論文の概要: Simulation platform for pattern recognition based on reservoir computing
with memristor networks
- arxiv url: http://arxiv.org/abs/2112.00248v2
- Date: Sun, 19 Jun 2022 00:45:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 04:50:12.257239
- Title: Simulation platform for pattern recognition based on reservoir computing
with memristor networks
- Title（参考訳）: メムリスタネットワークを用いた貯水池計算に基づくパターン認識のためのシミュレーションプラットフォーム
- Authors: Gouhei Tanaka and Ryosho Nakane
- Abstract要約: 我々は,メムリスタデバイスネットワークを用いた貯水池コンピューティング(RC)シミュレーションプラットフォームを開発した。
メムリスタネットワークをベースとしたRCシステムは,3つの時系列分類タスクにおける最先端手法に匹敵する高い計算性能が得られることを示す。
- 参考スコア（独自算出の注目度）: 1.5664378826358722
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Memristive systems and devices are potentially available for implementing
reservoir computing (RC) systems applied to pattern recognition. However, the
computational ability of memristive RC systems depends on intertwined factors
such as system architectures and physical properties of memristive elements,
which complicates identifying the key factor for system performance. Here we
develop a simulation platform for RC with memristor device networks, which
enables testing different system designs for performance improvement. Numerical
simulations show that the memristor-network-based RC systems can yield high
computational performance comparable to that of state-of-the-art methods in
three time series classification tasks. We demonstrate that the excellent and
robust computation under device-to-device variability can be achieved by
appropriately setting network structures, nonlinearity of memristors, and
pre/post-processing, which increases the potential for reliable computation
with unreliable component devices. Our results contribute to an establishment
of a design guide for memristive reservoirs toward a realization of
energy-efficient machine learning hardware.
- Abstract（参考訳）: memristiveシステムとデバイスは、パターン認識に適用された貯水池コンピューティング(rc)システムを実装するために利用可能である。
しかし,rcシステムの計算能力は,システムアーキテクチャやmemristive要素の物理特性などの相互に絡み合う要因に依存するため,システム性能の鍵となる要因の同定が複雑になる。
そこで我々は,メムリスタデバイスネットワークを用いたRCシミュレーションプラットフォームを開発し,性能改善のためのシステム設計の異なるテストを可能にする。
数値シミュレーションにより,memristor-network-based RCシステムは3つの時系列分類タスクにおける最先端手法に匹敵する高い計算性能が得られることが示された。
ネットワーク構造, メムリスタの非線形性, およびプリ/ポスト処理を適切に設定することにより, 信頼性の低いコンポーネントデバイスによる信頼性の高い計算の可能性を高めることができる。
本研究は,エネルギー効率のよい機械学習ハードウェアの実現に向けて,メモリリザーバーの設計ガイドの確立に寄与する。
関連論文リスト
- Ensemble Method for System Failure Detection Using Large-Scale Telemetry Data [0.0]
本研究では,システム故障検出のためのアンサンブル手法を提案する。
提案手法では,Long Short-Term Memory (LSTM) ネットワーク,アイソレーションフォレスト,ワンクラスサポートベクターマシン (OCSVM) ,ローカル・オブリアー因子 (LOF) など,多様なアルゴリズムを統合する。
実験により,本モデルの顕著な有効性を示し,システム障害の同定に顕著な検出率を達成した。
論文 参考訳（メタデータ） (2024-06-07T06:35:17Z) - Physical Reservoir Computing Enabled by Solitary Waves and
Biologically-Inspired Nonlinear Transformation of Input Data [0.0]
Reservoir Computing (RC) システムはランダム接続を持つ人工ニューラルネットワークの非線形力学特性を用いてカオス時系列を効率的に予測することができる。
本稿では,生体内脳内の非線形過程に着想を得て,入力データの非線形変換にランダム性の影響を代用する物理RCシステムについて実験的に検証する。
論文 参考訳（メタデータ） (2024-01-03T06:22:36Z) - Reconfigurable Distributed FPGA Cluster Design for Deep Learning
Accelerators [59.11160990637615]
エッジコンピューティングアプリケーション用に設計された低消費電力組み込みFPGAに基づく分散システムを提案する。
提案システムは,様々なニューラルネットワーク(NN)モデルを同時に実行し,パイプライン構造にグラフを配置し,NNグラフの最も計算集約的な層により大きなリソースを手動で割り当てる。
論文 参考訳（メタデータ） (2023-05-24T16:08:55Z) - Energy-efficient Task Adaptation for NLP Edge Inference Leveraging
Heterogeneous Memory Architectures [68.91874045918112]
Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。
検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
論文 参考訳（メタデータ） (2023-03-25T14:40:59Z) - PCBDet: An Efficient Deep Neural Network Object Detection Architecture
for Automatic PCB Component Detection on the Edge [48.7576911714538]
PCBDetは、最先端の推論スループットを提供するアテンションコンデンサネットワーク設計である。
他の最先端のアーキテクチャ設計に比べて優れたPCBコンポーネント検出性能を実現している。
論文 参考訳（メタデータ） (2023-01-23T04:34:25Z) - Theory and Implementation of Process and Temperature Scalable
Shape-based CMOS Analog Circuits [6.548257506132353]
本研究はアナログMLプロセッサを設計するための新しいアナログコンピューティングフレームワークを提案する。
私たちの研究の核心は形状ベースのアナログコンピューティング(S-AC)です。
S-ACパラダイムにより、ユーザーは計算精度をシリコン回路領域と電力でトレードオフできる。
論文 参考訳（メタデータ） (2022-05-11T17:46:01Z) - Automated Evolutionary Approach for the Design of Composite Machine
Learning Pipelines [48.7576911714538]
提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。
パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。
このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
論文 参考訳（メタデータ） (2021-06-26T23:19:06Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - The Computational Capacity of LRC, Memristive and Hybrid Reservoirs [1.657441317977376]
貯留層計算(Reservoir computing)は、高次元力学系(enmphreservoir)を用いて時系列データを近似し予測する機械学習パラダイムである。
本稿では, 線形素子(抵抗素子, インダクタ, コンデンサ)と非線形メモリ素子(メムリスタ)の両方を含む電子貯水池の実現可能性と最適設計について分析する。
我々の電子貯水池は、従来の「エコステートネットワーク」貯水池の性能と直接ハードウェアで実装される形で一致または超過することができる。
論文 参考訳（メタデータ） (2020-08-31T21:24:45Z) - Near-Optimal Hardware Design for Convolutional Neural Networks [0.0]
本研究では,畳み込みニューラルネットワークのための新しい,特殊目的,高効率ハードウェアアーキテクチャを提案する。
提案アーキテクチャは,モデルの計算フローと同じ構造を持つ計算回路を設計することにより,乗算器の利用を最大化する。
提案するハードウェアアーキテクチャに基づく実装が,商用AI製品に適用されている。
論文 参考訳（メタデータ） (2020-02-06T09:15:03Z)
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。