論文の概要: RF signal classification in hardware with an RF spintronic neural
network
- arxiv url: http://arxiv.org/abs/2211.01131v1
- Date: Wed, 2 Nov 2022 14:09:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 14:24:12.282236
- Title: RF signal classification in hardware with an RF spintronic neural
network
- Title(参考訳): RFスピントロニクスニューラルネットワークを用いたハードウェアにおけるRF信号分類
- Authors: Nathan Leroux, Danijela Markovi\'c, D\'edalo Sanz-Hern\'andez, Juan
Trastoy, Paolo Bortolotti, Alejandro Schulman, Luana Benetti, Alex Jenkins,
Ricardo Ferreira, Julie Grollier and Alice Mizrahi
- Abstract要約: 磁気トンネル接合と呼ばれるスピントロニクスナノデバイスの固有ダイナミクスを利用して、複数のアナログRF入力を並列に処理する方法を示す。
我々は,磁気トンネル接合から得られる実験データを,等価なソフトウェアニューラルネットワークと同じ精度でニューロンやシナプスに分類する。
- 参考スコア(独自算出の注目度): 46.000685134136525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting information from radiofrequency (RF) signals using artificial
neural networks at low energy cost is a critical need for a wide range of
applications. Here we show how to leverage the intrinsic dynamics of spintronic
nanodevices called magnetic tunnel junctions to process multiple analogue RF
inputs in parallel and perform synaptic operations. Furthermore, we achieve
classification of RF signals with experimental data from magnetic tunnel
junctions as neurons and synapses, with the same accuracy as an equivalent
software neural network. These results are a key step for embedded
radiofrequency artificial intelligence.
- Abstract(参考訳): 高周波(rf)信号から低エネルギーのニューラルネットワークを用いて情報を抽出することは、幅広い応用への重要なニーズである。
本稿では、磁気トンネル接合と呼ばれるスピントロニクスナノデバイスの固有ダイナミクスを利用して、複数のアナログrf入力を並列に処理しシナプス演算を行う方法を示す。
さらに,等価なソフトウェアニューラルネットワークと同等の精度で,磁気トンネル接合部から実験データを得たrf信号のニューロンとシナプスの分類を行う。
これらの結果は、組み込み高周波人工知能にとって重要なステップである。
関連論文リスト
- Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳(メタデータ) (2024-03-12T01:28:00Z) - Pattern recognition using spiking antiferromagnetic neurons [1.0243212430977688]
我々は、パターン認識を行うために、AFMニューロンの人工ニューラルネットワークを訓練する。
ニューロンスパイクの時間的位置に依存するスパイクパターン関連ニューロン(SPAN)と呼ばれる単純な機械学習アルゴリズムが訓練中に使用される。
物理時間のマイクロ秒未満では、AMMニューラルネットワークは、指定された時間ウィンドウ内でスパイクを生成してグリッドから構成されたシンボルを認識するように訓練される。
論文 参考訳(メタデータ) (2023-08-17T16:00:57Z) - NeRF2: Neural Radio-Frequency Radiance Fields [11.09253326813424]
NeRF$textbf2$は、RF信号の伝搬を理解する連続ボリュームシーン関数を表す。
NeRF$textbf2$は、送信機の位置を知っているとき、どのような信号がどの位置で受信されたかを知ることができる。
論文 参考訳(メタデータ) (2023-05-10T13:09:57Z) - MEIL-NeRF: Memory-Efficient Incremental Learning of Neural Radiance
Fields [49.68916478541697]
我々は、NeRF(MEIL-NeRF)のためのメモリ効率の良いインクリメンタル学習アルゴリズムを開発した。
MEIL-NeRFはNeRF自体からインスピレーションを得て、ニューラルネットワークがクエリとして与えられたピクセルRGB値を提供するメモリとして機能する。
その結果、MEIL-NeRFはメモリ消費と競合性能を一定に示すことができた。
論文 参考訳(メタデータ) (2022-12-16T08:04:56Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳(メタデータ) (2022-09-29T04:06:00Z) - RF Signal Classification with Synthetic Training Data and its Real-World
Performance [0.0]
本稿では,実環境における実環境性能に対する合成訓練データにモデル化された異なるRF信号障害の影響について検討する。
念入りに設計された合成トレーニングデータのみを使用することで、実世界の操作において最大95%の精度を達成できる。
論文 参考訳(メタデータ) (2022-06-26T20:47:33Z) - A Neural Network Assisted $^{171}$Yb$^{+}$ Quantum Magnetometer [40.61445850211335]
汎用磁気センサは、幅広いパラメータのターゲットフィールドに露出した場合、読み取り可能な応答を提供する必要がある。
我々は、適切に訓練されたニューラルネットワークと171ドルのYb$+$の原子センサーを組み合わせることで、挑戦的なシナリオにおいてターゲットフィールドを調査できることを実験的に実証した。
論文 参考訳(メタデータ) (2022-03-11T10:53:46Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳(メタデータ) (2021-11-23T22:25:10Z) - Parallel frequency function-deep neural network for efficient complex
broadband signal approximation [1.536989504296526]
ニューラルネットワークは本質的に、特徴フィッティングのためのネットワーク重みを調整することで、高次元の複雑なマッピングモデルである。
ネットワークトレーニングにおけるスペクトルバイアスは、ブロードバンド信号に高周波成分を適合させるには耐え難い訓練エポックをもたらす。
並列周波数関数ディープニューラルネットワーク(PFF-DNN)を提案する。
論文 参考訳(メタデータ) (2021-06-19T01:39:13Z) - Detection of gravitational-wave signals from binary neutron star mergers
using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。
信号対雑音比が25未満の信号に対する感度は6因子改善した。
保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文 参考訳(メタデータ) (2020-06-02T10:20:11Z)
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。