Fugu-MT 論文翻訳(概要): Classical and Quantum Physical Reservoir Computing for Onboard Artificial Intelligence Systems: A Perspective

論文の概要: Classical and Quantum Physical Reservoir Computing for Onboard Artificial Intelligence Systems: A Perspective

arxiv url: http://arxiv.org/abs/2407.04717v1
Date: Fri, 14 Jun 2024 06:55:09 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 16:25:52.681751
Title: Classical and Quantum Physical Reservoir Computing for Onboard Artificial Intelligence Systems: A Perspective
Title（参考訳）: 搭載人工知能システムのための古典的・量子的物理貯留層計算の展望
Authors: A. H. Abbas, Hend Abdel-Ghani, Ivan S. Maksymov,
Abstract要約: 本稿では,生体脳の動作を模倣する,搭載型ニューロモルフィックコンピュータの開発を論じる。量子ニューロモルフィックプロセッサ(QNP)は、オンボードバッテリーの1%未満を消費しながら、標準的なコンピュータの効率で計算を行うことができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Artificial intelligence (AI) systems of autonomous systems such as drones, robots and self-driving cars may consume up to 50% of total power available onboard, thereby limiting the vehicle's range of functions and considerably reducing the distance the vehicle can travel on a single charge. Next-generation onboard AI systems need an even higher power since they collect and process even larger amounts of data in real time. This problem cannot be solved using the traditional computing devices since they become more and more power-consuming. In this review article, we discuss the perspectives of development of onboard neuromorphic computers that mimic the operation of a biological brain using nonlinear-dynamical properties of natural physical environments surrounding autonomous vehicles. Previous research also demonstrated that quantum neuromorphic processors (QNPs) can conduct computations with the efficiency of a standard computer while consuming less than 1% of the onboard battery power. Since QNPs is a semi-classical technology, their technical simplicity and low, compared with quantum computers, cost make them ideally suitable for application in autonomous AI system. Providing a perspective view on the future progress in unconventional physical reservoir computing and surveying the outcomes of more than 200 interdisciplinary research works, this article will be of interest to a broad readership, including both students and experts in the fields of physics, engineering, quantum technologies and computing.
Abstract（参考訳）: ドローン、ロボット、自動運転車などの自律システムの人工知能(AI)システムは、搭載可能な全電力の最大50%を消費し、車の機能範囲を制限し、車両が1回の充電で走行できる距離を大幅に削減することができる。次世代の搭載AIシステムは、さらに大量のデータをリアルタイムで収集、処理するため、さらに高いパワーを必要とする。この問題は、より電力消費が増えるため、従来のコンピューティングデバイスでは解決できない。本稿では,自律走行車を取り巻く自然環境の非線形力学特性を用いて,生体脳の動作を模倣する,搭載型ニューロモルフィックコンピュータの開発を論じる。以前の研究では、量子ニューロモルフィックプロセッサ(QNP)が標準コンピュータの効率で計算を行えながら、搭載されているバッテリー電力の1%未満を消費することを示した。 QNPは半古典的技術であるため、その技術的単純さは量子コンピュータと比較して低く、コストは自律型AIシステムに最適である。本稿では, 物理, 工学, 量子技術, 計算分野の専門家を含む,200以上の学際的な研究成果の今後の動向と今後の展望について考察する。

関連論文リスト

LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
論文参考訳（メタデータ） (2023-11-02T07:23:33Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
The Two Faces of AI in Green Mobile Computing: A Literature Review [2.6763498831034034]
本稿では,グリーンモバイルコンピューティングの領域における人工知能の利用について,過去10年間の文献を概観する。 34論文の分析から,新たなパターンを取り上げ,その領域を詳細にまとめた13のトピックにまとめる。
論文参考訳（メタデータ） (2023-07-21T15:18:10Z)
Reliable AI: Does the Next Generation Require Quantum Computing? [71.84486326350338]
デジタルハードウェアは、最適化、ディープラーニング、微分方程式に関する問題の解決に本質的に制約されていることを示す。対照的に、Blum-Shub-Smale マシンのようなアナログコンピューティングモデルは、これらの制限を克服する可能性を示している。
論文参考訳（メタデータ） (2023-07-03T19:10:45Z)
Physical Computing for Materials Acceleration Platforms [81.09376948478891]
我々は、MAPs研究プログラムの一環として、新しい素材の探索を加速する同じシミュレーションとAIツールが、根本的に新しいコンピュータ媒体の設計を可能にすると論じている。シミュレーションに基づくMAPプログラムの概要を述べる。我々は、材料研究者と計算機科学者の革新的なコラボレーションの新たな時代を導入することを期待している。
論文参考訳（メタデータ） (2022-08-17T23:03:54Z)
Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。この記事では、そのような制限と、それらが緩和される方法について論じる。これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文参考訳（メタデータ） (2022-05-25T20:16:05Z)
Next Wave Artificial Intelligence: Robust, Explainable, Adaptable, Ethical, and Accountable [5.4138734778206]
ディープニューラルネットワークはコンピュータビジョン、音声認識、言語処理、ゲームプレイング、ロボット工学において多くの成功と新機能をもたらしている。関連する制限は、今日のAIシステムの中で最も成功した場合でも脆さに苦しむことです。 AIシステムは、トレーニングデータから性別、人種、その他の要因に基づくバイアスを吸収し、その後の意思決定におけるバイアスをさらに大きくすることができる。
論文参考訳（メタデータ） (2020-12-11T00:50:09Z)
Photonics for artificial intelligence and neuromorphic computing [52.77024349608834]
フォトニック集積回路は超高速な人工ニューラルネットワークを可能にした。フォトニックニューロモルフィックシステムはナノ秒以下のレイテンシを提供する。これらのシステムは、機械学習と人工知能の需要の増加に対応する可能性がある。
論文参考訳（メタデータ） (2020-10-30T21:41:44Z)
On the spatiotemporal behavior in biology-mimicking computing systems [0.0]
シングルプロセッサからスーパーコンピュータまで、従来のコンピュータシステムのペイロード性能は、その性質の限界に達した。ビッグデータ(人工知能をベースとする、あるいは支援する)に対処する需要が高まっていることと、私たちの脳の操作をより完全に理解することへの関心の両方が、生物学を模倣するコンピューティングシステムを構築する努力を刺激した。これらのシステムは異常な数のプロセッサを必要とし、性能制限と非線形スケーリングをもたらす。
論文参考訳（メタデータ） (2020-09-18T13:53:58Z)
Memristors -- from In-memory computing, Deep Learning Acceleration, Spiking Neural Networks, to the Future of Neuromorphic and Bio-inspired Computing [25.16076541420544]
機械学習は、特にディープラーニングの形で、人工知能の最近の基本的な発展のほとんどを駆動している。ディープラーニングは、オブジェクト/パターン認識、音声と自然言語処理、自動運転車、インテリジェントな自己診断ツール、自律ロボット、知識に富んだパーソナルアシスタント、監視といった分野に成功している。本稿では、電力効率の高いインメモリコンピューティング、ディープラーニングアクセラレーター、スパイクニューラルネットワークの実装のための潜在的なソリューションとして、CMOSハードウェア技術、memristorsを超越した小説をレビューする。
論文参考訳（メタデータ） (2020-04-30T16:49:03Z)

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。