Fugu-MT 論文翻訳(概要): Spiking Neural Network Integrated Circuits: A Review of Trends and Future Directions

論文の概要: Spiking Neural Network Integrated Circuits: A Review of Trends and Future Directions

arxiv url: http://arxiv.org/abs/2203.07006v1
Date: Mon, 14 Mar 2022 11:20:07 GMT
ステータス: 処理完了
システム内更新日: 2023-02-22 03:35:59.643045
Title: Spiking Neural Network Integrated Circuits: A Review of Trends and Future Directions
Title（参考訳）: ニューラルネットワーク集積回路のスパイク:動向と今後の方向性
Authors: Arindam Basu, Charlotte Frenkel, Lei Deng, Xueyong Zhang
Abstract要約: 我々は、スパイキングニューラルネットワーク(SNN)の統合回路設計をレビューし、混合信号コア、完全デジタルコア、大規模マルチコア設計のトレンドを分析した。最近報告されたSNN集積回路は、(a)スパイクルーティング専用のNOCを持つ大規模マルチコア設計、(b)デジタルシングルコア設計、(c)混合シングルコア設計の3つのカテゴリで比較されている。
参考スコア（独自算出の注目度）: 6.760146157036545
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we reviewed Spiking neural network (SNN) integrated circuit designs and analyzed the trends among mixed-signal cores, fully digital cores and large-scale, multi-core designs. Recently reported SNN integrated circuits are compared under three broad categories: (a) Large-scale multi-core designs that have dedicated NOC for spike routing, (b) digital single-core designs and (c) mixed-signal single-core designs. Finally, we finish the paper with some directions for future progress.
Abstract（参考訳）: 本稿では,SNN(Spking Neural Network)集積回路の設計を概説し,混合信号コア,完全ディジタルコア,大規模マルチコア設計のトレンドを分析した。最近報告されたSNN集積回路は、以下の3種類に分類される。 (a)スパイクルーティング専用のnocを備えた大規模マルチコア設計 (b)デジタルシングルコア設計及び (c)混合信号シングルコア設計。最後に、今後の進展に向けていくつかの方向で論文を仕上げる。

関連論文リスト

On the Design Space Between Transformers and Recursive Neural Nets [64.862738244735]
連続再帰型ニューラルネットワーク(CRvNN)とニューラルデータルータ(NDR)について検討した。 CRvNNは従来のRvNNの境界を押し上げ、その離散的な構造的な構成を緩和し、最終的にTransformerのような構造になる。 NDRはオリジナルのTransformerを制約し、より優れた構造的帰納バイアスを誘発し、CRvNNに近いモデルに終止符を打つ。
論文参考訳（メタデータ） (2024-09-03T02:03:35Z)
Towards Efficient Deployment of Hybrid SNNs on Neuromorphic and Edge AI Hardware [0.493599216374976]
本稿では,ニューロモルフィックとエッジコンピューティングの相乗的ポテンシャルを考察し,動的視覚センサが捉えたデータ処理に適した多目的機械学習(ML)システムを構築する。我々は、PyTorchとLavaフレームワークを使用して、スパイキングニューラルネットワーク(SNN)と人工ニューラルネットワーク(ANN)を混合してハイブリッドモデルを構築し、訓練する。
論文参考訳（メタデータ） (2024-07-11T17:40:39Z)
CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
論文参考訳（メタデータ） (2023-08-31T02:20:25Z)
Tensor Networks Meet Neural Networks: A Survey and Future Perspectives [27.878669143107885]
テンソルニューラルネットワーク(TNN)とニューラルネットワーク(NN)は2つの基本的なデータモデリングアプローチである。 TNは指数的な数の次元を複雑さに変換することによって、大規模テンソルの次元性の呪いを解決する。 NNは、コンピュータビジョン、自然言語処理、ロボット工学の研究など、様々な応用において優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2023-01-22T17:35:56Z)
Graph Neural Networks: A Powerful and Versatile Tool for Advancing Design, Reliability, and Security of ICs [5.999016770345891]
グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生物学などに存在する大規模データを学習し、予測するために、最先端のSOTA(State-of-the-art)を推進した。本稿では,IC設計における課題を解決するため,GNNモデルを調整するための汎用パイプラインを提案する。 GNNフレームワークの概要は、(i)電子設計自動化(EDA)とIC設計全般、(ii)信頼性の高いICの設計、(iii)セキュアなICの分析を網羅している。
論文参考訳（メタデータ） (2022-11-29T18:58:07Z)
Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文参考訳（メタデータ） (2022-05-11T17:43:54Z)
Towards Bi-directional Skip Connections in Encoder-Decoder Architectures and Beyond [95.46272735589648]
本稿では,デコードされた機能をエンコーダに戻すための後方スキップ接続を提案する。我々の設計は、任意のエンコーダ・デコーダアーキテクチャにおいて前方スキップ接続と共同で適用することができる。本稿では,2相ニューラルネットワーク探索(NAS)アルゴリズム,すなわちBiX-NASを提案する。
論文参考訳（メタデータ） (2022-03-11T01:38:52Z)
A Battle of Network Structures: An Empirical Study of CNN, Transformer, and MLP [121.35904748477421]
畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンのための支配的なディープニューラルネットワーク(DNN)アーキテクチャである。トランスフォーマーとマルチ層パーセプトロン(MLP)ベースのモデル(Vision TransformerやVision-Mixer)が新しいトレンドを導い始めた。本稿では,これらのDNN構造について実証的研究を行い,それぞれの長所と短所を理解しようとする。
論文参考訳（メタデータ） (2021-08-30T06:09:02Z)
Design Space for Graph Neural Networks [81.88707703106232]
グラフニューラルネットワーク(GNN)のアーキテクチャ設計空間は,32種類の予測タスクに対して315,000の異なる設計で構成されている。本研究の主な成果は,(1) 優れたGNNを設計するための包括的ガイドライン,(2) 異なるタスクに対する最高のGNN設計は著しく異なるが,GNNタスク空間は,異なるタスク間で最高の設計を転送することができる,(3) デザイン空間を用いて発見されたモデルが最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-11-17T18:59:27Z)
Capturing and Explaining Trajectory Singularities using Composite Signal Neural Networks [21.454705493292014]
複合信号解析装置(CompSNN)は3つの単純なANNモジュールを組み合わせたものである。 CompSNNは分離されたモジュールよりも大幅にパフォーマンスが向上した。
論文参考訳（メタデータ） (2020-03-24T12:53:15Z)

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。