Fugu-MT 論文翻訳(概要): Mantis: Enabling Energy-Efficient Autonomous Mobile Agents with Spiking Neural Networks

論文の概要: Mantis: Enabling Energy-Efficient Autonomous Mobile Agents with Spiking Neural Networks

arxiv url: http://arxiv.org/abs/2212.12620v1
Date: Sat, 24 Dec 2022 00:00:53 GMT
ステータス: 処理完了
システム内更新日: 2022-12-27 13:32:07.421915
Title: Mantis: Enabling Energy-Efficient Autonomous Mobile Agents with Spiking Neural Networks
Title（参考訳）: mantis:スパイキングニューラルネットワークによるエネルギー効率の高い自律移動エージェントの実現
Authors: Rachmad Vidya Wicaksana Putra, Muhammad Shafique
Abstract要約: スパイキングニューラルネットワーク(SNN)は、スパース計算と効率的なオンライン学習による低消費電力/エネルギー消費を提供する。本稿では,自律型移動エージェントにSNNを体系的に採用するマンティス手法を提案する。
参考スコア（独自算出の注目度）: 14.916996986290902
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autonomous mobile agents such as unmanned aerial vehicles (UAVs) and mobile robots have shown huge potential for improving human productivity. These mobile agents require low power/energy consumption to have a long lifespan since they are usually powered by batteries. These agents also need to adapt to changing/dynamic environments, especially when deployed in far or dangerous locations, thus requiring efficient online learning capabilities. These requirements can be fulfilled by employing Spiking Neural Networks (SNNs) since SNNs offer low power/energy consumption due to sparse computations and efficient online learning due to bio-inspired learning mechanisms. However, a methodology is still required to employ appropriate SNN models on autonomous mobile agents. Towards this, we propose a Mantis methodology to systematically employ SNNs on autonomous mobile agents to enable energy-efficient processing and adaptive capabilities in dynamic environments. The key ideas of our Mantis include the optimization of SNN operations, the employment of a bio-plausible online learning mechanism, and the SNN model selection. The experimental results demonstrate that our methodology maintains high accuracy with a significantly smaller memory footprint and energy consumption (i.e., 3.32x memory reduction and 2.9x energy saving for an SNN model with 8-bit weights) compared to the baseline network with 32-bit weights. In this manner, our Mantis enables the employment of SNNs for resource- and energy-constrained mobile agents.
Abstract（参考訳）: 無人航空機(UAV)や移動ロボットのような自律移動エージェントは、人間の生産性を向上させる大きな可能性を示している。これらの移動体は、通常電池で駆動されるため、低電力/エネルギー消費の長い寿命を必要とする。これらのエージェントは、特に遠隔地や危険な場所でデプロイされた場合、変更/動的環境にも適応する必要があるため、効率的なオンライン学習能力が必要である。 SNNは、スパース計算による電力/エネルギー消費が低く、バイオインスパイアされた学習機構による効率的なオンライン学習を提供するため、これらの要件を満たすことができる。しかし、自律移動エージェントに適切なsnモデルを適用するための方法論は依然として必要である。本研究では,自律移動エージェントにsnsを体系的に採用し,動的環境におけるエネルギー効率の高い処理と適応能力を実現するマンティス手法を提案する。マンティスの主なアイデアは、SNN操作の最適化、生物工学的なオンライン学習機構の活用、SNNモデル選択である。実験結果から,本手法は,32ビット重み付きベースラインネットワークと比較して,メモリフットプリントとエネルギー消費(SNNモデルでは3.32倍のメモリ削減と2.9倍の省エネ)で高い精度を維持していることが示された。このように、我々のマンティスは資源・エネルギー制約のある移動体エージェントにSNNを使用できる。

関連論文リスト

Scalable Mechanistic Neural Networks [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文参考訳（メタデータ） (2024-10-08T14:27:28Z)
SNN4Agents: A Framework for Developing Energy-Efficient Embodied Spiking Neural Networks for Autonomous Agents [6.110543738208028]
スパイキングニューラルネットワーク(SNN)は、イベントベースのカメラやデータ変換前処理からのスパイクを使用して、スパース計算を効率的に行う。本稿では,エネルギー効率の良いSNNを設計するための最適化手法からなるSNN4Agentsという新しいフレームワークを提案する。我々のフレームワークは、68.75%のメモリ節約、3.58倍のスピードアップ、4.03倍のエネルギー効率で高い精度(84.12%の精度)を維持することができる。
論文参考訳（メタデータ） (2024-04-14T19:06:00Z)
Single Neuromorphic Memristor closely Emulates Multiple Synaptic Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文参考訳（メタデータ） (2024-02-26T15:01:54Z)
Towards Physical Plausibility in Neuroevolution Systems [0.276240219662896]
人工知能(AI)モデル、特にディープニューラルネットワーク(DNN)の利用の増加は、トレーニングや推論における消費電力を増加させている。本研究は機械学習(ML)におけるエネルギー消費の増大問題に対処する。電力使用量をわずかに削減しても、大幅な省エネ、ユーザ、企業、環境に恩恵をもたらす可能性がある。
論文参考訳（メタデータ） (2024-01-31T10:54:34Z)
Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning [51.386945803485084]
エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
論文参考訳（メタデータ） (2024-01-09T07:31:34Z)
SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文参考訳（メタデータ） (2023-10-25T13:15:17Z)
Autonomous Driving using Spiking Neural Networks on Dynamic Vision Sensor Data: A Case Study of Traffic Light Change Detection [0.0]
スパイキングニューラルネットワーク(SNN)は、情報処理と意思決定のための代替モデルを提供する。自動運転にSNNを用いた最近の研究は主に、簡易なシミュレーション環境における車線維持のような単純なタスクに焦点を当てている。本研究は,実車上でSNNを使用するための重要なステップであるCARLAシミュレータにおける実写走行シーンについて,SNNについて検討する。
論文参考訳（メタデータ） (2023-09-27T23:31:30Z)
Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文参考訳（メタデータ） (2023-08-22T03:13:57Z)
HyperSNN: A new efficient and robust deep learning model for resource constrained control applications [4.8915861089531205]
HyperSNNは、超次元コンピューティングと組み合わせてスパイキングニューラルネットワーク(SNN)を使用するタスクを制御する革新的な方法である。私たちのモデルは、Cartpole、Acrobot、MountainCar、Lunar Landerなど、AI Gymベンチマークでテストされました。
論文参考訳（メタデータ） (2023-08-16T08:48:04Z)
TopSpark: A Timestep Optimization Methodology for Energy-Efficient Spiking Neural Networks on Autonomous Mobile Agents [14.916996986290902]
スパイキングニューラルネットワーク(SNN)は、スパース計算と効率的なオンライン学習による低消費電力/エネルギー処理を提供する。 TopSparkは、適応タイムステップの削減を利用して、トレーニングと推論の両方でエネルギー効率の良いSNN処理を可能にする新しい手法である。
論文参考訳（メタデータ） (2023-03-03T10:20:45Z)
Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。