論文の概要: Enhancing Energy Efficiency and Reliability in Autonomous Systems
Estimation using Neuromorphic Approach
- arxiv url: http://arxiv.org/abs/2307.07963v1
- Date: Sun, 16 Jul 2023 06:47:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 16:41:58.526955
- Title: Enhancing Energy Efficiency and Reliability in Autonomous Systems
Estimation using Neuromorphic Approach
- Title(参考訳): ニューロモルフィックアプローチによる自律システム推定におけるエネルギー効率と信頼性の向上
- Authors: Reza Ahmadvand, Sarah Safura Sharif, Yaser Mike Banad
- Abstract要約: 本研究ではスパイク符号化理論とスパイクニューラルネットワーク(SNN)に基づく推定フレームワークの導入に焦点をあてる。
本稿では,SNNに基づくKalmanフィルタ(KF)を提案する。
改良型スライディング・イノベーション・フィルタ(MSIF)に基づいて,SNN-MSIFと呼ばれるロバストな戦略を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Energy efficiency and reliability have long been crucial factors for ensuring
cost-effective and safe missions in autonomous systems computers. With the
rapid evolution of industries such as space robotics and advanced air mobility,
the demand for these low size, weight, and power (SWaP) computers has grown
significantly. This study focuses on introducing an estimation framework based
on spike coding theories and spiking neural networks (SNN), leveraging the
efficiency and scalability of neuromorphic computers. Therefore, we propose an
SNN-based Kalman filter (KF), a fundamental and widely adopted optimal strategy
for well-defined linear systems. Furthermore, based on the modified sliding
innovation filter (MSIF) we present a robust strategy called SNN-MSIF. Notably,
the weight matrices of the networks are designed according to the system model,
eliminating the need for learning. To evaluate the effectiveness of the
proposed strategies, we compare them to their algorithmic counterparts, namely
the KF and the MSIF, using Monte Carlo simulations. Additionally, we assess the
robustness of SNN-MSIF by comparing it to SNN-KF in the presence of modeling
uncertainties and neuron loss. Our results demonstrate the applicability of the
proposed methods and highlight the superior performance of SNN-MSIF in terms of
accuracy and robustness. Furthermore, the spiking pattern observed from the
networks serves as evidence of the energy efficiency achieved by the proposed
methods, as they exhibited an impressive reduction of approximately 97 percent
in emitted spikes compared to possible spikes.
- Abstract(参考訳): エネルギー効率と信頼性は、自律システムコンピュータにおけるコスト効率と安全なミッションを保証するための重要な要素であった。
宇宙ロボティクスや高度エアモビリティといった産業の急速な発展に伴い、これらの低サイズ、重量、電力(SWaP)コンピュータの需要は大幅に増大した。
本研究では、スパイク符号化理論とスパイクニューラルネットワーク(SNN)に基づく推定フレームワークの導入に焦点をあて、ニューロモルフィックコンピュータの効率性とスケーラビリティを活用する。
そこで我々は,SNNに基づくKalmanフィルタ(KF)を提案する。
さらに, 改良型スライディング・イノベーション・フィルタ (MSIF) を用いて, SNN-MSIF と呼ばれるロバストな戦略を提案する。
特に、ネットワークの重み行列はシステムモデルに従って設計されており、学習の必要性をなくしている。
提案手法の有効性を評価するため,モンテカルロシミュレーションを用いて,アルゴリズムによる手法であるkfとmsifとの比較を行った。
さらに、SNN-MSIFをSNN-KFと比較し、不確実性や神経細胞の喪失をモデル化する場合のロバスト性を評価する。
提案手法の適用性を実証し,SNN-MSIFの精度とロバスト性において優れた性能を示す。
さらに, ネットワークから観測されたスパイクパターンは, 提案手法によって得られたエネルギー効率の証拠となり, 放射スパイクの約97%の低減効果を示した。
関連論文リスト
