論文の概要: Spiking Neural Streaming Binary Arithmetic

• arxiv url: http://arxiv.org/abs/2203.12662v1
• Date: Wed, 23 Mar 2022 18:37:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 00:34:10.971011
• Title: Spiking Neural Streaming Binary Arithmetic
• Title（参考訳）: スパイクニューラルネットワークバイナリ演算
• Authors: James B. Aimone, Aaron J. Hill, William M. Severa, and Craig M. Vineyard
• Abstract要約: 本稿では,基本ブール演算とバイナリ演算を正確に計算するために設計された一握りの回路と同様に,有利なストリーミングバイナリ符号化方式がもたらす意味について論じる。 特別な目的のコプロセッサでは、ブール関数とバイナリ演算は、デバイス上でデータの事前処理と後処理によってコプロセッサをオン・アンド・オフする不必要なI/Oを避けるのに有用である。
• 参考スコア（独自算出の注目度）: 1.1759564521969381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Boolean functions and binary arithmetic operations are central to standard computing paradigms. Accordingly, many advances in computing have focused upon how to make these operations more efficient as well as exploring what they can compute. To best leverage the advantages of novel computing paradigms it is important to consider what unique computing approaches they offer. However, for any special-purpose co-processor, Boolean functions and binary arithmetic operations are useful for, among other things, avoiding unnecessary I/O on-and-off the co-processor by pre- and post-processing data on-device. This is especially true for spiking neuromorphic architectures where these basic operations are not fundamental low-level operations. Instead, these functions require specific implementation. Here we discuss the implications of an advantageous streaming binary encoding method as well as a handful of circuits designed to exactly compute elementary Boolean and binary operations.
• Abstract（参考訳）: ブール関数とバイナリ演算は、標準的な計算パラダイムの中心である。 それゆえ、コンピューティングの多くの進歩は、これらのオペレーションをより効率的にする方法と、何が計算できるかを探求することに焦点を当てている。 新たなコンピューティングパラダイムの利点を最大限に活用するには、彼らがどのようなユニークなコンピューティングアプローチを提供するかを考えることが重要である。 しかし、特別なコプロセッサの場合、Boolean関数とバイナリ演算は、デバイス上でデータの事前処理と後処理によって、余計なI/Oをオン・アンド・オフすることを避けるのに有用である。 これは、これらの基本的な操作が基本的な低レベルな操作ではないニューロモルフィックアーキテクチャーに特に当てはまる。 これらの関数は特定の実装を必要とする。 本稿では,より有利なストリーミングバイナリエンコーディング手法と,基本ブール演算とバイナリ演算を正確に計算する回路の一握りの回路について述べる。

関連論文リスト

• Algorithmic Capabilities of Random Transformers [49.73113518329544]
  埋め込み層のみを最適化したランダムトランスフォーマーによって、どのような関数が学習できるかを検討する。 これらのランダムなトランスフォーマーは、幅広い意味のあるアルゴリズムタスクを実行することができる。 以上の結果から,これらのモデルが訓練される前にも,アルゴリズム能力がトランスフォーマに存在することが示唆された。
  論文  参考訳（メタデータ） (2024-10-06T06:04:23Z)
• Basis-to-Basis Operator Learning Using Function Encoders [16.128154294012543]
  本稿では、ヒルベルト空間上の演算子を学習するための新しいアプローチであるB2B演算子学習について述べる。 固有分解や特異値分解と直接類似した演算子学習アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-09-30T19:18:34Z)
• BoostCom: Towards Efficient Universal Fully Homomorphic Encryption by Boosting the Word-wise Comparisons [14.399750086329345]
  完全同型暗号化(FHE)は、最初に復号化することなく、暗号化データ上での計算の実行を可能にする。 本稿では,単語比較処理の高速化を目的としたBoostComを提案する。 我々は、最先端のCPUベースのuFHEシステムと比較して、桁違い(11.1倍高速)のエンドツーエンド性能向上を実現している。
  論文  参考訳（メタデータ） (2024-07-10T02:09:10Z)
• SAGA: Synthesis Augmentation with Genetic Algorithms for In-Memory Sequence Optimization [0.0]
  MAGIC(Memristor Aided Logic)は、メモリへの書き込み操作を通じて物理的に計算を行うメモリ回路を使用するアプローチである。 本稿では,これらの遺伝的アルゴリズムの生成と実装について詳述し,多数のオープン回路実装について評価する。 評価された10のベンチマーク回路のうち、これらの変更により、インメモリ回路評価の効率は、ベストケースで128%、平均で27.5%向上した。
  論文  参考訳（メタデータ） (2024-06-14T03:00:42Z)
• Reverse That Number! Decoding Order Matters in Arithmetic Learning [49.5504492920404]
  本研究は,最少の桁から出力を優先順位付けすることで,桁順を再評価する新たな戦略を導入する。 従来のSOTA法と比較すると,通常のトレーニングで使用するトークンの3分の1しか必要とせず,精度の全体的な改善が見られた。
  論文  参考訳（メタデータ） (2024-03-09T09:04:53Z)
• CP-BCS: Binary Code Summarization Guided by Control Flow Graph and Pseudo Code [79.87518649544405]
  本稿ではCP-BCSと呼ばれる制御フローグラフと擬似コード案内バイナリコード要約フレームワークを提案する。 CP-BCSは双方向の命令レベル制御フローグラフと擬似コードを利用して、専門家の知識を取り入れ、包括的なバイナリ関数の実行動作と論理意味論を学ぶ。
  論文  参考訳（メタデータ） (2023-10-24T14:20:39Z)
• Safe Use of Neural Networks [0.0]
  ネットワークの処理ステップで算術誤差を検出できる数値ベースのコードを使用する。 1つのパリティのセットはセクションの出力から取得され、もう1つの同等のセットは元の入力から直接開発される。 我々は,データセットの規模が大きいため,長い数値ベースの畳み込み符号の使用に重点を置いている。
  論文  参考訳（メタデータ） (2023-06-13T19:07:14Z)
• Efficient Floating Point Arithmetic for Quantum Computers [1.189955933770711]
  量子コンピューティングの大きな約束の1つは、重ね合わせ現象を用いたSIMD(単一命令 - 複数のデータ)演算の実現である。 我々は、符号なし整数量子回路を便利に生成できる半ブールと呼ばれる符号化形式を導入している。 我々は、このタイプの評価を、アンシラのないインプレース乗算や整数係数評価などの追加機能で拡張する。
  論文  参考訳（メタデータ） (2021-12-20T14:00:36Z)
• Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
  本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。 本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:11:15Z)
• 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)
• Automatic Differentiation in ROOT [62.997667081978825]
  数学と計算機代数において、自動微分 (AD) は、コンピュータプログラムによって指定された関数の微分を評価するための一連の技術である。 本稿では、任意のC/C++関数の導関数を生成するために、ClingがサポートするROOTで利用可能なAD技術を提案する。
  論文  参考訳（メタデータ） (2020-04-09T09:18:50Z)

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。