論文の概要: Over-the-Air Multi-Sensor Inference with Neural Networks Using Memristor-Based Analog Computing

• arxiv url: http://arxiv.org/abs/2501.10245v1
• Date: Fri, 17 Jan 2025 15:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:58:41.217714
• Title: Over-the-Air Multi-Sensor Inference with Neural Networks Using Memristor-Based Analog Computing
• Title（参考訳）: Memristor-based Analog Computing を用いたニューラルネットワークによるオーバー・ザ・エアマルチセンサ推論
• Authors: Busra Tegin, Muhammad Atif Ali, Tolga M Duman,
• Abstract要約: 本研究では,メムリスタ型アナログ計算を用いたマルチセンサ無線推論システムを提案する。 センサーの計算能力が限られているため、ネットワークのフロントエンドの機能は中央のデバイスに送信される。 また,$L_p$-normにインスパイアされた合成関数をベースとした,トレーニング可能なオーバー・ザ・エアセンサ融合手法を提案する。
• 参考スコア（独自算出の注目度）: 13.5346836945515
• License:
• Abstract: Deep neural networks provide reliable solutions for many classification and regression tasks; however, their application in real-time wireless systems with simple sensor networks is limited due to high energy consumption and significant bandwidth needs. This study proposes a multi-sensor wireless inference system with memristor-based analog computing. Given the sensors' limited computational capabilities, the features from the network's front end are transmitted to a central device where an $L_p$-norm inspired approximation of the maximum operation is employed to achieve transformation-invariant features, enabling efficient over-the-air transmission. We also introduce a trainable over-the-air sensor fusion method based on $L_p$-norm inspired combining function that customizes sensor fusion to match the network and sensor distribution characteristics, enhancing adaptability. To address the energy constraints of sensors, we utilize memristors, known for their energy-efficient in-memory computing, enabling analog-domain computations that reduce energy use and computational overhead in edge computing. This dual approach of memristors and $L_p$-norm inspired sensor fusion fosters energy-efficient computational and transmission paradigms and serves as a practical energy-efficient solution with minimal performance loss.
• Abstract（参考訳）: ディープニューラルネットワークは多くの分類および回帰タスクに対して信頼性の高いソリューションを提供するが、単純なセンサーネットワークを持つリアルタイム無線システムにおけるそれらの応用は、高エネルギー消費とかなりの帯域幅の必要性のために制限されている。 本研究では,メムリスタ型アナログ計算を用いたマルチセンサ無線推論システムを提案する。 センサの限られた計算能力を考えると、ネットワークのフロントエンドの機能は中央デバイスに送信され、そこでは最大演算の$L_p$-normにインスパイアされた近似が使われ、変換不変の機能を実現し、効率のよいオーバー・ザ・エアの伝送を可能にする。 また、センサフュージョンをカスタマイズしてネットワークやセンサ分布特性に適合させ、適応性を向上する、$L_p$-normにインスパイアされた、トレーニング可能なオーバー・ザ・エアセンサフュージョン手法も導入する。 センサのエネルギー制約に対処するため,エネルギー効率のよいインメモリ・コンピューティングで知られるmemristorを用いて,エッジ・コンピューティングにおけるエネルギー使用量と計算オーバーヘッドを低減するアナログ・ドメイン・コンピューティングを実現する。 メムリスタと$L_p$-normにインスパイアされたセンサ融合の2つのアプローチは、エネルギー効率のよい計算と伝送のパラダイムを育み、性能損失を最小限に抑えた実用的なエネルギー効率のソリューションとして機能する。

関連論文リスト

• Conditional Gumbel-Softmax for constrained feature selection with application to node selection in wireless sensor networks [48.536059764418454]
  本研究では,与えられたタスクに対して最適なサブセットをエンドツーエンドに学習する手法として,Conditional Gumbel-Softmaxを導入する。 本稿では,無線センサネットワークを構成するタスク最適ノードの選択に,このアプローチをどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2024-06-03T09:55:56Z)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• Low-power event-based face detection with asynchronous neuromorphic hardware [2.0774873363739985]
  本稿では、SynSense Speckニューロモルフィックチップ上に展開されたイベントベースの顔検出のためのオンチップスパイクニューラルネットワークの最初の例を示す。 トレーニングに用いるオフチップクロック駆動シミュレーションとオンチップイベント駆動推論との精度の相違について述べる。 オンチップ顔検出のmAP[0.5]は0.6で、20mWしか消費しない。
  論文  参考訳（メタデータ） (2023-12-21T19:23:02Z)
• Bandwidth-efficient distributed neural network architectures with application to body sensor networks [73.02174868813475]
  本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。 提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。 本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
  論文  参考訳（メタデータ） (2022-10-14T12:35:32Z)
• Energy Efficient Hardware Acceleration of Neural Networks with Power-of-Two Quantisation [0.0]
  我々は、Zynq UltraScale + MPSoC ZCU104 FPGA上に実装されたPoT重みを持つハードウェアニューラルネットワークアクセラレーターが、均一量子化バージョンよりも少なくとも1.4x$のエネルギー効率を持つことを示す。
  論文  参考訳（メタデータ） (2022-09-30T06:33:40Z)
• A Deep Reinforcement Learning-based Adaptive Charging Policy for Wireless Rechargeable Sensor Networks [14.67786743033424]
  センサをエネルギ化するための信頼性の高いソリューションとして、ワイヤレス電力伝送技術が登場している。 深部強化学習(DRL)を用いた適応型充電方式を提案する。 我々のモデルはネットワークトポロジの自然変化に適応できる。
  論文  参考訳（メタデータ） (2022-08-16T16:10:52Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Controller-based Energy-Aware Wireless Sensor Network Routing using Quantum Algorithms [15.607213703199209]
  古典的なプロセッサの代わりに量子プロセッサを使うための証明法を示し、最適解や準最適解を迅速に見つける。 小さなネットワークに対する予備的な結果は、量子コンピューティングを用いたこのアプローチには大きな可能性があり、ネットワークアルゴリズムの有効性の他の重要な改善への扉を開く可能性があることを示している。
  論文  参考訳（メタデータ） (2021-10-12T20:16:21Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)
• Memory Organization for Energy-Efficient Learning and Inference in Digital Neuromorphic Accelerators [0.4030910640265943]
  ニューロモルフィックハードウェアのエネルギー効率は、エネルギー貯蔵、アクセス、およびシナプスパラメータの更新によって大きく影響を受ける。 畳み込み層における接続性などの構造接続のための機能符号化を導入する。 時間的パターンを維持するために訓練された2層スパイクニューラルネットワークでは、ビットマップ(PB-BMP)ベースの組織がスパースネットワークをより効率的にエンコードすることができる。
  論文  参考訳（メタデータ） (2020-03-05T19:19:09Z)

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。