- LitE-SNN: Designing Lightweight and Efficient Spiking Neural Network
through Spatial-Temporal Compressive Network Search and Joint Optimization [51.9395471326897]
スパイキングニューラルネットワーク(SNN)は人間の脳の情報処理機構を模倣し、エネルギー効率が高い。
本稿では,空間圧縮と時間圧縮の両方を自動ネットワーク設計プロセスに組み込むLitESNNという新しいアプローチを提案する。
論文 参考訳(メタデータ) (2024-01-26T05:23:11Z) - Scalable and Efficient Methods for Uncertainty Estimation and Reduction
in Deep Learning [0.0]
本稿では,ディープラーニングにおける不確実性推定と削減のためのスケーラブルで効率的な手法について検討する。
アウト・オブ・ディストリビューション・インプットとハードウェアの非理想性に起因する不確実性に対処する。
提案手法は,問題認識学習アルゴリズム,新しいNNトポロジ,ハードウェア共同設計ソリューションを含む。
論文 参考訳(メタデータ) (2024-01-13T19:30:34Z) - Scale-Dropout: Estimating Uncertainty in Deep Neural Networks Using
Stochastic Scale [0.7025445595542577]
ニューラルネットワーク(NN)の不確実性推定は、特に安全クリティカルなアプリケーションにおいて、予測の信頼性と信頼性を向上させる上で不可欠である。
Dropoutを近似とするBayNNは、不確実性に対する体系的なアプローチを提供するが、本質的には、電力、メモリ、定量化の点で高いハードウェアオーバーヘッドに悩まされている。
提案するBayNNに対して,スピントロニクスメモリベースのCIMアーキテクチャを導入し,最先端技術と比較して100倍以上の省エネを実現した。
論文 参考訳(メタデータ) (2023-11-27T13:41:20Z) - Astrocyte-Integrated Dynamic Function Exchange in Spiking Neural
Networks [0.0]
本稿では,スパイキングニューラルネットワーク(SNN)の堅牢性と計算効率を向上させるための革新的な手法を提案する。
提案手法はヒト脳に広く分布するグリア細胞であるアストロサイトをSNNに統合し、アストロサイトを増強したネットワークを形成する。
特に、アストロサイトを拡張したSNNは、ほぼゼロのレイテンシと理論上無限のスループットを示し、計算効率が極めて高いことを示唆している。
論文 参考訳(メタデータ) (2023-09-15T08:02:29Z) - 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) - Understanding Self-attention Mechanism via Dynamical System Perspective [58.024376086269015]
SAM(Self-attention mechanism)は、人工知能の様々な分野で広く使われている。
常微分方程式(ODE)の高精度解における固有剛性現象(SP)は,高性能ニューラルネットワーク(NN)にも広く存在することを示す。
SAMは、本質的なSPを測定するためのモデルの表現能力を高めることができる剛性対応のステップサイズ適応器でもあることを示す。
論文 参考訳(メタデータ) (2023-08-19T08:17:41Z) - The Hardware Impact of Quantization and Pruning for Weights in Spiking
Neural Networks [0.368986335765876]
パラメータの量子化とプルーニングは、モデルサイズを圧縮し、メモリフットプリントを削減し、低レイテンシ実行を容易にする。
本研究では,身近な身近なジェスチャー認識システムであるSNNに対して,孤立度,累積的に,そして同時にプルーニングと量子化の様々な組み合わせについて検討する。
本研究では,3次重みまで精度の低下に悩まされることなく,攻撃的パラメータ量子化に対処可能であることを示す。
論文 参考訳(メタデータ) (2023-02-08T16:25:20Z) - SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。
各ブロックの推測は最適化の単一イテレーションに対応することを示す。
実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
論文 参考訳(メタデータ) (2022-05-26T08:17:39Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳(メタデータ) (2022-04-01T03:31:27Z) - Batch Normalization Increases Adversarial Vulnerability and Decreases
Adversarial Transferability: A Non-Robust Feature Perspective [91.5105021619887]
バッチ正規化(BN)は、現代のディープニューラルネットワーク(DNN)で広く使われている。
BNは、対向ロバスト性を犠牲にしてモデル精度を高めることが観察された。
BNが主にロバスト特徴(RF)と非ロバスト特徴(NRF)の学習を好んでいるかどうかは不明である。
論文 参考訳(メタデータ) (2020-10-07T10:24:33Z) - FSpiNN: An Optimization Framework for Memory- and Energy-Efficient
Spiking Neural Networks [14.916996986290902]
スパイキングニューラルネットワーク(SNN)は、スパイクタイピング依存の可塑性(STDP)ルールのために教師なし学習機能を提供する。
しかし、最先端のSNNは高い精度を達成するために大きなメモリフットプリントを必要とする。
トレーニングおよび推論処理のためのメモリ効率とエネルギー効率のよいSNNを得るための最適化フレームワークFSpiNNを提案する。
論文 参考訳(メタデータ) (2020-07-17T09:40:26Z)
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。