論文の概要: Neuromorphic Sequential Arena: A Benchmark for Neuromorphic Temporal Processing

• arxiv url: http://arxiv.org/abs/2505.22035v1
• Date: Wed, 28 May 2025 06:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.456756
• Title: Neuromorphic Sequential Arena: A Benchmark for Neuromorphic Temporal Processing
• Title（参考訳）: ニューロモルフィック・シークエンシャル・アリーナ : ニューロモルフィック・テンポラル・プロセッシングのベンチマーク
• Authors: Xinyi Chen, Chenxiang Ma, Yujie Wu, Kay Chen Tan, Jibin Wu,
• Abstract要約: 本稿ではニューロモルフィック・シークエンシャル・アリーナ(NSA)について紹介する。 NSAには、さまざまなアプリケーションシナリオから7つの現実世界の時間的処理タスクが含まれており、それぞれが複数の時間スケールにわたってリッチな時間的ダイナミクスをキャプチャしている。 NSAは、ニューロモルフィックアルゴリズムの研究における進歩の体系的な追跡を可能にし、効果的で効率的なニューロモルフィック時間処理システムの開発の道を開く。
• 参考スコア（独自算出の注目度）: 23.445963909197857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal processing is vital for extracting meaningful information from time-varying signals. Recent advancements in Spiking Neural Networks (SNNs) have shown immense promise in efficiently processing these signals. However, progress in this field has been impeded by the lack of effective and standardized benchmarks, which complicates the consistent measurement of technological advancements and limits the practical applicability of SNNs. To bridge this gap, we introduce the Neuromorphic Sequential Arena (NSA), a comprehensive benchmark that offers an effective, versatile, and application-oriented evaluation framework for neuromorphic temporal processing. The NSA includes seven real-world temporal processing tasks from a diverse range of application scenarios, each capturing rich temporal dynamics across multiple timescales. Utilizing NSA, we conduct extensive comparisons of recently introduced spiking neuron models and neural architectures, presenting comprehensive baselines in terms of task performance, training speed, memory usage, and energy efficiency. Our findings emphasize an urgent need for efficient SNN designs that can consistently deliver high performance across tasks with varying temporal complexities while maintaining low computational costs. NSA enables systematic tracking of advancements in neuromorphic algorithm research and paves the way for developing effective and efficient neuromorphic temporal processing systems.
• Abstract（参考訳）: 時間的処理は、時間的変化のある信号から意味のある情報を抽出するのに不可欠である。 スパイキングニューラルネットワーク(SNN)の最近の進歩は、これらの信号を効率的に処理する上で非常に有望であることを示している。 しかし、この分野での進歩は、技術進歩の一貫した測定を複雑にし、SNNの実用性を制限する、効果的で標準化されたベンチマークの欠如によって妨げられている。 このギャップを埋めるために、我々はニューロモルフィック・シークエンシャル・アリーナ (NSA) を導入する。これは、ニューロモルフィック・テンポラル・プロセッシングのための効果的で汎用的でアプリケーション指向の評価フレームワークを提供する包括的なベンチマークである。 NSAには、さまざまなアプリケーションシナリオから7つの現実世界の時間的処理タスクが含まれており、それぞれが複数の時間スケールにわたってリッチな時間的ダイナミクスをキャプチャしている。 NSAを利用して、最近導入されたスパイクニューロンモデルとニューラルアーキテクチャを広範囲に比較し、タスクパフォーマンス、トレーニング速度、メモリ使用量、エネルギー効率に関する包括的なベースラインを提示します。 本研究は,低計算コストを維持しつつ,時間的複雑さの異なるタスクに対して一貫した高い性能を実現する,効率的なSNN設計の必要性を強調した。 NSAは、ニューロモルフィックアルゴリズムの研究における進歩の体系的な追跡を可能にし、効果的で効率的なニューロモルフィック時間処理システムの開発の道を開く。

関連論文リスト

• Spiking Neural Networks for Temporal Processing: Status Quo and Future Prospects [41.8742357294068]
  スパイキングニューラルネットワーク(SNN)は、その豊富な神経力学とスパース活動パターンのために、データを高い効率で処理する上で優れている。 近年のSNNの発展に伴い,その時間的処理能力を総合的に評価する必要性が高まっている。
  論文  参考訳（メタデータ） (2025-02-13T16:17:57Z)
• Towards Low-latency Event-based Visual Recognition with Hybrid Step-wise Distillation Spiking Neural Networks [50.32980443749865]
  スパイキングニューラルネットワーク(SNN)は、低消費電力と高い生物性のために大きな注目を集めている。 現在のSNNは、ニューロモルフィックデータセットの正確性とレイテンシのバランスをとるのに苦労している。 ニューロモルフィックデータセットに適したステップワイド蒸留法(HSD)を提案する。
  論文  参考訳（メタデータ） (2024-09-19T06:52:34Z)
• Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。 SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。 本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:23:50Z)
• TIM: An Efficient Temporal Interaction Module for Spiking Transformer [5.74337858210191]
  スパイキングニューラルネットワーク(SNN)はその生物学的妥当性と計算効率で有名になった。 ニューラルネットワークアーキテクチャの進歩にインスパイアされた注意機構の統合は、スパイキングトランスフォーマーの開発につながった。 これらは、SNNの機能強化、特に静的データセットとニューロモルフィックデータセットの両方の領域において、有望であることを示している。 本稿では,SNNアーキテクチャにおける時間的データ処理能力を高めるために,TIM(Temporal Interaction Module)を導入した。
  論文  参考訳（メタデータ） (2024-01-22T04:54:42Z)
• 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)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Backpropagation with Biologically Plausible Spatio-Temporal Adjustment For Training Deep Spiking Neural Networks [5.484391472233163]
  ディープラーニングの成功は、バックプロパゲーションとは分離できない。 本研究では, 膜電位とスパイクの関係を再考する, 生体可塑性空間調整法を提案する。 次に,生物学的に妥当な時間的調整を提案し,時間的次元のスパイクを横切る誤差を伝搬させる。
  論文  参考訳（メタデータ） (2021-10-17T15:55:51Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。