論文の概要: A High Throughput Generative Vector Autoregression Model for Stochastic
Synapses
- arxiv url: http://arxiv.org/abs/2205.05053v1
- Date: Tue, 10 May 2022 17:08:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-14 12:00:42.397771
- Title: A High Throughput Generative Vector Autoregression Model for Stochastic
Synapses
- Title(参考訳): 確率的シナプスのための高スループット生成ベクトル自己回帰モデル
- Authors: T. Hennen, A. Elias, J. F. Nodin, G. Molas, R. Waser, D. J. Wouters
and D. Bedau
- Abstract要約: 我々は,抵抗性メモリセルの電気的測定データに基づくシナプスアレイの高スループット生成モデルを開発した。
10億セルを超える配列サイズと、毎秒1億の重み更新のスループットを、30フレーム/秒の4Kビデオストリームのピクセルレートよりも上回っていることを実証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: By imitating the synaptic connectivity and plasticity of the brain, emerging
electronic nanodevices offer new opportunities as the building blocks of
neuromorphic systems. One challenge for largescale simulations of computational
architectures based on emerging devices is to accurately capture device
response, hysteresis, noise, and the covariance structure in the temporal
domain as well as between the different device parameters. We address this
challenge with a high throughput generative model for synaptic arrays that is
based on a recently available type of electrical measurement data for resistive
memory cells. We map this real world data onto a vector autoregressive
stochastic process to accurately reproduce the device parameters and their
cross-correlation structure. While closely matching the measured data, our
model is still very fast; we provide parallelized implementations for both CPUs
and GPUs and demonstrate array sizes above one billion cells and throughputs
exceeding one hundred million weight updates per second, above the pixel rate
of a 30 frames/s 4K video stream.
- Abstract(参考訳): 脳のシナプス接続性と可塑性を模倣することにより、新しい電子ナノデバイスがニューロモルフィックシステムの構築ブロックとして新たな機会を提供する。
新興デバイスに基づく計算アーキテクチャの大規模シミュレーションにおける課題の一つは、デバイス応答、ヒステリシス、ノイズ、および時間領域における共分散構造を、異なるデバイスパラメータ間で正確に捉えることである。
本稿では,最近利用可能になった抵抗メモリセル用電気計測データに基づくシナプスアレイの高スループット生成モデルを用いて,この問題に対処する。
この実世界データをベクトル自己回帰確率過程にマッピングし,デバイスパラメータとその相互相関構造を正確に再現する。
我々は、cpuとgpuの両方の並列化実装を提供し、10億セル以上の配列サイズと、30フレーム/sの4kビデオストリームのピクセルレート以上の毎秒1億重量更新のスループットを示しています。
- 全文 参考訳へのリンク
関連論文リスト
- An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - LiteTransformerSearch: Training-free On-device Search for Efficient
Autoregressive Language Models [34.673688610935876]
モデルトレーニングを必要とせずに、レイテンシとパープレクシリティが最前線に現れることを示す。
我々は,多種多様なデバイス上での軽量トランスフォーマーサーチ (LTS) の評価を行った。
最大2倍のレイテンシでTransformer-XLのパープレキシティを実現することができることを示す。
論文 参考訳(メタデータ) (2022-03-04T02:10:43Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Integrate-and-Fire Neurons for Low-Powered Pattern Recognition [0.0]
コンデンサの電荷と放電特性を利用した低出力ニューロンモデル「Integrate-and-Fire」を導入する。
並列および直列RC回路を用いて、繰り返し形式で表現できるトレーニング可能なニューロンモデルを開発した。
本論文は,第20回人工知能・ソフトコンピューティングWebシステム国際会議(ICAISC 2021)で発表された研究の全文である。
論文 参考訳(メタデータ) (2021-06-28T12:08:00Z) - ADAVI: Automatic Dual Amortized Variational Inference Applied To
Pyramidal Bayesian Models [0.0]
本研究では,対象パラメータに双対なVariatonal familyを自動生成する手法を開発した。
シミュレーションデータにおける本手法の有効性と,高次元脳パーセレーション実験の課題について述べる。
論文 参考訳(メタデータ) (2021-06-23T09:09:01Z) - Accelerating Stochastic Simulation with Interactive Neural Processes [74.14000505345803]
対話型ニューラル・プロセス(INP)は、ディープラーニングモデルを学び、シミュレーションを加速する対話型フレームワークである。
我々はベイジアン能動学習アルゴリズムを設計し、シミュレータを反復的にクエリし、より多くのデータを収集し、モデルを継続的に改善する。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - Graph-based Normalizing Flow for Human Motion Generation and
Reconstruction [20.454140530081183]
過去の情報と制御信号に基づく長地平線運動系列を合成・再構築する確率生成モデルを提案する。
足踏み解析と骨長解析を併用したモーションキャプチャデータセットを用いたモデル評価を行った。
論文 参考訳(メタデータ) (2021-04-07T09:51:15Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Non-linear State-space Model Identification from Video Data using Deep
Encoders [0.0]
本稿では,高次元入力および出力データから始まる非線形状態空間同定手法を提案する。
ニューラルネットワークで表現されたエンコーダ関数を導入して再構成可能性マップを学習し、過去の入力や出力からモデル状態を予測する。
ユニットボックス内の制御可能なボールのシミュレーション環境の映像ストリームに,提案手法を適用した。
論文 参考訳(メタデータ) (2020-12-14T17:14:46Z)
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。