Fugu-MT 論文翻訳(概要): The Case for RISP: A Reduced Instruction Spiking Processor

論文の概要: The Case for RISP: A Reduced Instruction Spiking Processor

arxiv url: http://arxiv.org/abs/2206.14016v1
Date: Tue, 28 Jun 2022 14:01:35 GMT
ステータス: 処理完了
システム内更新日: 2022-07-01 10:36:17.759763
Title: The Case for RISP: A Reduced Instruction Spiking Processor
Title（参考訳）: RISPの場合: 命令スパイク処理の削減
Authors: James S. Plank, ChaoHui Zheng, Bryson Gullett, Nicholas Skuda, Charles Rizzo, Catherine D. Schuman, Garrett S. Rose
Abstract要約: 還元命令スパイクプロセッサであるRISPを紹介する。簡単な計算タスクのための手作りニューラルネットワークの開発にどのように役立つかを示す。我々は、より複雑な機械学習技術で構築されたニューラルネットワークを単純化するために、それがどのように使われるかを実証する。
参考スコア（独自算出の注目度）: 0.3694429692322631
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we introduce RISP, a reduced instruction spiking processor. While most spiking neuroprocessors are based on the brain, or notions from the brain, we present the case for a spiking processor that simplifies rather than complicates. As such, it features discrete integration cycles, configurable leak, and little else. We present the computing model of RISP and highlight the benefits of its simplicity. We demonstrate how it aids in developing hand built neural networks for simple computational tasks, detail how it may be employed to simplify neural networks built with more complicated machine learning techniques, and demonstrate how it performs similarly to other spiking neurprocessors.
Abstract（参考訳）: 本稿では,リダクション・スパイキング・プロセッサであるRISPを紹介する。スパイクニューロプロセッサの多くは脳や脳の概念に基づいていますが、複雑ではなく単純化されたスパイクプロセッサのケースを紹介します。そのため、個別の統合サイクル、設定可能なリーク、その他はほとんどない。我々は、RISPの計算モデルを示し、その単純さの利点を強調した。我々は、簡単な計算タスクのための手作りニューラルネットワークの開発を支援する方法、より複雑な機械学習技術で構築されたニューラルネットワークを単純化する方法について詳述し、他のスパイクニューロプロセッサと同等の性能を示す。

関連論文リスト

The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
論文参考訳（メタデータ） (2024-02-02T20:33:14Z)
NeurASP: Embracing Neural Networks into Answer Set Programming [5.532477732693001]
NeurASPは、ニューラルネットワークを採用することで、応答セットプログラムの単純な拡張である。ニューラルネットワーク出力を応答集合プログラムの原子事実上の確率分布として扱うことにより、NeurASPはサブシンボリックおよびシンボリック計算を統合するためのシンプルで効果的な方法を提供する。
論文参考訳（メタデータ） (2023-07-15T04:03:17Z)
The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
論文参考訳（メタデータ） (2023-06-30T17:59:13Z)
Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文参考訳（メタデータ） (2022-09-19T16:49:32Z)
Learning Iterative Reasoning through Energy Minimization [77.33859525900334]
ニューラルネットワークを用いた反復推論のための新しいフレームワークを提案する。すべての出力に対してエネルギーランドスケープをパラメータ化するために、ニューラルネットワークをトレーニングします。エネルギー最小化ステップとして反復推論の各ステップを実装し,最小限のエネルギー解を求める。
論文参考訳（メタデータ） (2022-06-30T17:44:20Z)
Ultra-compact Binary Neural Networks for Human Activity Recognition on RISC-V Processors [10.195581493173643]
HAR(Human Activity Recognition)は、多くのモバイルアプリケーションにおいて、関連する推論タスクである。本稿では、ディープニューラルネットワークに基づくHARの新たな実装と、BNN(Binary Neural Networks)の高精度な実装を提案する。 BNNはビット演算をビット演算に置き換えたことにより、メモリフットプリントが非常に小さく、推論の複雑さが低い。
論文参考訳（メタデータ） (2022-05-25T13:52:35Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
The Backpropagation Algorithm Implemented on Spiking Neuromorphic Hardware [4.3310896118860445]
本稿ではパルスゲートの動的情報調整と処理に基づくニューロモルフィック・スパイクバックプロパゲーションアルゴリズムを提案する。 MNISTデータセットから桁の分類を学習する3層回路の実証を実証する。
論文参考訳（メタデータ） (2021-06-13T15:56:40Z)
A Memory-Augmented Neural Network Model of Abstract Rule Learning [2.3562267625320352]
任意のロールフィラーバインディングのためのニューラルネットワークの能力に焦点を当てる。本稿では,外部メモリを結合機構として使用することを学習するリカレントニューラルネットワークモデルであるEmergent Symbol Binding Network (ESBN)を紹介する。このメカニズムにより、ESBNのトレーニングプロセスを通じて、明示的なシンボル処理機械を必要とせずに、シンボルのような変数表現が出現する。
論文参考訳（メタデータ） (2020-12-13T22:40:07Z)
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)
Integration of Leaky-Integrate-and-Fire-Neurons in Deep Learning Architectures [0.0]
生物学的にインスパイアされたニューロンモデルが情報符号化の斬新で効率的な方法を提供することを示す。 LIF単位に対する簡単な更新ルールを微分方程式から導出した。本手法をIRIS花のイメージデータセットに適用し,画像分類タスクにおけるLIFニューロンのトレーニングに使用することができることを示す。
論文参考訳（メタデータ） (2020-04-28T13:57:42Z)

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。