論文の概要: Neuromorphic Intermediate Representation: A Unified Instruction Set for Interoperable Brain-Inspired Computing

• arxiv url: http://arxiv.org/abs/2311.14641v1
• Date: Fri, 24 Nov 2023 18:15:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 14:07:34.316921
• Title: Neuromorphic Intermediate Representation: A Unified Instruction Set for Interoperable Brain-Inspired Computing
• Title（参考訳）: ニューロモルフィック中間表現:相互運用型脳誘発コンピューティングのための統一命令セット
• Authors: Jens E. Pedersen, Steven Abreu, Matthias Jobst, Gregor Lenz, Vittorio Fra, Felix C. Bauer, Dylan R. Muir, Peng Zhou, Bernhard Vogginger, Kade Heckel, Gianvito Urgese, Sadasivan Shankar, Terrence C. Stewart, Jason K. Eshraghian, Sadique Sheik
• Abstract要約: ニューロモルフィック中間表現(Neuromorphic Intermediate Representation, NIR)と呼ばれるニューロモルフィックシステムにおける計算のための共通参照フレームを確立する。 NIRは計算プリミティブの集合を理想化された連続時間ハイブリッドシステムとして定義し、グラフに分解して様々なニューロモルフィックな技術スタックにマッピングすることができる。 我々は7つのニューロモルフィックシミュレータと4つのハードウェアプラットフォームにまたがる3つのNIRグラフを再現し、前例のない数のニューロモルフィックシステムのサポートを実証した。
• 参考スコア（独自算出の注目度）: 4.150486998330532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spiking neural networks and neuromorphic hardware platforms that emulate neural dynamics are slowly gaining momentum and entering main-stream usage. Despite a well-established mathematical foundation for neural dynamics, the implementation details vary greatly across different platforms. Correspondingly, there are a plethora of software and hardware implementations with their own unique technology stacks. Consequently, neuromorphic systems typically diverge from the expected computational model, which challenges the reproducibility and reliability across platforms. Additionally, most neuromorphic hardware is limited by its access via a single software frameworks with a limited set of training procedures. Here, we establish a common reference-frame for computations in neuromorphic systems, dubbed the Neuromorphic Intermediate Representation (NIR). NIR defines a set of computational primitives as idealized continuous-time hybrid systems that can be composed into graphs and mapped to and from various neuromorphic technology stacks. By abstracting away assumptions around discretization and hardware constraints, NIR faithfully captures the fundamental computation, while simultaneously exposing the exact differences between the evaluated implementation and the idealized mathematical formalism. We reproduce three NIR graphs across 7 neuromorphic simulators and 4 hardware platforms, demonstrating support for an unprecedented number of neuromorphic systems. With NIR, we decouple the evolution of neuromorphic hardware and software, ultimately increasing the interoperability between platforms and improving accessibility to neuromorphic technologies. We believe that NIR is an important step towards the continued study of brain-inspired hardware and bottom-up approaches aimed at an improved understanding of the computational underpinnings of nervous systems.
• Abstract（参考訳）: 神経力学をエミュレートするスパイクニューラルネットワークとニューロモルフィックハードウェアプラットフォームは、徐々に勢いを増し、メインストリームの利用へと移行している。 神経動力学の確立された数学的基盤にもかかわらず、実装の詳細はプラットフォームによって大きく異なる。 それに対応して、独自の技術スタックを持つソフトウェアやハードウェア実装が数多く存在する。 その結果、ニューロモルフィックシステムは通常、プラットフォーム間の再現性と信頼性に挑戦する期待計算モデルから逸脱する。 さらに、ほとんどのニューロモルフィックハードウェアは、訓練手順が限定された単一のソフトウェアフレームワークを介してアクセスすることで制限される。 そこで我々は,ニューロモルフィック・インターミディエート表現(NIR)と呼ばれる,ニューロモルフィックシステムにおける計算の共通参照フレームを確立する。 NIRは計算プリミティブの集合を理想化された連続時間ハイブリッドシステムとして定義し、グラフに分解して様々なニューロモルフィックな技術スタックにマッピングすることができる。 離散化とハードウェア制約に関する仮定を抽象化することにより、NIRは基礎計算を忠実に捉え、評価された実装と理想化された数学的形式主義の正確な違いを同時に明らかにする。 3つのnirグラフを7つのニューロモルフィックシミュレータと4つのハードウェアプラットフォームで再現し,前例のない数のニューロモルフィックシステムのサポートを示した。 NIRでは、ニューロモルフィックハードウェアとソフトウェアの進化を分離し、最終的にプラットフォーム間の相互運用性を高め、ニューロモルフィック技術へのアクセシビリティを向上させる。 NIRは脳に触発されたハードウェアとボトムアップアプローチの継続的な研究に向けた重要なステップであり、神経系の計算基盤の理解の向上を目的としている。

関連論文リスト

• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Unsupervised representation learning with Hebbian synaptic and structural plasticity in brain-like feedforward neural networks [0.0]
  教師なし表現学習が可能な脳様ニューラルネットワークモデルを導入,評価する。 このモデルは、一般的な機械学習ベンチマークのさまざまなセットでテストされた。
  論文  参考訳（メタデータ） (2024-06-07T08:32:30Z)
• An Integrated Toolbox for Creating Neuromorphic Edge Applications [3.671692919685993]
  スパイキングニューラルネットワーク(SNN)とニューロモルフィックモデルはより効率的で、より生物学的リアリズムを持つ。 CARLsim++は、ニューロモルフィックアプリケーションの高速かつ簡易な作成を可能にする統合ツールボックスである。
  論文  参考訳（メタデータ） (2024-04-12T16:34:55Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Toward stochastic neural computing [11.955322183964201]
  本稿では,ノイズ入力のストリームをスパイキングニューロンの集団によって変換し,処理するニューラルコンピューティングの理論を提案する。 本手法をIntelのLoihiニューロモルフィックハードウェアに適用する。
  論文  参考訳（メタデータ） (2023-05-23T12:05:35Z)
• 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)
• POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
  2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。 提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
  論文  参考訳（メタデータ） (2022-01-19T09:26:34Z)
• 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)
• The Backpropagation Algorithm Implemented on Spiking Neuromorphic Hardware [4.3310896118860445]
  本稿ではパルスゲートの動的情報調整と処理に基づくニューロモルフィック・スパイクバックプロパゲーションアルゴリズムを提案する。 MNISTデータセットから桁の分類を学習する3層回路の実証を実証する。
  論文  参考訳（メタデータ） (2021-06-13T15:56:40Z)
• 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。