論文の概要: Towards a Design Framework for TNN-Based Neuromorphic Sensory Processing Units

• arxiv url: http://arxiv.org/abs/2205.14248v1
• Date: Fri, 27 May 2022 21:51:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-26 15:19:41.519913
• Title: Towards a Design Framework for TNN-Based Neuromorphic Sensory Processing Units
• Title（参考訳）: TNNに基づくニューロモルフィック感覚処理ユニットの設計フレームワークに向けて
• Authors: Prabhu Vellaisamy and John Paul Shen
• Abstract要約: テンポラルニューラルネットワーク(TNN)は、高エネルギー効率で脳のような感覚処理を示すニューラルネットワークをスパイクしている。 本研究は、効率的なアプリケーション固有のTNNベースのニューロモーフィックセンサ処理ユニット(NSPU)を設計するためのカスタムデザインフレームワークの開発に向けて、現在進行中の研究成果を示す。
• 参考スコア（独自算出の注目度）: 2.419276285404291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Neural Networks (TNNs) are spiking neural networks that exhibit brain-like sensory processing with high energy efficiency. This work presents the ongoing research towards developing a custom design framework for designing efficient application-specific TNN-based Neuromorphic Sensory Processing Units (NSPUs). This paper examines previous works on NSPU designs for UCR time-series clustering and MNIST image classification applications. Current ideas for a custom design framework and tools that enable efficient software-to-hardware design flow for rapid design space exploration of application-specific NSPUs while leveraging EDA tools to obtain post-layout netlist and power-performance-area (PPA) metrics are described. Future research directions are also outlined.
• Abstract（参考訳）: テンポラルニューラルネットワーク(TNN)は、高エネルギー効率で脳のような感覚処理を示すニューラルネットワークである。 本研究は、効率的なアプリケーション固有のTNNベースのニューロモーフィック・センサ処理ユニット(NSPU)を設計するためのカスタム設計フレームワークの開発に向けた研究である。 本稿では,UCR時系列クラスタリングのためのNSPU設計とMNIST画像分類への応用について検討する。 アプリケーション固有のNSPUを高速に設計する上で,効率的なソフトウェア・ハードウェア設計フローを実現するためのカスタムデザインフレームワークとツールの現在,EDAツールを活用してレイアウト後のネットリストとPPA(Power-Performance-area)メトリクスを得る方法が述べられている。 今後の研究方針も概説されている。

関連論文リスト

• SpikeAtConv: An Integrated Spiking-Convolutional Attention Architecture for Energy-Efficient Neuromorphic Vision Processing [11.687193535939798]
  スパイキングニューラルネットワーク(SNN)は、従来の人工ニューラルネットワークに代わる生物学的にインスパイアされた代替手段を提供する。 SNNは、画像分類などの複雑な視覚的タスクにおいて、まだ競争力のある性能を達成できていない。 本研究では,有効性とタスク精度の向上を目的とした新しいSNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-26T13:57:38Z)
• NACHOS: Neural Architecture Search for Hardware Constrained Early Exit Neural Networks [6.279164022876874]
  Early Exit Neural Networks(EENN)は、Early Exit(EEC)を備えた非標準ディープニューラルネットワーク(DNN)を提供する 本研究は,ハードウェア制約付き早期排他ニューラルネットワーク(NACHOS)のためのニューラルアーキテクチャ探索である。 NACHOSは、推論時にEENNが実行する乗算および累積(MAC)操作の精度と数に制約を満たす最適なEENNを設計するための最初のNASフレームワークである。
  論文  参考訳（メタデータ） (2024-01-24T09:48:12Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• AutoPINN: When AutoML Meets Physics-Informed Neural Networks [30.798918516407376]
  PINNは、観測可能な変数を通じて、物理的なツールで観測できないクリティカルパラメータを推定できる。 既存のPINNは手動で設計されることが多く、時間を要するため、最適以下の性能につながる可能性がある。 本稿では,AutoMLとPINNを組み合わせることで,PINNの自動設計を可能にするフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T03:44:08Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• NeuroXplorer 1.0: An Extensible Framework for Architectural Exploration with Spiking Neural Networks [3.9121275263540087]
  本稿では、ニューロモルフィックアーキテクチャをモデル化するための一般化テンプレートに基づくフレームワークであるNeuroXplorerを提案する。 NeuroXplorerは、低レベルのサイクル精度アーキテクチャシミュレーションと、データフローの抽象化による高レベルの解析の両方を実行することができる。 我々は,多くの最先端機械学習モデルを用いたケーススタディを通じて,NeuroXplorerのアーキテクチャ探索能力を実証する。
  論文  参考訳（メタデータ） (2021-05-04T23:31:11Z)
• 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)
• Neural Architecture Search of SPD Manifold Networks [79.45110063435617]
  本研究では,Symmetric Positive Definite (SPD) 多様体ネットワークのニューラルアーキテクチャ探索(NAS)問題を提案する。 まず、効率的なSPDセル設計のために、幾何学的にリッチで多様なSPDニューラルアーキテクチャ探索空間を導入する。 我々は、SPDニューラルアーキテクチャ探索のための緩和された連続探索空間上で微分可能なNASアルゴリズムを利用する。
  論文  参考訳（メタデータ） (2020-10-27T18:08:57Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• AutoML for Multilayer Perceptron and FPGA Co-design [0.0]
  最先端のニューラルネットワークアーキテクチャ(NNAs)は、ハードウェアで効率的な設計と実装が難しい。 NNAの自動設計に関する最近の研究の多くは、畳み込みネットワークと画像認識に焦点を当てている。 我々は、任意のデータセットを入力として取り出し、最適化されたNNAとハードウェア設計を自動的に生成できる汎用多層パーセプトロン(MLP)フローを開発し、テストする。
  論文  参考訳（メタデータ） (2020-09-14T02:37:51Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。