論文の概要: TMS-Crossbars with Tactile Sensing
- arxiv url: http://arxiv.org/abs/2111.07280v1
- Date: Sun, 14 Nov 2021 08:48:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 04:13:45.728555
- Title: TMS-Crossbars with Tactile Sensing
- Title（参考訳）: 触覚センサ付きTMSクロスバー
- Authors: R. Chithra, A.R. Aswani, A.P. James
- Abstract要約: 本稿では,トランスストラクタ・メムリスタ・センサ(TMS)クロスバーの概念を,センサからメムリスタ・クロスバー・アレイの構成を含むことによって提案する。
アナログニューラルネットワークを用いた点字認識システムの実用設計において提案したTMSクロスバーを検証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The first stage of tactile sensing is data acquisition using tactile sensors
and the sensed data is transmitted to the central unit for neuromorphic
computing. The memristive crossbars were proposed to use as synapses in
neuromorphic computing but device intelligence at the sensor level are not
investigated in literature. We propose the concept of Transistor Memristor
Sensor (TMS)-crossbar by including sensor to memristor crossbar array
configuration in the input layer of the neural network architecture. 2 possible
cell configurations of TMS crossbar arrays: 1 Transistor 1 Memristor 1 Sensor
(1T1M1S) and 2 Transistor 1 Memristor 1 Sensor (2T1M1S) are presented. We
verified the proposed TMS-crossbar in the practical design of analog neural
networks based Braille character recognition system. The proposed design is
verified with SPICE simulations using circuit equivalent of FLX-A501 force
sensor, TiO$_2$ memristors and low power 22nm high-k CMOS transistors. The
proposed analog neuromorphic computing system presents a scalable solution and
is possible to encode 125 symbols with good accuracy in comparison with other
Braille character recognition systems in the literature. The benefits of analog
implementation of the TMS crossbar arrays is substantiated with results of
accuracy, area and power requirements in comparison with the binary
counterparts.
- Abstract（参考訳）: 触覚センシングの第1段階は触覚センサを用いたデータ取得であり、知覚されたデータはニューロモルフィックコンピューティングの中央ユニットに送信される。
メムリシティブクロスバーは、ニューロモルフィックコンピューティングのシナプスとして使用されるが、センサーレベルのデバイスインテリジェンスについては研究されていない。
本稿では,ニューラルネットワークアーキテクチャの入力層におけるmemristorのクロスバー配置へのセンサを含むトランジスタmemristor sensor (tms)-crossbarの概念を提案する。
1 Transistor 1 Memristor 1 Sensor (1T1M1S) と 2 Transistor 1 Memristor 1 Sensor (2T1M1S) である。
アナログニューラルネットワークを用いた点字認識システムの実用設計において提案したTMSクロスバーを検証した。
提案した設計は、FLX-A501力センサ、TiO$_2$メムリスタ、低消費電力22nm高容量CMOSトランジスタを用いたSPICEシミュレーションにより検証された。
提案するアナログニューロモルフィック計算システムはスケーラブルな解を示し,文献中の他の点字文字認識システムと比較して精度良く125個の記号を符号化することができる。
tmsクロスバーアレイのアナログ実装の利点は、バイナリの配列と比較して精度、面積、電力要求の結果と一致している。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。
スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。
分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。
本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。
覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
論文 参考訳（メタデータ） (2024-04-02T10:19:04Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳（メタデータ） (2022-10-08T04:32:58Z) - PulseDL-II: A System-on-Chip Neural Network Accelerator for Timing and
Energy Extraction of Nuclear Detector Signals [3.307097167756987]
本稿では,深層学習を持つパルスからイベント特徴(時間,エネルギーなど)を抽出するためのシステムオンチップ(SoC)であるPulseDL-IIを紹介する。
提案システムは, 47.4dBの信号対雑音比(SNR)において, オンラインニューラルネットワークを用いた60psの時間分解能と0.40%のエネルギー分解能を得た。
論文 参考訳（メタデータ） (2022-09-02T08:52:21Z) - MRAM-based Analog Sigmoid Function for In-memory Computing [0.0]
本稿では、2つのスピン軌道トルク磁気抵抗ランダムアクセスメモリ(SOT-MRAM)とCMOSインバータを用いた超越活性化関数のアナログ実装を提案する。
提案したアナログニューロン回路は1.8-27倍の消費電力を消費し、最先端アナログやデジタル実装と比較して2.5-4931倍の面積を占める。
論文 参考訳（メタデータ） (2022-04-21T07:13:54Z) - Experimental Demonstration of Neuromorphic Network with STT MTJ Synapses [58.40902139823252]
磁気トンネル接合(MTJ)シナプスを用いたニューロモルフィックネットワークの試作実験を行い,ベクトル行列乗算による画像認識を行った。
また、MNIST手書き文字認識を行う大規模なMTJネットワークをシミュレートし、MTJクロスバーがメムリスタの精度と一致し、精度、安定性、耐久性が向上することを示した。
論文 参考訳（メタデータ） (2021-12-09T08:11:47Z) - A reconfigurable neural network ASIC for detector front-end data
compression at the HL-LHC [0.40690419770123604]
ニューラルネットワークのオートエンコーダモデルを放射線耐性ASICに実装して、損失のあるデータ圧縮を行うことができる。
これは、粒子物理学アプリケーション用に設計されたニューラルネットワークの耐放射線性オンディテクタASIC実装である。
論文 参考訳（メタデータ） (2021-05-04T18:06:23Z) - Inference with Artificial Neural Networks on Analog Neuromorphic
Hardware [0.0]
BrainScaleS-2 ASICは混合信号ニューロンとシナプス回路から構成される。
システムは、人工ニューラルネットワークのベクトル行列乗算と累積モードでも動作する。
論文 参考訳（メタデータ） (2020-06-23T17:25:06Z) - Verification and Design Methods for the BrainScaleS Neuromorphic
Hardware System [0.0]
第2世代のBrainScaleSチップは、完全なアナログニューロモルフィック回路と2つの汎用マイクロプロセッサの密結合を有する混合信号デバイスである。
512ニューロンと130Kシナプスを含む第1次BrainScaleS-2 ASICの早期成績を示し,これらの手法の応用を実証した。
論文 参考訳（メタデータ） (2020-03-25T15:48:54Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
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。