論文の概要: Pulse shape discrimination based on the Tempotron: a powerful classifier on GPU

• arxiv url: http://arxiv.org/abs/2305.18205v2
• Date: Thu, 22 Aug 2024 07:24:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 20:07:24.778880
• Title: Pulse shape discrimination based on the Tempotron: a powerful classifier on GPU
• Title（参考訳）: テンポトロンに基づくパルス形状の識別--GPUを用いた強力な分類器
• Authors: Haoran Liu, Peng Li, Ming-Zhe Liu, Kai-Ming Wang, Zhuo Zuo, Bing-Qi Liu,
• Abstract要約: 研究はGPUアクセラレーションを用いた実験を行い、その結果、CPUベースのモデルに比べて500倍以上高速になった。 この研究は、パルス形状の識別にテンポトロンを利用する将来の発展への制約と可能性について論じている。
• 参考スコア（独自算出の注目度）: 8.658264560769656
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study utilized the Tempotron, a robust classifier based on a third-generation neural network model, for pulse shape discrimination. By eliminating the need for manual feature extraction, the Tempotron model can process pulse signals directly, generating discrimination results based on prior knowledge. The study performed experiments using GPU acceleration, resulting in over 500 times faster compared to the CPU-based model, and investigated the impact of noise augmentation on the Tempotron performance. Experimental results substantiated that Tempotron serves as a formidable classifier, adept at accomplishing high discrimination accuracy on both AmBe and time-of-flight PuBe datasets. Furthermore, analyzing the neural activity of Tempotron during training shed light on its learning characteristics and aided in selecting its hyperparameters. Moreover, the study addressed the constraints and potential avenues for future development in utilizing the Tempotron for pulse shape discrimination. The dataset used in this study and the GPU-based Tempotron are publicly available on GitHub at https://github.com/HaoranLiu507/TempotronGPU.
• Abstract（参考訳）: 本研究では,第3世代ニューラルネットワークモデルに基づく頑健な分類器であるテンポトロンを用いてパルス形状の識別を行った。 手動の特徴抽出を不要にすることで、テンポトロンモデルはパルス信号を直接処理し、事前の知識に基づいて識別結果を生成することができる。 この研究はGPUアクセラレーションを用いた実験を行い、CPUベースモデルと比較して500倍以上高速となり、テンポトロン性能に対するノイズ増大の影響を調査した。 実験結果から、TempotronはAmBeデータセットと飛行時間PuBeデータセットの両方で高い識別精度を達成するために、強い分類器として機能することが確認された。 さらに、トレーニング中のテンポトロンの神経活動を分析し、学習特性に光を当て、ハイパーパラメータの選択を支援した。 さらに, パルス形状の識別にテンポトロンを用いることで, 今後の発展への制約と可能性について検討した。 この研究で使用されるデータセットとGPUベースのTempotronはGitHubでhttps://github.com/HaoranLiu507/TempotronGPUで公開されている。

関連論文リスト

• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Time-Series Forecasting and Sequence Learning Using Memristor-based Reservoir System [2.6473021051027534]
  我々は,効率的な時間的データ処理とオンライン学習を兼ね備えたmemristorベースのエコー状態ネットワークアクセラレータを開発した。 提案した設計は、負荷エネルギー消費と気象条件の予測など、実世界のタスクを含む様々なデータセットを用いてベンチマークされる。 このシステムはデバイス故障に対して10%以下で合理的な堅牢性を示すことが観察された。
  論文  参考訳（メタデータ） (2024-05-22T05:07:56Z)
• Disentangling Spatial and Temporal Learning for Efficient Image-to-Video Transfer Learning [59.26623999209235]
  ビデオの空間的側面と時間的側面の学習を両立させるDiSTを提案する。 DiSTの非絡み合い学習は、大量の事前学習パラメータのバックプロパゲーションを避けるため、非常に効率的である。 5つのベンチマークの大規模な実験は、DiSTが既存の最先端メソッドよりも優れたパフォーマンスを提供することを示す。
  論文  参考訳（メタデータ） (2023-09-14T17:58:33Z)
• Fast Temporal Wavelet Graph Neural Networks [7.477634824955323]
  時系列データに基づくタスク学習のためのFTWGNN(Fast Temporal Wavelet Graph Neural Networks)を提案する。 我々は高密度グラフ構造を分解し、対応するスパースウェーブレット基底を計算するために、MMF(Multi resolution Matrix Factorization)を用いる。 実世界のPEMS-BAY, METR-LAトラフィックデータセット, AJILE12 ECoGデータセットによる実験結果から,FTWGNNは最先端技術と競合していることが示された。
  論文  参考訳（メタデータ） (2023-02-17T01:21:45Z)
• GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
  シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。 モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
  論文  参考訳（メタデータ） (2022-11-13T06:32:28Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Representation learning for neural population activity with Neural Data Transformers [3.4376560669160394]
  我々は、明示的力学モデルの非リカレントな代替品であるNeural Data Transformer (NDT)を紹介する。 NDTは3.9msの推論を可能にし、リアルタイムアプリケーションのループ時間内では、リカレントベースラインの6倍以上高速である。
  論文  参考訳（メタデータ） (2021-08-02T23:36:39Z)
• Inductive biases and Self Supervised Learning in modelling a physical heating system [0.0]
  本稿では,物理系に関する帰納バイアスを推測する。 このバイアスを使って、実際のシステムをモデル化できる新しいニューラルネットワークアーキテクチャを導出します。 提案されたアーキテクチャファミリーであるDelayは、遅延応答を持つシステムを制御するために実際のシナリオで使用できる。
  論文  参考訳（メタデータ） (2021-04-23T08:50:41Z)
• Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
  スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。 各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
  論文  参考訳（メタデータ） (2020-01-24T22:58:55Z)

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。