論文の概要: How can neuromorphic hardware attain brain-like functional capabilities?
- arxiv url: http://arxiv.org/abs/2310.16444v1
- Date: Wed, 25 Oct 2023 08:09:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 15:56:16.919968
- Title: How can neuromorphic hardware attain brain-like functional capabilities?
- Title（参考訳）: ニューロモルフィックなハードウェアはどうやって脳のような機能を実現するのか?
- Authors: Wolfgang Maass
- Abstract要約: 現在のニューロモルフィックハードウェアは、標準的な人工ニューロンの代わりに脳のようなスパイクニューロンを使用している。
NMHWにおけるスパイキングニューロンのネットワークの現在のアーキテクチャとトレーニング方法は、主に人工ニューラルネットワークからコピーされている。
私たちは、NMHWで簡単に実装でき、脳のような機能をサポートする可能性のある原則に焦点を当てる必要があります。
- 参考スコア（独自算出の注目度）: 0.6345523830122166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Research on neuromorphic computing is driven by the vision that we can
emulate brain-like computing capability, learning capability, and
energy-efficiency in novel hardware. Unfortunately, this vision has so far been
pursued in a half-hearted manner. Most current neuromorphic hardware (NMHW)
employs brain-like spiking neurons instead of standard artificial neurons. This
is a good first step, which does improve the energy-efficiency of some
computations, see \citep{rao2022long} for one of many examples. But current
architectures and training methods for networks of spiking neurons in NMHW are
largely copied from artificial neural networks. Hence it is not surprising that
they inherit many deficiencies of artificial neural networks, rather than
attaining brain-like functional capabilities.
Of course, the brain is very complex, and we cannot implement all its details
in NMHW. Instead, we need to focus on principles that are both easy to
implement in NMHW and are likely to support brain-like functionality. The goal
of this article is to highlight some of them.
- Abstract（参考訳）: ニューロモルフィックコンピューティングの研究は、新しいハードウェアで脳のような計算能力、学習能力、エネルギー効率をエミュレートできるというビジョンによって進められている。
残念ながら、このビジョンは今までも半耳で追求されてきた。
現在のニューロモルフィックハードウェア(NMHW)は、標準的な人工ニューロンの代わりに脳のようなスパイクニューロンを使用している。
これは、いくつかの計算のエネルギー効率を改善する良い第1ステップであり、多くの例の1つに \citep{rao2022long} がある。
しかし、NMHWのスパイクニューロンネットワークの現在のアーキテクチャとトレーニング方法は、主に人工ニューラルネットワークからコピーされている。
したがって、脳のような機能的能力を得るよりも、人工ニューラルネットワークの多くの欠陥を継承していることは驚くにあたらない。
もちろん脳は非常に複雑で、nmhwでその詳細をすべて実装することはできない。
その代わり、我々はNMHWで簡単に実装でき、脳に似た機能をサポートするであろう原則に焦点を当てる必要があります。
この記事の目標は、それらのいくつかを強調することだ。
関連論文リスト
- Threshold Neuron: A Brain-inspired Artificial Neuron for Efficient On-device Inference [17.95548501630064]
本稿では,新しい人工ニューロンモデルThreshold Neuronsを提案する。
従来の人工ニューロンと同様のニューラルネットワークを構築しながら,ハードウェア実装の複雑さを大幅に低減する。
本研究では,Threshold Neuronsを用いたニューラルネットワークの有効性を検証し,カーネルレベルでは7.51倍から8.19倍の省電力を実現し,カーネルレベルでは3.89倍から4.33倍の省電力を実現した。
論文 参考訳（メタデータ） (2024-12-18T14:42:43Z) - Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳（メタデータ） (2024-02-19T09:29:37Z) - Hyperdimensional Computing with Spiking-Phasor Neurons [0.9594432031144714]
シンボリックベクトルアーキテクチャ(VSAs)は、構成的推論を表現するための強力なフレームワークである。
スパイキングニューロンの基板上でVSAアルゴリズムを実行し、ニューロモルフィックハードウェア上で効率的に動作させることができる。
論文 参考訳（メタデータ） (2023-02-28T20:09:12Z) - Sequence learning in a spiking neuronal network with memristive synapses [0.0]
脳計算の中心にある中核的な概念は、シーケンス学習と予測である。
ニューロモルフィックハードウェアは、脳が情報を処理する方法をエミュレートし、ニューロンとシナプスを直接物理的基質にマッピングする。
シークエンス学習モデルにおける生物学的シナプスの代替としてReRAMデバイスを使用することの可能性について検討する。
論文 参考訳（メタデータ） (2022-11-29T21:07:23Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳（メタデータ） (2022-05-25T20:16:05Z) - A Robust Learning Rule for Soft-Bounded Memristive Synapses Competitive
with Supervised Learning in Standard Spiking Neural Networks [0.0]
理論神経科学における見解は、脳を機能計算装置と見なしている。
関数を近似できることは、将来の脳研究のための基礎となる公理である。
本研究では,非自明な多次元関数の学習に,ニオブをドープしたチタン酸ストロンチウムの旋律的シナプスを制御した新しい教師付き学習アルゴリズムを適用する。
論文 参考訳（メタデータ） (2022-04-12T10:21:22Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳（メタデータ） (2021-09-22T16:52:51Z) - Continual Learning with Deep Artificial Neurons [0.0]
本稿では,Deep Artificial Neurons (DAN)を導入し,ディープニューラルネットワークとして実現した。
ネットワーク内のすべてのDANが共有する神経表現型をダブする単一パラメータベクトルをメタ学習することが可能であることを示す。
適切な神経表現型は,最小限の忘れを伴ってシナプスを更新する能力を持つ単一ネットワークを育むことができることを示す。
論文 参考訳（メタデータ） (2020-11-13T17:50:10Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-02-02T21:09:39Z)
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。