論文の概要: Hybrid Magnonic Reservoir Computing

• arxiv url: http://arxiv.org/abs/2405.09542v1
• Date: Thu, 25 Apr 2024 18:21:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 03:17:55.488950
• Title: Hybrid Magnonic Reservoir Computing
• Title（参考訳）: ハイブリッドマグノニクス貯留層計算
• Authors: Cliff B. Abbott, Dmytro A. Bozhko,
• Abstract要約: 我々は貯水池コンピュータとしてAuto-Oscillation Ringを使用するための確立した設計を構築した。 これらの設計は,従来の高密度ニューラルネットワークよりも多種多様な実世界のデータセットで実行可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnonic systems have been a major area of research interest due to their potential benefits in speed and lower power consumption compared to traditional computing. One particular area that they may be of advantage is as Physical Reservoir Computers in machine learning models. In this work, we build on an established design for using an Auto-Oscillation Ring as a reservoir computer by introducing a simple neural network midstream and introduce an additional design using a spin wave guide with a scattering regime for processing data with different types of inputs. We simulate these designs on the new micro magnetic simulation software, Magnum.np, and show that the designs are capable of performing on various real world data sets comparably or better than traditional dense neural networks.
• Abstract（参考訳）: マグノニクス系は、従来の計算と比較して、速度と消費電力の低さに潜在的な利点があるため、研究分野において大きな関心を集めてきた。 それらが有利である可能性のある分野の1つは、機械学習モデルにおける物理貯水池コンピュータである。 本研究では、単純なニューラルネットワークを中間ストリームに導入し、オートオシレーションリングを貯水池コンピュータとして使用するための確立された設計を構築し、異なる種類の入力でデータを処理するための散乱機構を備えたスピンウェーブガイドを用いた追加設計を導入する。 我々はこれらの設計を新しいマイクロ磁気シミュレーションソフトウェアMagnum.npでシミュレートし、従来の高密度ニューラルネットワークよりも多種多様な実世界のデータセットで実行可能であることを示す。

関連論文リスト

• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。 その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• SpiNNaker2: A Large-Scale Neuromorphic System for Event-Based and Asynchronous Machine Learning [12.300710699791418]
  SpiNNaker2はスケーラブルな機械学習のために開発されたデジタルニューロモルフィックチップである。 この研究はSpiNNaker2システムの動作原理を特徴とし、新しい機械学習アプリケーションのプロトタイプを概説している。
  論文  参考訳（メタデータ） (2024-01-09T11:07:48Z)
• A Physics-Informed Neural Network to Model Port Channels [0.09830751917335563]
  PINNモデルは、物理システムとデータ駆動機械学習モデルの知識を組み合わせることを目的としている。 まず,従来のシミュレーション手法では実現不可能な周期的な流れを仮定するために,本モデルの設計を行う。 第2に、計算コストがほぼゼロに近いトレーニング中に関数評価点を再サンプリングする利点を評価する。
  論文  参考訳（メタデータ） (2022-12-20T22:53:19Z)
• Scalable Nanophotonic-Electronic Spiking Neural Networks [3.9918594409417576]
  スパイキングニューラルネットワーク(SNN)は、高度に並列化されたリアルタイム処理が可能な新しい計算パラダイムを提供する。 フォトニックデバイスは、SNN計算パラダイムに適合する高帯域並列アーキテクチャの設計に最適である。 CMOSとSiPhの併用技術はスケーラブルなSNNコンピューティングアーキテクチャの設計に適している。
  論文  参考訳（メタデータ） (2022-08-28T06:10:06Z)
• 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)
• Reservoir Memory Machines as Neural Computers [70.5993855765376]
  微分可能なニューラルネットワークは、干渉することなく明示的なメモリで人工ニューラルネットワークを拡張する。 我々は、非常に効率的に訓練できるモデルを用いて、微分可能なニューラルネットワークの計算能力を実現する。
  論文  参考訳（メタデータ） (2020-09-14T12:01:30Z)
• Building Reservoir Computing Hardware Using Low Energy-Barrier Magnetics [0.0]
  貯水池コンピュータのような生物学的に繰り返されるニューラルネットワークは、単純な学習方式とカルマンフィルタとの深い接続により、ハードウェアの観点から興味深い。 このようなデバイスを用いた貯水池コンピュータのコンパクトな実装は、エッジデバイスにおけるスタンドアロンまたは直感的なマシン認識のためのコンパクトでエネルギー効率のよい信号プロセッサの構築を可能にする。
  論文  参考訳（メタデータ） (2020-07-06T14:11:45Z)
• 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)
• Reservoir Computing with Planar Nanomagnet Arrays [58.40902139823252]
  プラナーナノマグネット貯水池は、専用ニューロモルフィックハードウェアの需要が増大する中で、期待できる新しいソリューションである。 プラナーナノマグネット貯水池は、専用ニューロモルフィックハードウェアの需要が増大する中で、期待できる新しいソリューションである。
  論文  参考訳（メタデータ） (2020-03-24T16:25:31Z)

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。