論文の概要: Implementation of digital MemComputing using standard electronic components

• arxiv url: http://arxiv.org/abs/2309.12437v2
• Date: Tue, 3 Oct 2023 00:02:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 07:23:21.034164
• Title: Implementation of digital MemComputing using standard electronic components
• Title（参考訳）: 標準電子部品を用いたディジタルMemComputingの実装
• Authors: Yuan-Hang Zhang and Massimiliano Di Ventra
• Abstract要約: Digital MemComputing Machine (DMM)は、堅牢でスケーラブルな非伝統的なコンピューティングアプローチであることが証明されている。 本稿では,従来の電子部品のみを活用するDMMのためのハードウェア設計を提案する。 以上の結果から, この設計は, 既存の実現技術と比較して, 大幅な速度向上をもたらすことが示唆された。
• 参考スコア（独自算出の注目度）: 5.2331146525558525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital MemComputing machines (DMMs), which employ nonlinear dynamical systems with memory (time non-locality), have proven to be a robust and scalable unconventional computing approach for solving a wide variety of combinatorial optimization problems. However, most of the research so far has focused on the numerical simulations of the equations of motion of DMMs. This inevitably subjects time to discretization, which brings its own (numerical) issues that would be absent in actual physical systems operating in continuous time. Although hardware realizations of DMMs have been previously suggested, their implementation would require materials and devices that are not so easy to integrate with traditional electronics. In this study, we propose a novel hardware design for DMMs that leverages only conventional electronic components. Our findings suggest that this design offers a marked improvement in speed compared to existing realizations of these machines, without requiring special materials or novel device concepts. We also show that these DMMs are robust against additive noise. Moreover, the absence of numerical noise promises enhanced stability over extended periods of the machines' operation, paving the way for addressing even more complex problems.
• Abstract（参考訳）: DMM(Digital MemComputing Machine)は、メモリを持つ非線形動的システム(時限非局所性)を用いており、様々な組合せ最適化問題を解決するための堅牢でスケーラブルな非伝統的な計算手法であることが証明されている。 しかし、これまでの研究の大部分は、DMMの運動方程式の数値シミュレーションに焦点を当てている。 これは必然的に離散化の時間であり、連続的に動作する実際の物理システムに欠落する独自の(数値的な)問題をもたらす。 DMMのハードウェア実現は以前から提案されていたが、その実装には従来の電子機器と簡単に統合できない材料や装置が必要である。 本研究では,従来の電子部品のみを活用するDMMのためのハードウェア設計を提案する。 以上の結果から, この設計は, 特殊材料や新しいデバイス概念を必要とせず, 既存の機械の実現と比較して, 性能が著しく向上することが示唆された。 また,これらのDMMは付加雑音に対して頑健であることを示す。 さらに、数値ノイズの欠如により、機械の動作期間を延ばす安定性が向上し、さらに複雑な問題に対処する道が開かれた。

関連論文リスト

• Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
  デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。 本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。 この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
  論文  参考訳（メタデータ） (2024-04-15T09:33:09Z)
• Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
  この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。 資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。 これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-04-08T20:02:19Z)
• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
  我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。 まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• Self-averaging of digital memcomputing machines [4.429709236737154]
  DMM(Digital memcomputing Machine)は、メモリを持つ非量子力学系を用いて最適化問題を解決する新しいタイプの計算機である。 DMMの解法時間(TTS)は逆ガウス分布に従っており、TTSは問題サイズを増大させる。 本研究では,この現象の解析的理解と3-SAT問題の解法による数値的エビデンスを提供する。
  論文  参考訳（メタデータ） (2023-01-20T20:09:05Z)
• Reliability-Aware Deployment of DNNs on In-Memory Analog Computing Architectures [0.0]
  In-Memory Analog Computing (IMAC) 回路は、アナログ領域におけるMVMとNLVの両方の操作を実現することにより、信号変換器の必要性を取り除く。 我々は、ディープニューラルネットワーク(DNN)に大規模な行列を複数の小さなIMACサブアレイに展開する実践的なアプローチを導入し、ノイズや寄生虫の影響を軽減する。
  論文  参考訳（メタデータ） (2022-10-02T01:43:35Z)
• Neural-PIM: Efficient Processing-In-Memory with Neural Approximation of Peripherals [11.31429464715989]
  本稿では,ディープラーニングタスクを効率的に高速化する新しいPIMアーキテクチャを提案する。 アナログ集積回路とニューラル近似周辺回路で必要となるA/D変換を最小化する。 異なるベンチマークによる評価では、Neural-PIMはエネルギー効率を5.36x (1.73x)向上し、スループットを3.43x (1.59x)向上する。
  論文  参考訳（メタデータ） (2022-01-30T16:14:49Z)
• Directed percolation and numerical stability of simulations of digital memcomputing machines [8.761355402590105]
  DMM(Digital memcomputing Machine)は、最適化問題を解決するために設計された新しい非解決型マシンである。 これらのマシンは、メモリを持つ連続時間非量子力学系で物理的に実現することができる。 多くの困難問題の解は、DMMのODEを数値的に統合することによって報告されている。
  論文  参考訳（メタデータ） (2021-02-06T09:44:28Z)

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。