論文の概要: NeuSpin: Design of a Reliable Edge Neuromorphic System Based on Spintronics for Green AI

• arxiv url: http://arxiv.org/abs/2401.06195v1
• Date: Thu, 11 Jan 2024 13:27:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 21:08:47.494471
• Title: NeuSpin: Design of a Reliable Edge Neuromorphic System Based on Spintronics for Green AI
• Title（参考訳）: NeuSpin:グリーンAIのためのスピントロニクスに基づく信頼性の高いエッジニューロモルフィックシステムの設計
• Authors: Soyed Tuhin Ahmed, Kamal Danouchi, Guillaume Prenat, Lorena Anghel, Mehdi B. Tahoori
• Abstract要約: IoT(Internet of Things)と、パーソナライズされたヘルスケアのためのスマートウェアラブルデバイスは、継続的に増加するデータの保存と計算を必要とします。 これらのデバイスの主要な要件は、超低消費電力、高処理能力、低コストでの自律性、エッジでGreen AIを有効にするための信頼性と正確性である。 NeuSPINプロジェクトは、フルスタックハードウェアとソフトウェアの共同設計を通じてこれらの課題に対処することを目的としており、スプリントベースのCIMプラットフォーム上でのBayNNのパフォーマンス、エネルギー効率、堅牢性を向上させるために、新しいアルゴリズムおよび回路設計アプローチを開発する。
• 参考スコア（独自算出の注目度）: 0.22499166814992438
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Internet of Things (IoT) and smart wearable devices for personalized healthcare will require storing and computing ever-increasing amounts of data. The key requirements for these devices are ultra-low-power, high-processing capabilities, autonomy at low cost, as well as reliability and accuracy to enable Green AI at the edge. Artificial Intelligence (AI) models, especially Bayesian Neural Networks (BayNNs) are resource-intensive and face challenges with traditional computing architectures due to the memory wall problem. Computing-in-Memory (CIM) with emerging resistive memories offers a solution by combining memory blocks and computing units for higher efficiency and lower power consumption. However, implementing BayNNs on CIM hardware, particularly with spintronic technologies, presents technical challenges due to variability and manufacturing defects. The NeuSPIN project aims to address these challenges through full-stack hardware and software co-design, developing novel algorithmic and circuit design approaches to enhance the performance, energy-efficiency and robustness of BayNNs on sprintronic-based CIM platforms.
• Abstract（参考訳）: IoT(Internet of Things)と、パーソナライズされたヘルスケアのためのスマートウェアラブルデバイスは、継続的に増加するデータの保存と計算を必要とします。 これらのデバイスの主要な要件は、超低消費電力、高処理能力、低コストでの自律性、エッジでGreen AIを有効にするための信頼性と正確性である。 人工知能(AI)モデル、特にベイジアンニューラルネットワーク(BayNN)はリソース集約型であり、メモリウォールの問題による従来のコンピューティングアーキテクチャの課題に直面している。 CIM(Computer-in-Memory)は、メモリブロックとコンピュータユニットを組み合わせることで、高効率と低消費電力を実現する。 しかし、特にスピントロニクス技術を用いたCIMハードウェア上でのBayNNの実装は、可変性と製造欠陥による技術的課題を提起している。 NeuSPINプロジェクトは、フルスタックのハードウェアとソフトウェアの共同設計を通じてこれらの課題に対処することを目的としており、スポロニックベースのCIMプラットフォーム上でのBayNNの性能、エネルギー効率、堅牢性を向上させる新しいアルゴリズムと回路設計アプローチを開発している。

関連論文リスト

• Sparsity-Aware Hardware-Software Co-Design of Spiking Neural Networks: An Overview [1.0499611180329804]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューラルネットワークのスパースでイベント駆動的な性質にインスパイアされ、超低消費電力人工知能の可能性を秘めている。 スパースSNNのハードウェア・ソフトウェア共同設計について検討し,スパース表現,ハードウェアアーキテクチャ,トレーニング技術がハードウェア効率に与える影響について検討する。 本研究の目的は,スパースSNNの計算的優位性をフル活用した,組込みニューロモルフィックシステムへの道筋を解明することである。
  論文  参考訳（メタデータ） (2024-08-26T17:22:11Z)
• Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
  デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。 本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。 この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
  論文  参考訳（メタデータ） (2024-04-15T09:33:09Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• 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 perspective on physical reservoir computing with nanomagnetic devices [1.9007022664972197]
  我々は、スピントロニクスデバイスを用いた計算に適した単純なトレーニングアルゴリズムを備えたリカレントネットワークである貯水池コンピューティングパラダイムに焦点を当てた。 我々はニューロモルフィック・スピントロニクスデバイスを開発するための技術や手法をレビューし、そのようなデバイスが広く使われるようになる前に対処すべき重要なオープン・イシューを結論付ける。
  論文  参考訳（メタデータ） (2022-12-09T13:43:21Z)
• Enable Deep Learning on Mobile Devices: Methods, Systems, and Applications [46.97774949613859]
  ディープニューラルネットワーク(DNN)は人工知能(AI)分野において前例のない成功を収めた しかし、それらの優れた性能は、計算の複雑さのかなりのコストを伴っている。 本稿では,効率的なディープラーニング手法,システム,応用について概説する。
  論文  参考訳（メタデータ） (2022-04-25T16:52:48Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• Resistive Neural Hardware Accelerators [0.46198289193451136]
  ReRAMベースのインメモリコンピューティングは、領域と電力効率のよい推論の実装において大きな可能性を秘めている。 ReRAMベースのインメモリコンピューティングへの移行は、領域と電力効率のよい推論の実装において大きな可能性を秘めている。 本稿では,最先端のReRAMベースディープニューラルネットワーク(DNN)多コアアクセラレータについて概説する。
  論文  参考訳（メタデータ） (2021-09-08T21:11:48Z)
• HCM: Hardware-Aware Complexity Metric for Neural Network Architectures [6.556553154231475]
  本稿では,ニューラルネットワークアーキテクチャのシステムデザイナを支援することを目的とした,ハードウェア対応の複雑性指標を提案する。 提案手法は,資源制限されたデバイス上でのニューラルネットワークモデルの設計代替案の評価にどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-04-19T16:42:51Z)

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。