論文の概要: Implementing Spiking Neural Networks on Neuromorphic Architectures: A
Review
- arxiv url: http://arxiv.org/abs/2202.08897v1
- Date: Thu, 17 Feb 2022 21:00:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-25 12:40:11.064449
- Title: Implementing Spiking Neural Networks on Neuromorphic Architectures: A
Review
- Title(参考訳): ニューロモルフィックアーキテクチャにおけるスパイクニューラルネットワークの実装
- Authors: Phu Khanh Huynh, M. Lakshmi Varshika, Ankita Paul, Murat Isik, Adarsha
Balaji, Anup Das
- Abstract要約: 我々は,ニューロモルフィックコンピューティングのシステムソフトウェア技術分野における将来が持つ課題と機会を強調する。
プラットフォームベース設計とハードウェア・ソフトウェア共同設計の両方に提案されているフレームワークの概要について概説する。
- 参考スコア(独自算出の注目度): 0.19573380763700707
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, both industry and academia have proposed several different
neuromorphic systems to execute machine learning applications that are designed
using Spiking Neural Networks (SNNs). With the growing complexity on design and
technology fronts, programming such systems to admit and execute a machine
learning application is becoming increasingly challenging. Additionally,
neuromorphic systems are required to guarantee real-time performance, consume
lower energy, and provide tolerance to logic and memory failures. Consequently,
there is a clear need for system software frameworks that can implement machine
learning applications on current and emerging neuromorphic systems, and
simultaneously address performance, energy, and reliability. Here, we provide a
comprehensive overview of such frameworks proposed for both, platform-based
design and hardware-software co-design. We highlight challenges and
opportunities that the future holds in the area of system software technology
for neuromorphic computing.
- Abstract(参考訳): 近年,産学ともにスパイキングニューラルネットワーク(snn)を用いて設計された機械学習アプリケーションを実行するために,複数の異なるニューロモルフィックシステムを提案している。
設計と技術面での複雑さが増大する中で、このようなシステムを機械学習アプリケーションを受け入れ実行するためのプログラミングはますます困難になりつつある。
さらに、ニューロモルフィックシステムはリアルタイムのパフォーマンスを保証し、低エネルギーを消費し、論理やメモリ障害に対する耐性を提供する必要がある。
そのため、現在および新興のニューロモルフィックシステム上で機械学習アプリケーションを実装でき、同時にパフォーマンス、エネルギー、信頼性に対処できるシステムソフトウェアフレームワークが明らかに必要である。
本稿では,プラットフォームベース設計とハードウェア・ソフトウェア共同設計の両面で提案されているフレームワークの概要を紹介する。
我々は,ニューロモルフィックコンピューティングのシステムソフトウェア技術分野における将来が持つ課題と機会を強調する。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - SpiNNaker2: A Large-Scale Neuromorphic System for Event-Based and
Asynchronous Machine Learning [12.300710699791418]
SpiNNaker2はスケーラブルな機械学習のために開発されたデジタルニューロモルフィックチップである。
この研究はSpiNNaker2システムの動作原理を特徴とし、新しい機械学習アプリケーションのプロトタイプを概説している。
論文 参考訳(メタデータ) (2024-01-09T11:07:48Z) - NeuroBench: A Framework for Benchmarking Neuromorphic Computing
Algorithms and Systems [51.8066436083197]
NeuroBenchは、ニューロモルフィックコンピューティングアルゴリズムとシステムのベンチマークフレームワークである。
NeuroBenchは、業界とアカデミックの50以上の機関で100人近い共著者からなるオープンコミュニティから共同で設計された取り組みである。
論文 参考訳(メタデータ) (2023-04-10T15:12:09Z) - Frameworks for SNNs: a Review of Data Science-oriented Software and an
Expansion of SpykeTorch [0.3425341633647624]
Spiking Neural Networks(SNN)は、特にデータサイエンスアプリケーションに向いている。
この研究は、データサイエンスアプリケーションに特化したスパイキングニューラルネットワーク(SNN)の開発のための9つのフレームワークをレビューする。
論文 参考訳(メタデータ) (2023-02-15T12:35:53Z) - Integration of Neuromorphic AI in Event-Driven Distributed Digitized
Systems: Concepts and Research Directions [0.2746383075956081]
本稿では,統合課題を提起する特徴に着目し,ニューロモルフィックコンピューティングの現状について述べる。
本稿では,ニューロモルフィックシステム統合のためのマイクロサービスベースのフレームワークを提案する。
また,この枠組みの実現の基盤となる概念も提示する。
論文 参考訳(メタデータ) (2022-10-20T12:09:29Z) - SPAIC: A Spike-based Artificial Intelligence Computing Framework [22.133585707508963]
本稿では,Python ベースのスパイキングニューラルネットワーク (SNN) シミュレーションおよびトレーニングフレームワーク SPAIC を提案する。
ディープラーニングと神経科学の両方の機能と統合された、脳にインスパイアされたモデルとアルゴリズムの研究をサポートすることを目指している。
ニューラルサーキット、深層SNN学習、ニューロモルフィック応用など、さまざまな例を挙げる。
論文 参考訳(メタデータ) (2022-07-26T08:57:42Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳(メタデータ) (2022-05-25T20:16:05Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - A deep learning theory for neural networks grounded in physics [2.132096006921048]
ニューロモルフィックアーキテクチャ上で大規模で高速で効率的なニューラルネットワークを構築するには、それらを実装および訓練するためのアルゴリズムを再考する必要がある。
私たちのフレームワークは、非常に幅広いモデル、すなわち状態やダイナミクスが変動方程式によって記述されるシステムに適用されます。
論文 参考訳(メタデータ) (2021-03-18T02:12:48Z) - Photonics for artificial intelligence and neuromorphic computing [52.77024349608834]
フォトニック集積回路は超高速な人工ニューラルネットワークを可能にした。
フォトニックニューロモルフィックシステムはナノ秒以下のレイテンシを提供する。
これらのシステムは、機械学習と人工知能の需要の増加に対応する可能性がある。
論文 参考訳(メタデータ) (2020-10-30T21:41:44Z) - 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。