Fugu-MT 論文翻訳(概要): SparrowSNN: A Hardware/software Co-design for Energy Efficient ECG Classification

論文の概要: SparrowSNN: A Hardware/software Co-design for Energy Efficient ECG Classification

arxiv url: http://arxiv.org/abs/2406.06543v1
Date: Mon, 6 May 2024 10:30:05 GMT
ステータス: 処理完了
システム内更新日: 2024-07-01 08:00:19.028117
Title: SparrowSNN: A Hardware/software Co-design for Energy Efficient ECG Classification
Title（参考訳）: SparrowSNN: エネルギー効率の良いECG分類のためのハードウェア/ソフトウェア共同設計
Authors: Zhanglu Yan, Zhenyu Bai, Tulika Mitra, Weng-Fai Wong,
Abstract要約: スパイキングニューラルネットワーク(SNN)は、そのエネルギー効率でよく知られている。スパロウSNNは、SNNの98.29%の最先端精度を実現し、エネルギー消費量は1回の推定で31.39nJ、電力使用量は6.1uWである。
参考スコア（独自算出の注目度）: 7.030659971563306
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Heart disease is one of the leading causes of death worldwide. Given its high risk and often asymptomatic nature, real-time continuous monitoring is essential. Unlike traditional artificial neural networks (ANNs), spiking neural networks (SNNs) are well-known for their energy efficiency, making them ideal for wearable devices and energy-constrained edge computing platforms. However, current energy measurement of SNN implementations for detecting heart diseases typically rely on empirical values, often overlooking hardware overhead. Additionally, the integer and fire activations in SNNs require multiple memory accesses and repeated computations, which can further compromise energy efficiency. In this paper, we propose sparrowSNN, a redesign of the standard SNN workflow from a hardware perspective, and present a dedicated ASIC design for SNNs, optimized for ultra-low power wearable devices used in heartbeat classification. Using the MIT-BIH dataset, our SNN achieves a state-of-the-art accuracy of 98.29% for SNNs, with energy consumption of 31.39nJ per inference and power usage of 6.1uW, making sparrowSNN the highest accuracy with the lowest energy use among comparable systems. We also compare the energy-to-accuracy trade-offs between SNNs and quantized ANNs, offering recommendations on insights on how best to use SNNs.
Abstract（参考訳）: 心臓病は世界中の死因の1つである。リスクが高く、しばしば非対称的な性質を考えると、リアルタイムの継続的監視が不可欠である。従来の人工ニューラルネットワーク(ANN)とは異なり、スパイクニューラルネットワーク(SNN)はそのエネルギー効率でよく知られている。しかしながら、心臓疾患を検出するためのSNN実装の現在のエネルギー測定は、しばしばハードウェアのオーバーヘッドを見下ろす経験的値に依存している。さらに、SNNの整数とファイアアクティベーションは、複数のメモリアクセスと繰り返し計算を必要とするため、エネルギー効率をさらに損なう可能性がある。本稿では、ハードウェアの観点から標準SNNワークフローを再設計したsparrowSNNを提案し、心拍分類に使用される超低消費電力ウェアラブルデバイスに最適化されたSNN専用のASIC設計を提案する。 MIT-BIHデータセットを用いて、我々のSNNはSNNに対して98.29%の最先端の精度を達成し、エネルギー消費量は6.1uW当たり31.39nJ、エネルギー使用量は6.1uWである。また、SNNと量子化ANNのエネルギー対精度のトレードオフを比較し、SNNの使用方法に関する洞察を提供する。

