論文の概要: Neuromorphic-based metaheuristics: A new generation of low power, low latency and small footprint optimization algorithms

• arxiv url: http://arxiv.org/abs/2505.16362v1
• Date: Thu, 22 May 2025 08:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.139768
• Title: Neuromorphic-based metaheuristics: A new generation of low power, low latency and small footprint optimization algorithms
• Title（参考訳）: ニューロモルフィックに基づくメタヒューリスティックス:低消費電力,低レイテンシ,フットプリント最適化アルゴリズムの新世代
• Authors: El-ghazali Talbi,
• Abstract要約: ニューロモルフィックコンピューティング(NC)は、Von Neumannアーキテクチャの従来のデジタルコンピューティングからの大きなシフトを表す新しいアルゴリズムパラダイムを導入している。 NCの研究の多くは、機械学習の応用と神経科学シミュレーションに集中している。 本稿では,最適化アルゴリズム,特にメタヒューリスティックスのモデル化と実装を,フォン・ノイマンアーキテクチャの代替としてNCパラダイムを用いて検討する。
• 参考スコア（独自算出の注目度）: 0.3626013617212667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuromorphic computing (NC) introduces a novel algorithmic paradigm representing a major shift from traditional digital computing of Von Neumann architectures. NC emulates or simulates the neural dynamics of brains in the form of Spiking Neural Networks (SNNs). Much of the research in NC has concentrated on machine learning applications and neuroscience simulations. This paper investigates the modelling and implementation of optimization algorithms and particularly metaheuristics using the NC paradigm as an alternative to Von Neumann architectures, leading to breakthroughs in solving optimization problems. Neuromorphic-based metaheuristics (Nheuristics) are supposed to be characterized by low power, low latency and small footprint. Since NC systems are fundamentally different from conventional Von Neumann computers, several challenges are posed to the design and implementation of Nheuristics. A guideline based on a classification and critical analysis is conducted on the different families of metaheuristics and optimization problems they address. We also discuss future directions that need to be addressed to expand both the development and application of Nheuristics.
• Abstract（参考訳）: ニューロモルフィックコンピューティング(NC)は、Von Neumannアーキテクチャの従来のデジタルコンピューティングからの大きなシフトを表す新しいアルゴリズムパラダイムを導入している。 NCはスパイキングニューラルネットワーク(SNN)の形で脳の神経力学をエミュレートまたはシミュレートする。 NCの研究の多くは、機械学習の応用と神経科学シミュレーションに集中している。 本稿では,最適化アルゴリズムのモデル化と実装,特にメタヒューリスティックスを,フォン・ノイマンアーキテクチャの代替としてNCパラダイムを用いて検討し,最適化問題の解決に拍車をかけた。 ニューロモルフィックに基づくメタヒューリスティックス (Nheuristics) は低電力、低レイテンシ、フットプリントが特徴であると考えられている。 NCシステムは従来のフォン・ノイマンのコンピュータと根本的に異なるため、Nheuristicsの設計と実装にいくつかの課題が提起されている。 メタヒューリスティックス(メタヒューリスティックス,メタヒューリスティックス,メタヒューリスティックス)と最適化問題(最適化問題)の分類と臨界分析に基づくガイドラインを作成した。 また、Nheuristicsの開発と応用を拡大するために対処する必要がある今後の方向性についても論じる。

関連論文リスト

• Neuromorphic Intermediate Representation: A Unified Instruction Set for Interoperable Brain-Inspired Computing [4.066607775161713]
  神経力学をシミュレートするニューラルネットワークとニューロモルフィックハードウェアプラットフォームが注目されている。 本稿では,デジタルニューロモルフィックシステムにおける計算の共通参照フレームを確立する。 7つのニューロモルフィックシミュレータと4つのデジタルハードウェアプラットフォームにまたがる複雑さの異なる3つのスパイクニューラルネットワークモデルを再現して実演する。
  論文  参考訳（メタデータ） (2023-11-24T18:15:59Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• 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)
• Exploiting Noise as a Resource for Computation and Learning in Spiking Neural Networks [32.0086664373154]
  本研究では,雑音型スパイクニューラルネットワーク(NSNN)とノイズ駆動学習規則(NDL)を紹介する。 NSNNは、スケーラブルでフレキシブルで信頼性の高い計算をもたらす理論的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-05-25T13:21:26Z)
• Unsupervised Legendre-Galerkin Neural Network for Stiff Partial Differential Equations [9.659504024299896]
  本稿では,Regendre-Galerkinニューラルネットワークに基づく教師なし機械学習アルゴリズムを提案する。 提案したニューラルネットワークは、境界層挙動を有する特異摂動PDEと同様に、一般的な1Dおよび2DPDEに適用される。
  論文  参考訳（メタデータ） (2022-07-21T00:47:47Z)
• 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)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• 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)

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。