論文の概要: Neuromorphic Event-Driven Semantic Communication in Microgrids
- arxiv url: http://arxiv.org/abs/2402.18390v1
- Date: Wed, 28 Feb 2024 15:11:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 14:35:04.980346
- Title: Neuromorphic Event-Driven Semantic Communication in Microgrids
- Title(参考訳): マイクログリッドにおけるニューロモルフィックイベント駆動セマンティックコミュニケーション
- Authors: Xiaoguang Diao, Yubo Song, Subham Sahoo, Yuan Li
- Abstract要約: 本稿では,各ノードにスパイキングニューラルネットワーク(SNN)を用いて通信機能を埋め込むニューロモルフィック学習を提案する。
スパイキング信号で作動する従来のニューロモルフィックセンサとは対照的に、イベント駆動選択的プロセスを用いてスパースデータを収集し、SNNの訓練を行う。
- 参考スコア(独自算出の注目度): 5.817656520396958
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synergies between advanced communications, computing and artificial
intelligence are unraveling new directions of coordinated operation and
resiliency in microgrids. On one hand, coordination among sources is
facilitated by distributed, privacy-minded processing at multiple locations,
whereas on the other hand, it also creates exogenous data arrival paths for
adversaries that can lead to cyber-physical attacks amongst other reliability
issues in the communication layer. This long-standing problem necessitates new
intrinsic ways of exchanging information between converters through power lines
to optimize the system's control performance. Going beyond the existing power
and data co-transfer technologies that are limited by efficiency and
scalability concerns, this paper proposes neuromorphic learning to implant
communicative features using spiking neural networks (SNNs) at each node, which
is trained collaboratively in an online manner simply using the power exchanges
between the nodes. As opposed to the conventional neuromorphic sensors that
operate with spiking signals, we employ an event-driven selective process to
collect sparse data for training of SNNs. Finally, its multi-fold effectiveness
and reliable performance is validated under simulation conditions with
different microgrid topologies and components to establish a new direction in
the sense-actuate-compute cycle for power electronic dominated grids and
microgrids.
- Abstract(参考訳): 高度なコミュニケーション、コンピューティング、人工知能のシナジーは、マイクログリッドにおける協調操作とレジリエンスの新しい方向性を解き放ちます。
一方、ソース間の調整は、複数の場所でのプライバシーを意識した分散処理によって容易であり、一方、通信層における他の信頼性の問題の中でサイバーフィジカルアタックにつながる敵のための外因性データ到着パスも作成する。
この長年の問題は、システムの制御性能を最適化するために、電力線を介してコンバータ間で情報を交換する新しい本質的な方法を必要とする。
本稿では、効率とスケーラビリティの懸念によって制限された既存の電力・データの共有技術を超えて、各ノードにスパイキングニューラルネットワーク(snn)を使用して通信機能を埋め込む神経形態学習を提案する。
スパイキング信号を扱う従来のニューロモルフィックセンサとは対照的に,snsの訓練のためにスパースデータを集めるためにイベント駆動選択的プロセスを用いる。
最後に、マイクログリッドトポロジとコンポーネントの異なるシミュレーション条件下で、そのマルチフォールドの有効性と信頼性を検証し、パワー電子支配グリッドとマイクログリッドの新しい方向を定めている。
関連論文リスト
- Fully Spiking Actor Network with Intra-layer Connections for
Reinforcement Learning [51.386945803485084]
エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。
既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。
浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
論文 参考訳(メタデータ) (2024-01-09T07:31:34Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳(メタデータ) (2023-10-05T21:44:18Z) - Neuromorphic Integrated Sensing and Communications [28.475406916976247]
ニューロモルフィック統合センシングと通信(N-ISAC)を導入し,効率的なオンラインデータデコーディングとレーダセンシングを実現する。
N-ISACは、デジタル情報を伝達し、レーダーターゲットの有無を検出するために、共通のIR波形を利用する。
受信機にスパイキングニューラルネットワーク(SNN)を配置し、デジタルデータを復号し、受信した信号から直接レーダーターゲットを検出する。
論文 参考訳(メタデータ) (2022-09-24T00:23:25Z) - Context-sensitive neocortical neurons transform the effectiveness and
efficiency of neural information processing [0.783788180051711]
ディープラーニング(DL)は、多くの現実世界のドメインの人間に匹敵する、あるいはそれ以上に優れたビッグデータ処理能力を持つ。
しかし、いくつかのアプリケーションでは持続不可能な高エネルギー要求とエラーのコストでは、しばしば発生するが、大きなものになり得る。
本研究は, 文脈に敏感な新皮質ニューロンの機能を模倣することにより, これらの制限を回避する方法を示す。
論文 参考訳(メタデータ) (2022-07-15T08:30:33Z) - Neuromorphic Wireless Cognition: Event-Driven Semantic Communications
for Remote Inference [32.0035037154674]
本稿ではニューロモルフィックな無線インターネット・オブ・Thingsシステムのためのエンドツーエンドの設計を提案する。
各センサ装置は、ニューロモルフィックセンサと、スパイキングニューラルネットワーク(SNN)と、複数のアンテナを備えたインパルス無線送信機を備える。
パイロット、SNNの符号化、SNNの復号化、ハイパーネットワークは、複数のチャネル実現を通じて共同で訓練される。
論文 参考訳(メタデータ) (2022-06-13T11:13:39Z) - 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) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳(メタデータ) (2021-06-15T09:03:28Z) - Supervised training of spiking neural networks for robust deployment on
mixed-signal neuromorphic processors [2.6949002029513167]
混合信号アナログ/デジタル電子回路はスパイキングニューロンやシナプスを非常に高いエネルギー効率でエミュレートすることができる。
ミスマッチは、同一構成ニューロンとシナプスの効果的なパラメータの違いとして表現される。
ミスマッチに対する堅牢性や,その他の一般的なノイズ源を最大化することで,この課題に対処する,教師付き学習アプローチを提案する。
論文 参考訳(メタデータ) (2021-02-12T09:20:49Z) - Spiking Neural Networks -- Part III: Neuromorphic Communications [38.518936229794214]
ますますワイヤレスに接続されるデバイスの存在は、機械学習の進歩を輸出しようと努力している。
帯域制限されたチャネルを介して接続されたバッテリ駆動デバイス上での学習と推論のための機械学習モデルの実装は依然として困難である。
本稿では、スパイキングニューラルネットワーク(SNN)がこれらのオープンな問題に対処する2つの方法を探る。
論文 参考訳(メタデータ) (2020-10-27T11:52:35Z) - Communication-Efficient and Distributed Learning Over Wireless Networks:
Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。
本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文 参考訳(メタデータ) (2020-08-06T12:37:14Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z)
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。