論文の概要: The Reliability Issue in ReRam-based CIM Architecture for SNN: A Survey

• arxiv url: http://arxiv.org/abs/2412.10389v1
• Date: Sat, 30 Nov 2024 16:03:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-22 08:34:04.005032
• Title: The Reliability Issue in ReRam-based CIM Architecture for SNN: A Survey
• Title（参考訳）: SNNにおけるReRamベースのCIMアーキテクチャの信頼性問題:サーベイ
• Authors: Wei-Ting Chen,
• Abstract要約: Spiking Neural Networks(SNN)は、生物学的ニューラルネットワークを模倣することで、エネルギー効率の高い計算を可能にする、有望な代替手段を提供する。 ReRAMとCompute-in-Memory (CIM)アーキテクチャは、ストレージと計算を統合することで、フォン・ノイマンのボトルネックを克服することを目的としている。 本調査では,SNNとReRAMベースのCIMアーキテクチャの共通点について検討し,デバイスレベルの変動と運用上のエラーから生じる信頼性の問題に着目した。
• 参考スコア（独自算出の注目度）: 11.935228413907875
• License:
• Abstract: The increasing complexity and energy demands of deep learning models have highlighted the limitations of traditional computing architectures, especially for edge devices with constrained resources. Spiking Neural Networks (SNNs) offer a promising alternative by mimicking biological neural networks, enabling energy-efficient computation through event-driven processing and temporal encoding. Concurrently, emerging hardware technologies like Resistive Random Access Memory (ReRAM) and Compute-in-Memory (CIM) architectures aim to overcome the Von Neumann bottleneck by integrating storage and computation. This survey explores the intersection of SNNs and ReRAM-based CIM architectures, focusing on the reliability challenges that arise from device-level variations and operational errors. We review the fundamental principles of SNNs and ReRAM crossbar arrays, discuss the inherent reliability issues in both technologies, and summarize existing solutions to mitigate these challenges.
• Abstract（参考訳）: ディープラーニングモデルの複雑さとエネルギー需要の増加は、特にリソースの制約のあるエッジデバイスにおいて、従来のコンピューティングアーキテクチャの限界を強調している。 Spiking Neural Networks(SNN)は、生物学的ニューラルネットワークを模倣して、イベント駆動処理とテンポラリエンコーディングによるエネルギー効率の高い計算を可能にする、有望な代替手段を提供する。 同時に、Resistive Random Access Memory (ReRAM)やCompute-in-Memory (CIM)アーキテクチャのような新しいハードウェア技術は、ストレージと計算を統合することで、Von Neumannのボトルネックを克服することを目指している。 本調査では,SNNとReRAMベースのCIMアーキテクチャの共通点について検討し,デバイスレベルの変動と運用上のエラーから生じる信頼性の問題に着目した。 我々は、SNNとReRAMクロスバーアレイの基本原理を概観し、両技術固有の信頼性問題について議論し、これらの課題を緩和するための既存のソリューションを要約する。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• NeuSpin: Design of a Reliable Edge Neuromorphic System Based on Spintronics for Green AI [0.22499166814992438]
  IoT(Internet of Things)と、パーソナライズされたヘルスケアのためのスマートウェアラブルデバイスは、継続的に増加するデータの保存と計算を必要とします。 これらのデバイスの主要な要件は、超低消費電力、高処理能力、低コストでの自律性、エッジでGreen AIを有効にするための信頼性と正確性である。 NeuSPINプロジェクトは、フルスタックハードウェアとソフトウェアの共同設計を通じてこれらの課題に対処することを目的としており、スプリントベースのCIMプラットフォーム上でのBayNNのパフォーマンス、エネルギー効率、堅牢性を向上させるために、新しいアルゴリズムおよび回路設計アプローチを開発する。
  論文  参考訳（メタデータ） (2024-01-11T13:27:19Z)
• Pursing the Sparse Limitation of Spiking Deep Learning Structures [42.334835610250714]
  スパイキングニューラルネットワーク(SNN)はその優れた計算とエネルギー効率のために注目を集めている。 重量とパッチレベルの当選チケットを同時に識別できる革新的なアルゴリズムを提案する。 我々は, モデル構造が極めて疎い場合でも, スパイキング抽選券が同等あるいは優れた性能を達成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-18T17:00:40Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Resistive Neural Hardware Accelerators [0.46198289193451136]
  ReRAMベースのインメモリコンピューティングは、領域と電力効率のよい推論の実装において大きな可能性を秘めている。 ReRAMベースのインメモリコンピューティングへの移行は、領域と電力効率のよい推論の実装において大きな可能性を秘めている。 本稿では,最先端のReRAMベースディープニューラルネットワーク(DNN)多コアアクセラレータについて概説する。
  論文  参考訳（メタデータ） (2021-09-08T21:11:48Z)
• Online Training of Spiking Recurrent Neural Networks with Phase-Change Memory Synapses [1.9809266426888898]
  専用のニューロモルフィックハードウェア上でのスパイクニューラルネットワーク(RNN)のトレーニングは、依然としてオープンな課題である。 本稿では,PCMデバイスモデルに基づく差分構造アレイのシミュレーションフレームワークを提案する。 我々は,最近提案されたe-prop学習規則を用いて,提案したシミュレーションフレームワークに重みをエミュレートしたスパイクRNNを訓練する。
  論文  参考訳（メタデータ） (2021-08-04T01:24:17Z)
• Phase Configuration Learning in Wireless Networks with Multiple Reconfigurable Intelligent Surfaces [50.622375361505824]
  RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。 RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。 RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
  論文  参考訳（メタデータ） (2020-10-09T05:35:27Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• 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)
• HCM: Hardware-Aware Complexity Metric for Neural Network Architectures [6.556553154231475]
  本稿では,ニューラルネットワークアーキテクチャのシステムデザイナを支援することを目的とした,ハードウェア対応の複雑性指標を提案する。 提案手法は,資源制限されたデバイス上でのニューラルネットワークモデルの設計代替案の評価にどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-04-19T16:42:51Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。