論文の概要: Integrate-and-fire circuit for converting analog signals to spikes using
phase encoding
- arxiv url: http://arxiv.org/abs/2310.02055v1
- Date: Tue, 3 Oct 2023 13:55:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 14:11:09.463666
- Title: Integrate-and-fire circuit for converting analog signals to spikes using
phase encoding
- Title(参考訳): 位相符号化を用いたアナログ信号をスパイクに変換する積分ファイア回路
- Authors: Javier Lopez-Randulfe, Nico Reeb and Alois Knoll
- Abstract要約: 2つの戦略は、エンド・ツー・エンドのニューロモルフィック・アプリケーションにおいて、低エネルギー消費と高速な処理速度を達成することを約束している。
本稿では,連続的なアナログ信号を時間コードスパイクの列に符号化するための,漏洩集積・発火ニューロンモデルの屈折周期の適応制御を提案する。
デジタルニューロモルフィックチップは生成されたスパイク列車を処理し、フーリエ変換のスパイクバージョンを用いて信号の周波数スペクトルを計算した。
- 参考スコア(独自算出の注目度): 4.485617023466674
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Processing sensor data with spiking neural networks on digital neuromorphic
chips requires converting continuous analog signals into spike pulses. Two
strategies are promising for achieving low energy consumption and fast
processing speeds in end-to-end neuromorphic applications. First, to directly
encode analog signals to spikes to bypass the need for an analog-to-digital
converter (ADC). Second, to use temporal encoding techniques to maximize the
spike sparsity, which is a crucial parameter for fast and efficient
neuromorphic processing. In this work, we propose an adaptive control of the
refractory period of the leaky integrate-and-fire (LIF) neuron model for
encoding continuous analog signals into a train of time-coded spikes. The
LIF-based encoder generates phase-encoded spikes that are compatible with
digital hardware. We implemented the neuron model on a physical circuit and
tested it with different electric signals. A digital neuromorphic chip
processed the generated spike trains and computed the signal's frequency
spectrum using a spiking version of the Fourier transform. We tested the
prototype circuit on electric signals up to 1 KHz. Thus, we provide an
end-to-end neuromorphic application that generates the frequency spectrum of an
electric signal without the need for an ADC or a digital signal processing
algorithm.
- Abstract(参考訳): センサデータをデジタルニューロモルフィックチップ上でスパイクニューラルネットワークで処理するには、連続したアナログ信号をスパイクパルスに変換する必要がある。
2つの戦略は、エンド・ツー・エンドのニューロモルフィック・アプリケーションにおいて低エネルギー消費と高速な処理速度を達成することを約束している。
まず、アナログ信号をスパイクに直接エンコードしてアナログ・デジタルコンバータ(ADC)をバイパスする。
第二に、時間符号化技術を用いてスパイク間隔を最大化することは、高速で効率的なニューロモルフィック処理の重要なパラメータである。
本研究では,連続アナログ信号を時間符号化スパイク列に符号化するリーク型積分・ファイア(lif)ニューロンモデルの耐火期間の適応制御を提案する。
LIFベースのエンコーダは、デジタルハードウェアと互換性のある位相符号化スパイクを生成する。
ニューロンモデルを物理回路に実装し,異なる電気信号を用いて実験を行った。
デジタルニューロモルフィックチップは生成されたスパイク列車を処理し、フーリエ変換のスパイクバージョンを用いて信号の周波数スペクトルを計算した。
試作回路を1KHzまでの電気信号で試験した。
