-GUIはオープンソースとドキュメントが提供されている。
  論文  参考訳（メタデータ） (2023-10-25T20:34:08Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• An accurate and flexible analog emulation of AdEx neuron dynamics in silicon [0.0]
  混合信号加速型ニューロモルフィック系BrainScaleS-2のアナログニューロン回路を提示する。 適応指数積分・燃焼モデル方程式を、電流と導電率に基づくシナプスの両方と組み合わせて柔軟かつ正確にエミュレートすることができる。
  論文  参考訳（メタデータ） (2022-09-19T18:08:23Z)
• 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)
• Spatiotemporal Spike-Pattern Selectivity in Single Mixed-Signal Neurons with Balanced Synapses [0.27998963147546135]
  混合信号ニューロモルフィックプロセッサは推論と学習に使用できる。 ネットワーク層の実装に不均一なシナプス回路をいかに利用できるかを示す。
  論文  参考訳（メタデータ） (2021-06-10T12:04:03Z)
• Neuromorphic Algorithm-hardware Codesign for Temporal Pattern Learning [11.781094547718595]
  複雑な空間時間パターンを学習するためにSNNを訓練できるLeaky IntegrateとFireニューロンの効率的なトレーニングアルゴリズムを導出する。 我々は,ニューロンとシナプスのメムリスタに基づくネットワークのためのCMOS回路実装を開発した。
  論文  参考訳（メタデータ） (2021-04-21T18:23:31Z)
• Flexible Transmitter Network [84.90891046882213]
  現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。 本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。 本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
  論文  参考訳（メタデータ） (2020-04-08T06:55:12Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。