論文の概要: Towards Large-scale Network Emulation on Analog Neuromorphic Hardware
- arxiv url: http://arxiv.org/abs/2401.16840v1
- Date: Tue, 30 Jan 2024 09:27:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 15:43:51.907595
- Title: Towards Large-scale Network Emulation on Analog Neuromorphic Hardware
- Title（参考訳）: アナログニューロモルフィックハードウェアの大規模ネットワークエミュレーションに向けて
- Authors: Elias Arnold, Philipp Spilger, Jan V. Straub, Eric M\"uller, Dominik
Dold, Gabriele Meoni, Johannes Schemmel
- Abstract要約: 分割された大規模スパイクニューラルネットワークのエミュレーションを容易にするBrainScaleS-2アクセラレーション型ニューロモルフィックプラットフォームのための新しいソフトウェア機能を提案する。
単チップBrainScaleS-2システムの物理サイズ制約を超えるMNISTデータセットとEuroSATデータセットを用いた2つのディープスパイクニューラルネットワークモデルのトレーニングを実演する。
- 参考スコア（独自算出の注目度）: 3.3535745719000087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel software feature for the BrainScaleS-2 accelerated
neuromorphic platform that facilitates the emulation of partitioned large-scale
spiking neural networks. This approach is well suited for many deep spiking
neural networks, where the constraint of the largest recurrent subnetwork
fitting on the substrate or the limited fan-in of neurons is often not a
limitation in practice. We demonstrate the training of two deep spiking neural
network models, using the MNIST and EuroSAT datasets, that exceed the physical
size constraints of a single-chip BrainScaleS-2 system. The ability to emulate
and train networks larger than the substrate provides a pathway for accurate
performance evaluation in planned or scaled systems, ultimately advancing the
development and understanding of large-scale models and neuromorphic computing
architectures.
- Abstract（参考訳）: 本稿では,分割された大規模スパイクニューラルネットワークのエミュレーションを容易にするbrainscales-2accelerated neuromorphic platformのための新しいソフトウェア機能を提案する。
このアプローチは多くのディープスパイクニューラルネットワークに適しており、基板上の最大のリカレントサブネットワークの制約やニューロンのファンインの制限は実際には制限されないことが多い。
単チップBrainScaleS-2システムの物理サイズ制約を超えるMNISTデータセットとEuroSATデータセットを用いた2つのディープスパイクニューラルネットワークモデルのトレーニングを実演する。
基板よりも大きなネットワークをエミュレートし、トレーニングする能力は、計画またはスケールされたシステムにおける正確なパフォーマンス評価のための経路を提供し、最終的には大規模モデルとニューロモルフィックコンピューティングアーキテクチャの開発と理解を促進する。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - 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) - 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 critical look at deep neural network for dynamic system modeling [0.0]
本稿では,入力出力データを用いた動的システムのモデリングにおける(深度)ニューラルネットワークの能力に疑問を呈する。
線形時間不変(LTI)力学系の同定には、2つの代表的なニューラルネットワークモデルを比較する。
LTIシステムでは、LSTMとCFNNはノイズのないケースでも一貫したモデルを提供できない。
論文 参考訳（メタデータ） (2023-01-27T09:03:05Z) - Exploring the Approximation Capabilities of Multiplicative Neural
Networks for Smooth Functions [9.936974568429173]
対象関数のクラスは、一般化帯域制限関数とソボレフ型球である。
以上の結果から、乗法ニューラルネットワークは、これらの関数をはるかに少ない層とニューロンで近似できることを示した。
これらの結果は、乗法ゲートが標準フィードフォワード層より優れ、ニューラルネットワーク設計を改善する可能性があることを示唆している。
論文 参考訳（メタデータ） (2023-01-11T17:57:33Z) - The BrainScaleS-2 accelerated neuromorphic system with hybrid plasticity [0.0]
本稿では,BrainScaleSニューロモルフィックアーキテクチャの第2世代について述べる。
バイオインスパイアされたスパイクニューラルネットワークプリミティブの、加速された物理的エミュレーションをサポートするカスタムアクセラレータコアと、密結合されたデジタルプロセッサと、イベントルーティングネットワークを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-01-26T17:13:46Z) - 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) - Max and Coincidence Neurons in Neural Networks [0.07614628596146598]
ニューラルアーキテクチャサーチを用いて、最大ニューロンと偶然ニューロンのモデルを含むネットワークを最適化する。
我々は、信号処理ResNetを開発するために最適化ネットワークの構造、動作、ニューロンを分析する。
開発されたネットワークは、精度が平均2%向上し、さまざまなデータセットでネットワークサイズが25%向上した。
論文 参考訳（メタデータ） (2021-10-04T07:13:50Z) - EvoPose2D: Pushing the Boundaries of 2D Human Pose Estimation using
Accelerated Neuroevolution with Weight Transfer [82.28607779710066]
生物進化にインスパイアされたニューラル・アーキテクチャー・サーチの一形態であるニューラル・エボリューションの2次元ヒューマン・ポーズ・ネットワークの設計への応用について検討する。
本手法は,最先端の手設計ネットワークよりも効率的かつ高精度なネットワーク設計を実現する。
論文 参考訳（メタデータ） (2020-11-17T05:56:16Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳（メタデータ） (2020-04-08T06:55:12Z) - Structural plasticity on an accelerated analog neuromorphic hardware
system [0.46180371154032884]
我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。
我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。
ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
論文 参考訳（メタデータ） (2019-12-27T10:15:58Z)
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。