そこで我々は、ADCやデジタル信号処理アルゴリズムを必要とせずに、電気信号の周波数スペクトルを生成するエンドツーエンドのニューロモルフィックアプリケーションを提供する。
関連論文リスト
- OFDM-Standard Compatible SC-NOFS Waveforms for Low-Latency and Jitter-Tolerance Industrial IoT Communications [53.398544571833135]
この研究は、スペクトル的に効率的な不規則なSinc (irSinc) 整形法を提案し、1924年に従来のSincを再考した。
irSincは、誤差性能を犠牲にすることなくスペクトル効率が向上した信号を生成する。
我々の信号は、5G標準信号構成により、同じスペクトル帯域内で高速なデータ伝送を実現する。
論文 参考訳(メタデータ) (2024-06-07T09:20:30Z) - DYNAP-SE2: a scalable multi-core dynamic neuromorphic asynchronous
spiking neural network processor [2.9175555050594975]
我々は、リアルタイムイベントベーススパイキングニューラルネットワーク(SNN)をプロトタイピングするための、脳にインスパイアされたプラットフォームを提案する。
提案システムは, 短期可塑性, NMDA ゲーティング, AMPA拡散, ホメオスタシス, スパイク周波数適応, コンダクタンス系デンドライトコンパートメント, スパイク伝達遅延などの動的および現実的なニューラル処理現象の直接エミュレーションを支援する。
異なる生物学的に可塑性のニューラルネットワークをエミュレートする柔軟性と、個体群と単一ニューロンの信号の両方をリアルタイムで監視する能力により、基礎研究とエッジコンピューティングの両方への応用のための複雑なニューラルネットワークモデルの開発と検証が可能になる。
論文 参考訳(メタデータ) (2023-10-01T03:48:16Z) - SPAIC: A sub-$\mu$W/Channel, 16-Channel General-Purpose Event-Based
Analog Front-End with Dual-Mode Encoders [6.6017549029623535]
低消費電力イベントベースのアナログフロントエンドは、効率的なニューロモルフィック処理システムを構築するために不可欠である。
我々は、SPAIC(Signal-to-Spike converter for analog AI computing)と呼ばれる新しい、非常にアナログなフロントエンドチップを提案する。
デルタ変調とパルス周波数変調を備えた汎用的なデュアルモードアナログ信号対スパイク符号化と可変周波数帯域を提供する。
論文 参考訳(メタデータ) (2023-08-31T19:53:04Z) - Diffsound: Discrete Diffusion Model for Text-to-sound Generation [78.4128796899781]
本稿では,テキストエンコーダ,ベクトル量子化変分自動符号化(VQ-VAE),デコーダ,ボコーダからなる新しいテキスト音声生成フレームワークを提案する。
フレームワークは、まず、デコーダを使用して、テキストエンコーダから抽出したテキスト特徴をVQ-VAEの助けを借りてメルスペクトルに転送し、次いで、ボコーダを使用して生成されたメルスペクトルを波形に変換する。
論文 参考訳(メタデータ) (2022-07-20T15:41:47Z) - RF-Photonic Deep Learning Processor with Shannon-Limited Data Movement [0.0]
光ニューラルネットワーク(ONN)は、超低レイテンシとエネルギー消費を持つ有望な加速器である。
我々は、周波数領域のデータを符号化する乗法的アナログ周波数変換ONN(MAFT-ONN)を導入する。
我々は、生のRF信号で完全にアナログのディープラーニングを演算する最初のハードウェアアクセラレータを実験的に実証した。
論文 参考訳(メタデータ) (2022-07-08T16:37:13Z) - 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) - Time-coded Spiking Fourier Transform in Neuromorphic Hardware [4.432142139656578]
本研究では,Fourier変換と数学的に等価な時間ベースのスパイクニューラルネットワークを提案する。
我々はニューロモルフィックチップLoihiにネットワークを実装し、自動車周波数変調連続波レーダを用いた5つの実シナリオの実験を行った。
論文 参考訳(メタデータ) (2022-02-25T12:15:46Z) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳(メタデータ) (2021-10-22T20:49:02Z) - An Adaptive Sampling and Edge Detection Approach for Encoding Static
Images for Spiking Neural Networks [0.2519906683279152]
スパイキングニューラルネットワーク(SNN)は、人工ニューラルネットワークの第3世代と考えられている。
本稿では,エッジ検出と適応信号サンプリング手法を用いて,静的画像を時間的スパイク列車に符号化する方法を提案する。
論文 参考訳(メタデータ) (2021-10-19T19:31:52Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳(メタデータ) (2021-03-01T08:25:26Z) - 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)
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。