論文の概要: TEXEL: A neuromorphic processor with on-chip learning for beyond-CMOS device integration
- arxiv url: http://arxiv.org/abs/2410.15854v1
- Date: Mon, 21 Oct 2024 10:30:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:21:36.209124
- Title: TEXEL: A neuromorphic processor with on-chip learning for beyond-CMOS device integration
- Title（参考訳）: TEXEL:CMOS以外のデバイス統合のためのオンチップ学習型ニューロモーフィックプロセッサ
- Authors: Hugh Greatorex, Ole Richter, Michele Mastella, Madison Cotteret, Philipp Klein, Maxime Fabre, Arianna Rubino, Willian Soares Girão, Junren Chen, Martin Ziegler, Laura Bégon-Lours, Giacomo Indiveri, Elisabetta Chicca,
- Abstract要約: TEXELは、オンチップ学習回路と新しい2端子および3端子デバイスの統合を探求するために設計された混合信号ニューロモルフィックアーキテクチャである。
本稿では,総合的なチップ計測とシミュレーションによるデバイス統合のためのTEXELの準備について述べる。
- 参考スコア（独自算出の注目度）: 2.2998185860354057
- License:
- Abstract: Recent advances in memory technologies, devices and materials have shown great potential for integration into neuromorphic electronic systems. However, a significant gap remains between the development of these materials and the realization of large-scale, fully functional systems. One key challenge is determining which devices and materials are best suited for specific functions and how they can be paired with CMOS circuitry. To address this, we introduce TEXEL, a mixed-signal neuromorphic architecture designed to explore the integration of on-chip learning circuits and novel two- and three-terminal devices. TEXEL serves as an accessible platform to bridge the gap between CMOS-based neuromorphic computation and the latest advancements in emerging devices. In this paper, we demonstrate the readiness of TEXEL for device integration through comprehensive chip measurements and simulations. TEXEL provides a practical system for testing bio-inspired learning algorithms alongside emerging devices, establishing a tangible link between brain-inspired computation and cutting-edge device research.
- Abstract（参考訳）: 近年のメモリ技術、デバイス、材料は、ニューロモルフィック電子システムへの統合に大きな可能性を示している。
しかし、これらの材料の開発と大規模で完全に機能するシステムの実現の間には大きなギャップが残っている。
重要な課題の1つは、どのデバイスや材料が特定の機能に適しているか、CMOS回路とどのように組み合わせられるかを決定することである。
そこで本研究では、オンチップ学習回路と新しい2端子・3端子デバイスの統合を探求するために設計された混合信号ニューロモルフィックアーキテクチャであるTEXELを紹介する。
TEXELは、CMOSベースのニューロモルフィック計算と新興デバイスの最新の進歩の間のギャップを埋めるための、アクセス可能なプラットフォームとして機能する。
本稿では,総合的なチップ計測とシミュレーションによるデバイス統合のためのTEXELの準備について述べる。
TEXELは、新興デバイスと共にバイオインスパイアされた学習アルゴリズムをテストするための実用的なシステムを提供し、脳にインスパイアされた計算と最先端デバイス研究との明確なリンクを確立する。
関連論文リスト
- 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) - Integration of Neuromorphic AI in Event-Driven Distributed Digitized
Systems: Concepts and Research Directions [0.2746383075956081]
本稿では,統合課題を提起する特徴に着目し,ニューロモルフィックコンピューティングの現状について述べる。
本稿では,ニューロモルフィックシステム統合のためのマイクロサービスベースのフレームワークを提案する。
また,この枠組みの実現の基盤となる概念も提示する。
論文 参考訳（メタデータ） (2022-10-20T12:09:29Z) - 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) - Bottom-up and top-down approaches for the design of neuromorphic
processing systems: Tradeoffs and synergies between natural and artificial
intelligence [3.874729481138221]
ムーアの法則は指数計算能力の期待を加速させており、システム全体の性能を改善するための新たな方法を求める最終段階に近づいている。
これらの方法の1つは、生物学的ニューラルネットワークシステムの柔軟性と計算効率を達成することを目的とした、脳にインスパイアされた代替コンピューティングアーキテクチャの探索である。
我々は、このパラダイムシフトが実現される際の粒度の異なるレベルについて、その分野の包括的概要を提供する。
論文 参考訳（メタデータ） (2021-06-02T16:51:45Z) - Motor-Imagery-Based Brain Computer Interface using Signal Derivation and
Aggregation Functions [23.995027642929756]
既存のMIベースのBCIフレームワークを改善するために,拡張融合フレームワークと呼ばれるBCIフレームワークを提案する。
まず、信号の追加の前処理ステップ、すなわち時間不変にする脳波信号の分化が含まれます。
次に、システムの特徴として追加の周波数帯域を追加し、システムのパフォーマンスにその効果を示します。
この新しいシステムは、運動画像ベースの脳-コンピュータインタフェース実験を行う20人のボランティアのデータセット上でテストしました。
論文 参考訳（メタデータ） (2021-01-18T10:14:01Z) - 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) - Protein Structured Reservoir computing for Spike-based Pattern
Recognition [0.37798600249187286]
単一タンパク質分子上での貯水池計算を実装し, 小世界のネットワーク特性とニューロモルフィック接続を導入する。
分子構造型貯留層計算システムが機械学習ベンチマークに対処できるかどうかを調査するために, 教師付き方式で, 単層読み出し層に様々なトレーニング手法を適用した。
RCネットワークは、MNISTデータセットから手書きの桁画像に対する概念実証として評価され、他の類似したアプローチと比較して許容される分類精度を示す。
論文 参考訳（メタデータ） (2020-08-07T18:30:12Z) - Hardware Implementation of Deep Network Accelerators Towards Healthcare
and Biomedical Applications [3.1366585656972092]
本稿では,効率的なDL加速器の開発に様々な技術が利用できるかを説明するチュートリアルを提供する。
バイオメディカルシグナルを処理するために, スパイクニューロモルフィックプロセッサが, DLプロセッサを補完する方法について検討する。
論文 参考訳（メタデータ） (2020-07-11T01:14:08Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳（メタデータ） (2020-05-05T08:00:07Z) - EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies
on Signal Sensing Technologies and Computational Intelligence Approaches and
their Applications [65.32004302942218]
Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。
近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
論文 参考訳（メタデータ） (2020-01-28T10:36:26Z)
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。