関連論文リスト

NAS-BNN: Neural Architecture Search for Binary Neural Networks [55.058512316210056]
我々は、NAS-BNNと呼ばれる二元ニューラルネットワークのための新しいニューラルネットワーク探索手法を提案する。我々の発見したバイナリモデルファミリーは、20Mから2Mまでの幅広い操作(OP)において、以前のBNNよりも優れていた。さらに,対象検出タスクにおける探索されたBNNの転送可能性を検証するとともに,探索されたBNNを用いたバイナリ検出器は,MSデータセット上で31.6% mAP,370万 OPsなどの新たな最先端結果を得る。
論文参考訳（メタデータ） (2024-08-28T02:17:58Z)
Enhancing Adversarial Robustness in SNNs with Sparse Gradients [46.15229142258264]
スパイキングニューラルネットワーク(SNN)は、そのエネルギー効率の高い操作と生物学的にインスパイアされた構造に対して大きな注目を集めている。既存の技術は、ANNから適応したものであれ、SNNのために特別に設計されたものであれ、SNNの訓練や強力な攻撃に対する防御に制限がある。本稿では,SNNの頑健性を高めるための新しい手法を提案する。
論文参考訳（メタデータ） (2024-05-30T05:39:27Z)
NiSNN-A: Non-iterative Spiking Neural Networks with Attention with Application to Motor Imagery EEG Classification [7.430549997480745]
運動画像は脳波(EEG)研究において重要なカテゴリである。従来のディープラーニングアルゴリズムは、重要な計算要求と高エネルギー利用によって特徴付けられる。スパイクニューラルネットワーク(SNN)は、有望なエネルギー効率のソリューションとして出現する。
論文参考訳（メタデータ） (2023-12-09T19:13:15Z)
Spiking Neural Network Decision Feedback Equalization [70.3497683558609]
決定フィードバック等化器(DFE)に似たフィードバック構造を持つSNNベースの等化器を提案する。提案手法は,3種類の模範チャネルに対して,従来の線形等化器よりも明らかに優れていることを示す。決定フィードバック構造を持つSNNは、競合エネルギー効率の良いトランシーバへのパスを可能にする。
論文参考訳（メタデータ） (2022-11-09T09:19:15Z)
tinySNN: Towards Memory- and Energy-Efficient Spiking Neural Networks [14.916996986290902]
スパイキングニューラルネットワーク(SNN)モデルは、高い精度を提供できるため、一般的に好適である。しかし、資源とエネルギーを制約した組込みプラットフォームにそのようなモデルを適用することは非効率である。本稿では,SNN処理のメモリおよびエネルギー要求を最適化する小型SNNフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-17T09:40:40Z)
SATA: Sparsity-Aware Training Accelerator for Spiking Neural Networks [4.44525458129903]
スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワーク(ANN)に代わるエネルギー効率の高い代替手段として大きな注目を集めている。 SATA(Sparsity-Aware Training Accelerator)は,SNNのためのBPTTベースのトレーニングアクセラレータである。スパーシティを利用することで、SATAはスパーシティを使わずに計算エネルギー効率を5.58倍に向上させる。
論文参考訳（メタデータ） (2022-04-11T21:49:45Z)
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)
DTNN: Energy-efficient Inference with Dendrite Tree Inspired Neural Networks for Edge Vision Applications [2.1800759000607024]
本稿では,活性化量子化によって実現されたテーブルルックアップ操作を用いたエネルギー効率の高い推論のためのDendrite-Tree-based Neural Network (DTNN)を提案する。 DTNNはResNet-18とVGG-11でそれぞれ19.4Xと64.9Xの大幅な省エネを実現した。
論文参考訳（メタデータ） (2021-05-25T11:44:12Z)
Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-02T15:38:44Z)
You Only Spike Once: Improving Energy-Efficient Neuromorphic Inference to ANN-Level Accuracy [51.861168222799186]
スパイキングニューラルネットワーク(英: Spiking Neural Networks、SNN)は、神経型ネットワークの一種である。 SNNはスパースであり、重量はごくわずかであり、通常、より電力集約的な乗算および累積演算の代わりに追加操作のみを使用する。本研究では,TTFS符号化ニューロモルフィックシステムの限界を克服することを目的としている。
論文参考訳（メタデータ） (2020-06-03T15:55:53Z)
SiamSNN: Siamese Spiking Neural Networks for Energy-Efficient Object Tracking [20.595208488431766]
SiamSNNは、視覚オブジェクト追跡ベンチマークであるTB2013, VOT2016, GOT-10kにおいて、短いレイテンシと低い精度の損失を達成する最初のディープSNNトラッカーである。 SiamSNNは、ニューロモルフィックチップTrueNorth上で低エネルギー消費とリアルタイムを実現する。
論文参考訳（メタデータ） (2020-03-17T08:49:51Z)

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。