論文の概要: Free-Space Optical Spiking Neural Network
- arxiv url: http://arxiv.org/abs/2311.04558v1
- Date: Wed, 8 Nov 2023 09:41:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-09 16:27:16.829578
- Title: Free-Space Optical Spiking Neural Network
- Title(参考訳): 自由空間光スパイクニューラルネットワーク
- Authors: Reyhane Ahmadi, Amirreza Ahmadnejad, Somayyeh Koohi
- Abstract要約: 自由空間光深絞り畳み込みニューラルネットワーク(OSCNN)について紹介する。
この手法は人間の眼の計算モデルからインスピレーションを得ている。
以上の結果から,電子的ONNと比較して,レイテンシと消費電力を最小に抑えた有望な性能を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Neuromorphic engineering has emerged as a promising avenue for developing
brain-inspired computational systems. However, conventional electronic AI-based
processors often encounter challenges related to processing speed and thermal
dissipation. As an alternative, optical implementations of such processors have
been proposed, capitalizing on the intrinsic information-processing
capabilities of light. Within the realm of optical neuromorphic engineering,
various optical neural networks (ONNs) have been explored. Among these, Spiking
Neural Networks (SNNs) have exhibited notable success in emulating the
computational principles of the human brain. Nevertheless, the integration of
optical SNN processors has presented formidable obstacles, mainly when dealing
with the computational demands of large datasets. In response to these
challenges, we introduce a pioneering concept: the Free-space Optical deep
Spiking Convolutional Neural Network (OSCNN). This novel approach draws
inspiration from computational models of the human eye. We have meticulously
designed various optical components within the OSCNN to tackle object detection
tasks across prominent benchmark datasets, including MNIST, ETH 80, and
Caltech. Our results demonstrate promising performance with minimal latency and
power consumption compared to their electronic ONN counterparts. Additionally,
we conducted several pertinent simulations, such as optical intensity
to-latency conversion and synchronization. Of particular significance is the
evaluation of the feature extraction layer, employing a Gabor filter bank,
which stands to impact the practical deployment of diverse ONN architectures
significantly.
- Abstract(参考訳): ニューロモルフィックエンジニアリングは、脳にインスパイアされた計算システムを開発するための有望な道として登場した。
しかし、従来の電子aiベースのプロセッサは、しばしば処理速度や熱散逸に関する問題に遭遇する。
代替として、光の本質的な情報処理能力に乗じて、このようなプロセッサの光学的実装が提案されている。
光ニューロモルフィック工学の領域では、様々な光学ニューラルネットワーク(ONN)が研究されている。
これらのうち、スパイキングニューラルネットワーク(SNN)は人間の脳の計算原理をエミュレートすることに成功した。
それにもかかわらず、光学SNNプロセッサの統合は、主に大規模なデータセットの計算要求に対処する際の重大な障害を提示している。
これらの課題に応えて、我々は先駆的な概念であるFree-space Optical Deep Spiking Convolutional Neural Network (OSCNN)を紹介した。
この手法は人間の眼の計算モデルからインスピレーションを得ている。
我々は、MNIST、ETH 80、Caltechなどの著名なベンチマークデータセットにわたるオブジェクト検出タスクに取り組むために、OSCNN内の様々な光学部品を慎重に設計しました。
以上の結果から,電子的ONNと比較して,レイテンシと消費電力を最小に抑えた有望な性能を示す。
さらに,光強度から遅延変換,同期など,いくつかの関連するシミュレーションを行った。
特に重要なのは特徴抽出層の評価であり、Gaborフィルタバンクを用いており、多様なONNアーキテクチャの実践的展開に大きな影響を与える。
関連論文リスト
- Recent Advances in Scalable Energy-Efficient and Trustworthy Spiking
Neural networks: from Algorithms to Technology [11.479629320025673]
スパイキングニューラルネットワーク(SNN)は、幅広い信号処理アプリケーションのために、ディープニューラルネットワークの魅力的な代替品となっている。
我々は、低レイテンシとエネルギー効率のSNNを効率的に訓練し、拡張するためのアルゴリズムと最適化の進歩について述べる。
デプロイ可能なSNNシステム構築における研究の今後の可能性について論じる。
論文 参考訳(メタデータ) (2023-12-02T19:47:00Z) - SpikingJelly: An open-source machine learning infrastructure platform
for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。
我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文 参考訳(メタデータ) (2023-10-25T13:15:17Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳(メタデータ) (2023-05-26T02:52:12Z) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳(メタデータ) (2022-11-19T15:44:08Z) - Scalable Nanophotonic-Electronic Spiking Neural Networks [3.9918594409417576]
スパイキングニューラルネットワーク(SNN)は、高度に並列化されたリアルタイム処理が可能な新しい計算パラダイムを提供する。
フォトニックデバイスは、SNN計算パラダイムに適合する高帯域並列アーキテクチャの設計に最適である。
CMOSとSiPhの併用技術はスケーラブルなSNNコンピューティングアーキテクチャの設計に適している。
論文 参考訳(メタデータ) (2022-08-28T06:10:06Z) - Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for
Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。
イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。
本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-12-06T23:45:58Z) - Real-time Multi-Task Diffractive Deep Neural Networks via
Hardware-Software Co-design [1.6066483376871004]
本研究は,d$2$nnsでロバストかつノイズ耐性のあるマルチタスク学習を実現する,新しいハードウェアソフトウェア共同設計手法を提案する。
私たちの実験結果は、汎用性とハードウェア効率の大幅な改善を示し、提案されたマルチタスクD$2$NNアーキテクチャの堅牢性を実証します。
論文 参考訳(メタデータ) (2020-12-16T12:29:54Z) - Large-scale neuromorphic optoelectronic computing with a reconfigurable
diffractive processing unit [38.898230519968116]
回折処理ユニットを構築することにより、光電子再構成可能な計算パラダイムを提案する。
異なるニューラルネットワークを効率的にサポートし、数百万のニューロンで高いモデル複雑性を達成することができる。
市販の光電子部品を用いたプロトタイプシステムは,最先端のグラフィックス処理ユニットの性能を超越している。
論文 参考訳(メタデータ) (2020-08-26T16:34:58Z) - Ultra-Low-Power FDSOI Neural Circuits for Extreme-Edge Neuromorphic
Intelligence [2.6199663901387997]
インメモリコンピューティング 混合信号ニューロモルフィックアーキテクチャはエッジコンピューティングのセンサ処理への応用に期待できる超低消費電力のソリューションを提供する。
本稿では、FDSOI(Fully-Depleted Silicon on Insulator)統合プロセスの特徴を利用する混合信号アナログ/デジタル回路を提案する。
論文 参考訳(メタデータ) (2020-06-25T09:31:29Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳(メタデータ) (2020-05-04T13:24:00Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z)
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。
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。