Fugu-MT 論文翻訳(概要): Implementation Of MNIST Dataset Learning Using Analog Circuit

論文の概要: Implementation Of MNIST Dataset Learning Using Analog Circuit

arxiv url: http://arxiv.org/abs/2308.16307v1
Date: Tue, 8 Aug 2023 12:06:55 GMT
ステータス: 処理完了
システム内更新日: 2023-09-03 21:22:54.812430
Title: Implementation Of MNIST Dataset Learning Using Analog Circuit
Title（参考訳）: アナログ回路を用いたMNISTデータセット学習の実装
Authors: Minjae Kim
Abstract要約: 我々は、コンデンサとダイオードを使用してニューラルネットワークを実装し、マイクロコントローラを使用して現実世界のモデルを駆動し、その結果を分析する。本研究では,コンデンサとダイオードを用いてニューラルネットワークを実装し,マイクロコントローラ(Arduino Mega 2560 R3ボード)を用いて実世界のモデルを駆動し,結果を解析する。
参考スコア（独自算出の注目度）: 4.071495290184509
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: There have been many attempts to implement neural networks in the analog circuit. Most of them had a lot of input terms, and most studies implemented neural networks in the analog circuit through a circuit simulation program called Spice to avoid the need to design chips at a high cost and implement circuits directly to input them. In this study, we will implement neural networks using a capacitor and diode and use microcontrollers (Arduino Mega 2560 R3 boards) to drive real-world models and analyze the results.
Abstract（参考訳）: アナログ回路にニューラルネットワークを実装する試みは数多く行われている。それらの多くは多くの入力語を持ち、ほとんどの研究は、Spiceと呼ばれる回路シミュレーションプログラムを通じてアナログ回路にニューラルネットワークを実装し、チップを高コストで設計することを避け、入力する回路を直接実装した。本研究では,コンデンサとダイオードを用いてニューラルネットワークを実装し,マイクロコントローラ(Arduino Mega 2560 R3ボード)を用いて実世界のモデルを駆動し,結果を解析する。

関連論文リスト

CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
論文参考訳（メタデータ） (2023-08-31T02:20:25Z)
Neuromorphic analog circuits for robust on-chip always-on learning in spiking neural networks [1.9809266426888898]
混合信号ニューロモルフィックシステムは、極端コンピューティングタスクを解決するための有望なソリューションである。彼らのスパイクニューラルネットワーク回路は、連続的にセンサーデータをオンラインに処理するために最適化されている。我々は,短期的アナログ力学と長期的三状態離散化機構を備えたオンチップ学習回路を設計する。
論文参考訳（メタデータ） (2023-07-12T11:14:25Z)
Training Spiking Neural Networks with Local Tandem Learning [96.32026780517097]
スパイキングニューラルネットワーク(SNN)は、前者よりも生物学的に可塑性でエネルギー効率が高いことが示されている。本稿では,局所タンデム学習(Local Tandem Learning, LTL)と呼ばれる一般化学習規則を提案する。 CIFAR-10データセット上の5つのトレーニングエポック内に高速なネットワーク収束を示すとともに,計算複雑性が低い。
論文参考訳（メタデータ） (2022-10-10T10:05:00Z)
An Investigation into Neuromorphic ICs using Memristor-CMOS Hybrid Circuits [0.0]
CMOS-Memristorベースのニューラルネットワークアクセラレータは、ニューラルネットワークを高速化する方法を提供する。様々なメムリスタプログラミング回路と基本的なニューロモルフィック回路がシミュレーションされている。プロジェクトの次のフェーズは、ニューラルネットワークの設計に使用できる基本的なビルディングブロックの設計に関するものです。
論文参考訳（メタデータ） (2022-08-19T18:04:03Z)
Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文参考訳（メタデータ） (2022-03-29T21:18:47Z)
A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文参考訳（メタデータ） (2021-07-19T23:41:03Z)
Prospects for Analog Circuits in Deep Networks [14.280112591737199]
機械学習のal-gorithmで一般的に使用される操作は、コンパクトアナログ回路で実装することができる。近年のディープラーニングアルゴリズムの進歩により、ハードウェア・デジタル・アクセラレーターの設計に焦点が移った。本稿では,様々な機械学習アルゴリズムを実装したアナログ設計について概説する。
論文参考訳（メタデータ） (2021-06-23T14:49:21Z)
Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文参考訳（メタデータ） (2020-06-02T23:38:35Z)
One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。