論文の概要: Neuromorphic Artificial Intelligence Systems

• arxiv url: http://arxiv.org/abs/2205.13037v1
• Date: Wed, 25 May 2022 20:16:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-26 14:42:39.335368
• Title: Neuromorphic Artificial Intelligence Systems
• Title（参考訳）: 神経形人工知能システム
• Authors: Dmitry Ivanov, Aleksandr Chezhegov, Andrey Grunin, Mikhail Kiselev, and Denis Larionov
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.1806704582023
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern AI systems, based on von Neumann architecture and classical neural networks, have a number of fundamental limitations in comparison with the brain. This article discusses such limitations and the ways they can be mitigated. Next, it presents an overview of currently available neuromorphic AI projects in which these limitations are overcame by bringing some brain features into the functioning and organization of computing systems (TrueNorth, Loihi, Tianjic, SpiNNaker, BrainScaleS, NeuronFlow, DYNAP, Akida). Also, the article presents the principle of classifying neuromorphic AI systems by the brain features they use (neural networks, parallelism and asynchrony, impulse nature of information transfer, local learning, sparsity, analog and in-memory computing). In addition to new architectural approaches used in neuromorphic devices based on existing silicon microelectronics technologies, the article also discusses the prospects of using new memristor element base. Examples of recent advances in the use of memristors in euromorphic applications are also given.
• Abstract（参考訳）: 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の緩和方法について論じる。 次に、現在利用可能なニューロモルフィックAIプロジェクトの概要を示す。これらの制限は、コンピュータシステムの機能と組織(TrueNorth、Loihi、Tianjic、SpinNNaker、BrainScaleS、NeuronFlow、DYNAP、Akida)に脳機能を導入することで克服される。 また、脳機能(神経ネットワーク、並列性、非同期性、情報伝達のインパルス性、局所学習、疎性、アナログおよびインメモリコンピューティング)によってニューロモルフィックAIシステムを分類する原理も提示する。 既存のシリコンマイクロエレクトロニクス技術に基づくニューロモルフィックデバイスで使用される新しいアーキテクチャアプローチに加えて、新しいメムリスタ素子ベースの利用の可能性についても論じる。 ユーロモルフィックアプリケーションにおけるmemristorの使用の最近の進歩の例も紹介されている。

関連論文リスト

• Hebbian Learning based Orthogonal Projection for Continual Learning of Spiking Neural Networks [74.3099028063756]
  我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。 我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。 我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
  論文  参考訳（メタデータ） (2024-02-19T09:29:37Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Constraints on the design of neuromorphic circuits set by the properties of neural population codes [61.15277741147157]
  脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。 ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
  論文  参考訳（メタデータ） (2022-12-08T15:16:04Z)
• Sequence learning in a spiking neuronal network with memristive synapses [0.0]
  脳計算の中心にある中核的な概念は、シーケンス学習と予測である。 ニューロモルフィックハードウェアは、脳が情報を処理する方法をエミュレートし、ニューロンとシナプスを直接物理的基質にマッピングする。 シークエンス学習モデルにおける生物学的シナプスの代替としてReRAMデバイスを使用することの可能性について検討する。
  論文  参考訳（メタデータ） (2022-11-29T21:07:23Z)
• Embedded Silicon-Organic Integrated Neuromorphic System [21.613965382220492]
  我々は、ハードウェアにおける脳の動作原理と材料をシミュレートし、脳にインスパイアされたインテリジェンス技術を開発するためにAIを使用するという概念を提案する。 我々はシリコンをベースとしたField-Programmable Gate Arrayのシミュレーションニューロンを用いた有機人工シナプスを構築した。 次に、解釈されたニューラルネットワークに基づいて生物学的ニューラルネットワークモデルを構築する。
  論文  参考訳（メタデータ） (2022-10-18T01:56:48Z)
• The BrainScaleS-2 accelerated neuromorphic system with hybrid plasticity [0.0]
  本稿では,BrainScaleSニューロモルフィックアーキテクチャの第2世代について述べる。 バイオインスパイアされたスパイクニューラルネットワークプリミティブの、加速された物理的エミュレーションをサポートするカスタムアクセラレータコアと、密結合されたデジタルプロセッサと、イベントルーティングネットワークを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-01-26T17:13:46Z)
• POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
  2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。 提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
  論文  参考訳（メタデータ） (2022-01-19T09:26:34Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• High-Speed CMOS-Free Purely Spintronic Asynchronous Recurrent Neural Network [1.1965429476528429]
  ニューロモルフィックコンピューティングシステムは、伝統的なフォン・ノイマン計算アーキテクチャの限界を克服する。 近年の研究では、様々なニューラルネットワーク設計におけるメムリスタやスピントロニクスデバイスが効率と速度を高めることが示されている。 本稿では、完全スピントロニクスホップフィールドRNNで用いられる、生物学的にインスパイアされた完全スピントロニクスニューロンについて述べる。
  論文  参考訳（メタデータ） (2021-07-05T19:23:33Z)

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。