論文の概要: Time-Series Forecasting and Sequence Learning Using Memristor-based Reservoir System

• arxiv url: http://arxiv.org/abs/2405.13347v1
• Date: Wed, 22 May 2024 05:07:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-25 01:24:25.589393
• Title: Time-Series Forecasting and Sequence Learning Using Memristor-based Reservoir System
• Title（参考訳）: Memristor-based Reservoir System を用いた時系列予測とシーケンス学習
• Authors: Abdullah M. Zyarah, Dhireesha Kudithipudi,
• Abstract要約: 我々は,効率的な時間的データ処理とオンライン学習を兼ね備えたmemristorベースのエコー状態ネットワークアクセラレータを開発した。 提案した設計は、負荷エネルギー消費と気象条件の予測など、実世界のタスクを含む様々なデータセットを用いてベンチマークされる。 このシステムはデバイス故障に対して10%以下で合理的な堅牢性を示すことが観察された。
• 参考スコア（独自算出の注目度）: 2.6473021051027534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pushing the frontiers of time-series information processing in ever-growing edge devices with stringent resources has been impeded by the system's ability to process information and learn locally on the device. Local processing and learning typically demand intensive computations and massive storage as the process involves retrieving information and tuning hundreds of parameters back in time. In this work, we developed a memristor-based echo state network accelerator that features efficient temporal data processing and in-situ online learning. The proposed design is benchmarked using various datasets involving real-world tasks, such as forecasting the load energy consumption and weather conditions. The experimental results illustrate that the hardware model experiences a marginal degradation (~4.8%) in performance as compared to the software model. This is mainly attributed to the limited precision and dynamic range of network parameters when emulated using memristor devices. The proposed system is evaluated for lifespan, robustness, and energy-delay product. It is observed that the system demonstrates a reasonable robustness for device failure below 10%, which may occur due to stuck-at faults. Furthermore, 246X reduction in energy consumption is achieved when compared to a custom CMOS digital design implemented at the same technology node.
• Abstract（参考訳）: 長寿命エッジデバイスにおける時系列情報処理のフロンティアは、システムの情報処理能力とデバイス上でローカルに学習する能力によって妨げられている。 ローカル処理と学習は通常、情報を取得し、数百のパラメータを時間内に調整するので、集中的な計算と大量のストレージを必要とする。 本研究では,効率的な時間的データ処理とオンライン学習を両立させる,メムリスタベースのエコー状態ネットワークアクセラレータを開発した。 提案した設計は、負荷エネルギー消費と気象条件の予測など、実世界のタスクを含む様々なデータセットを用いてベンチマークされる。 実験結果から、ハードウェアモデルはソフトウェアモデルと比較して性能の限界劣化(約4.8%)を経験していることが示されている。 これは主に、memristor デバイスをエミュレートする際に、限られた精度とネットワークパラメータの動的範囲に起因する。 提案システムは, 寿命, 頑健性, エネルギー遅延生成物について評価した。 このシステムはデバイス故障に対して10%以下で合理的な堅牢性を示すことが観察された。 さらに、同じ技術ノードで実装されたカスタムCMOSデジタル設計と比較して、消費電力の246倍削減を実現する。

関連論文リスト

• Oscillations enhance time-series prediction in reservoir computing with feedback [3.3686252536891454]
  貯留層コンピューティング(Reservoir computing)は、脳のモデリングに使用される機械学習フレームワークである。 貯水池系が不安定になるため、長期目標時系列を正確に再現することは困難である。 本研究では,振動駆動型貯水池計算 (ODRC) をフィードバックで提案する。
  論文  参考訳（メタデータ） (2024-06-05T02:30:29Z)
• Analysis and Fully Memristor-based Reservoir Computing for Temporal Data Classification [0.6291443816903801]
  Reservoir Computing (RC) は、特に信号処理に有効なニューロモルフィックなフレームワークを提供する。 RCハードウェアのキーコンポーネントは動的貯留状態を生成する能力である。 本研究は, 新たな時間的課題の管理において, メムリスタをベースとしたRCシステムの適応性を照らすものである。
  論文  参考訳（メタデータ） (2024-03-04T08:22:29Z)
• 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)
• Quantum reservoir computing with repeated measurements on superconducting devices [6.868186896932376]
  我々は、繰り返し測定を利用して時系列を生成する量子貯水池(QR)システムを開発した。 我々は,IBMの量子超伝導デバイス上で提案したQRCを実験的に実装し,高い精度と短い実行時間を実現することを示す。
  論文  参考訳（メタデータ） (2023-10-10T15:29:24Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Self-timed Reinforcement Learning using Tsetlin Machine [1.104960878651584]
  本稿では、推論データパスの遅延解析とともに、Tsetlinマシンアルゴリズムの学習データパスのためのハードウェア設計を提案する。 結果として、パーソナライズされたヘルスケアやバッテリ駆動のIoTデバイスといったアプリケーションにおける非同期設計の利点が示されている。
  論文  参考訳（メタデータ） (2021-09-02T11:24:23Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• End-to-End Memristive HTM System for Pattern Recognition and Sequence Prediction [4.932130498861988]
  エッジ上の時間情報を処理するニューロモルフィックシステムを提案する。 提案アーキテクチャは、実世界のストリーミングデータを予測するためにベンチマークされる。 システムは3.46倍のレイテンシ削減と77.02倍の消費電力削減を提供する。
  論文  参考訳（メタデータ） (2020-06-22T01:12:14Z)

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。