論文の概要: Benchmarking energy consumption and latency for neuromorphic computing in condensed matter and particle physics

• arxiv url: http://arxiv.org/abs/2209.10481v1
• Date: Wed, 21 Sep 2022 16:33:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 17:28:35.510678
• Title: Benchmarking energy consumption and latency for neuromorphic computing in condensed matter and particle physics
• Title（参考訳）: 凝縮物質および粒子物理学におけるニューロモルフィックコンピューティングのエネルギー消費と遅延のベンチマーク
• Authors: Dominique J. K\"osters, Bryan A. Kortman, Irem Boybat, Elena Ferro, Sagar Dolas, Roberto de Austri, Johan Kwisthout, Hans Hilgenkamp, Theo Rasing, Heike Riel, Abu Sebastian, Sascha Caron and Johan H. Mentink
• Abstract要約: 本稿では,従来のハードウェア上でのニューラルネットワーク(ANN)を用いた推論タスクのエネルギーコストと計算時間を測定する手法を提案する。 我々は、ニューロモルフィックコンピューティングの重要なパラダイムの一つである、最先端のアナログインメモリコンピューティングプラットフォームに基づいて、同じメトリクスを推定する。 AIMCは、従来のハードウェアよりも最大で1桁も短く、エネルギーコストが最大で3桁も小さいことが分かりました。
• 参考スコア（独自算出の注目度）: 0.309894133212992
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The massive use of artificial neural networks (ANNs), increasingly popular in many areas of scientific computing, rapidly increases the energy consumption of modern high-performance computing systems. An appealing and possibly more sustainable alternative is provided by novel neuromorphic paradigms, which directly implement ANNs in hardware. However, little is known about the actual benefits of running ANNs on neuromorphic hardware for use cases in scientific computing. Here we present a methodology for measuring the energy cost and compute time for inference tasks with ANNs on conventional hardware. In addition, we have designed an architecture for these tasks and estimate the same metrics based on a state-of-the-art analog in-memory computing (AIMC) platform, one of the key paradigms in neuromorphic computing. Both methodologies are compared for a use case in quantum many-body physics in two dimensional condensed matter systems and for anomaly detection at 40 MHz rates at the Large Hadron Collider in particle physics. We find that AIMC can achieve up to one order of magnitude shorter computation times than conventional hardware, at an energy cost that is up to three orders of magnitude smaller. This suggests great potential for faster and more sustainable scientific computing with neuromorphic hardware.
• Abstract（参考訳）: ANN(Artificial Neural Network)の大規模利用は、科学計算の多くの分野で急速に普及し、現代の高性能コンピューティングシステムのエネルギー消費を急速に増加させている。 魅力的で持続可能な代替手段として、ハードウェアにANNを直接実装する新しいニューロモルフィックパラダイムがある。 しかし、科学計算のユースケースにおいて、ニューロモルフィックハードウェア上でANNを実行することの実際の利点についてはほとんど分かっていない。 本稿では,従来のハードウェア上で ann を用いた推論タスクのエネルギーコストと計算時間を計測する手法を提案する。 さらに、我々はこれらのタスクのためのアーキテクチャを設計し、ニューロモルフィックコンピューティングの重要なパラダイムの一つである最先端のアナログインメモリコンピューティング(AIMC)プラットフォームに基づいて、同じメトリクスを推定した。 どちらの手法も、2次元凝縮物質系における量子多体物理学のユースケースと、粒子物理学における大型ハドロン衝突型加速器における40MHzの異常検出のために比較される。 我々は、aimcが従来のハードウェアよりも最大1桁短い計算時間を、最大3桁のエネルギーコストで達成できることを見出した。 これは、ニューロモルフィックハードウェアによるより高速で持続可能な科学計算の可能性を示している。

関連論文リスト

• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• Detection of Fast-Moving Objects with Neuromorphic Hardware [12.323012135924374]
  スパイキングニューラルネットワーク(SNN)は、しばしば次世代ニューラルネットワーク(NN)と見なされる。 ニューロモルフィックコンピューティング(NC)とSNNは、しばしば次世代ニューラルネットワーク(NN)と見なされる。
  論文  参考訳（メタデータ） (2024-03-15T20:53:10Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• To Spike or Not To Spike: A Digital Hardware Perspective on Deep Learning Acceleration [4.712922151067433]
  ディープラーニングモデルがスケールするにつれて、コンピュータビジョンから自然言語処理まで、ドメイン間の競争が激化する。 生物学的脳のパワー効率は、大規模深層学習(DL)モデルよりも優れている。 ニューロモルフィックコンピューティングは、DLモデルの効率を改善するために、脳の操作を模倣しようとする。
  論文  参考訳（メタデータ） (2023-06-27T19:04:00Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Neuromorphic Artificial Intelligence Systems [58.1806704582023]
  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。
  論文  参考訳（メタデータ） (2022-05-25T20:16:05Z)
• Cryogenic Neuromorphic Hardware [5.399870108760824]
  低温下でのニューロモルフィックコンピューティングシステムの実装という概念は、大きな注目を集めている。 ここでは、報告された低温ニューロモルフィックハードウェアの概要について概説する。
  論文  参考訳（メタデータ） (2022-03-25T20:44:02Z)
• 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)
• Neuromorphic Nearest-Neighbor Search Using Intel's Pohoiki Springs [3.571324984762197]
  脳内では、何十億もの相互接続されたニューロンが極低エネルギーレベルで高速な計算を行う。 ここでは768個の相互接続されたLoihiチップのメッシュであるPohoiki Springsニューロモルフィックシステムを紹介します。 我々は、ニューロモルフィック原理を利用する大規模データベースを探索するために、スケーラブルな近似k-nearest neighbor (k-NN)アルゴリズムを実証する。
  論文  参考訳（メタデータ） (2020-04-27T10:23:47Z)

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。