論文の概要: Recent Advances in Scalable Energy-Efficient and Trustworthy Spiking
Neural networks: from Algorithms to Technology
- arxiv url: http://arxiv.org/abs/2312.01213v1
- Date: Sat, 2 Dec 2023 19:47:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 18:27:58.680544
- Title: Recent Advances in Scalable Energy-Efficient and Trustworthy Spiking
Neural networks: from Algorithms to Technology
- Title（参考訳）: スケーラブルエネルギー効率・信頼性のあるスパイクニューラルネットワークの最近の進歩:アルゴリズムから技術へ
- Authors: Souvik Kundu, Rui-Jie Zhu, Akhilesh Jaiswal, Peter A. Beerel
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.479629320025673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuromorphic computing and, in particular, spiking neural networks (SNNs)
have become an attractive alternative to deep neural networks for a broad range
of signal processing applications, processing static and/or temporal inputs
from different sensory modalities, including audio and vision sensors. In this
paper, we start with a description of recent advances in algorithmic and
optimization innovations to efficiently train and scale low-latency, and
energy-efficient spiking neural networks (SNNs) for complex machine learning
applications. We then discuss the recent efforts in algorithm-architecture
co-design that explores the inherent trade-offs between achieving high
energy-efficiency and low latency while still providing high accuracy and
trustworthiness. We then describe the underlying hardware that has been
developed to leverage such algorithmic innovations in an efficient way. In
particular, we describe a hybrid method to integrate significant portions of
the model's computation within both memory components as well as the sensor
itself. Finally, we discuss the potential path forward for research in building
deployable SNN systems identifying key challenges in the
algorithm-hardware-application co-design space with an emphasis on
trustworthiness.
- Abstract（参考訳）: ニューロモルフィックコンピューティング、特にスパイク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り、オーディオや視覚センサーを含む様々な感覚モーダルから静的または時間的な入力を処理するようになった。
本稿では、複雑な機械学習アプリケーションのための、低レイテンシーを効率的に訓練しスケールするためのアルゴリズムおよび最適化技術革新の最近の進歩と、エネルギー効率の良いスパイクニューラルネットワーク(snns)について述べる。
次に,高エネルギー効率化と低レイテンシ化を両立させながら,高い信頼性と信頼性を両立させるアルゴリズムアーキテクチャ共同設計の最近の取り組みについて考察する。
次に,このようなアルゴリズムの革新を効率的に活用するために開発されたハードウェアについて述べる。
特に,モデル計算のかなりの部分を,センサ自体だけでなくメモリコンポーネントにも統合するハイブリッド手法について述べる。
最後に,信頼性を重視したアルゴリズム・ハードウェア・アプリケーション共同設計分野における重要な課題を識別する,デプロイ可能なSNNシステム構築に向けた研究の今後について論じる。
関連論文リスト
- When In-memory Computing Meets Spiking Neural Networks -- A Perspective on Device-Circuit-System-and-Algorithm Co-design [23.828100865782027]
レビューでは、スパイキングニューラルネットワーク(SNN)とアナログインメモリ・コンピューティング(IMC)ドメインという形で、生物解析可能な人工知能の交差点について考察する。
論文 参考訳（メタデータ） (2024-08-22T23:45:40Z) - Stochastic Spiking Neural Networks with First-to-Spike Coding [7.955633422160267]
スパイキングニューラルネットワーク (SNN) は、その生物の楽観性とエネルギー効率で知られている。
本研究では,SNNアーキテクチャにおける新しい計算手法と情報符号化方式の融合について検討する。
提案手法のトレードオフを,精度,推論遅延,スパイク空間性,エネルギー消費,データセットの観点から検討する。
論文 参考訳（メタデータ） (2024-04-26T22:52:23Z) - Free-Space Optical Spiking Neural Network [0.0]
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。
論文 参考訳（メタデータ） (2023-11-08T09:41:14Z) - 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) - 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) - MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。
我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。
我々は精度-速度トレードオフの観点から最先端の結果を得る。
論文 参考訳（メタデータ） (2020-09-29T11:56:01Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-02T15:38:44Z) - 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) - A Supervised Learning Algorithm for Multilayer Spiking Neural Networks
Based on Temporal Coding Toward Energy-Efficient VLSI Processor Design [2.6872737601772956]
スパイキングニューラルネットワーク(スパイキングニューラルネット、英: Spiking Neural Network、SNN)は、スパイクの形で情報を処理できる脳にインスパイアされた数学的モデルである。
時間符号化に基づくSNNのための新しい教師付き学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-08T03:37:08Z)
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。