論文の概要: Airborne Neural Network

• arxiv url: http://arxiv.org/abs/2505.24513v1
• Date: Fri, 30 May 2025 12:22:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.939443
• Title: Airborne Neural Network
• Title（参考訳）: 空中ニューラルネットワーク
• Authors: Paritosh Ranjan, Surajit Majumder, Prodip Roy,
• Abstract要約: 本稿では,複数の無線デバイスがニューラルネットワークニューロンのサブセットをホストする分散アーキテクチャであるAirborne Neural Networkを提案する。 このアプローチは、空中交通制御、リアルタイム気象と地理的予測、動的地理空間データ処理など、航空宇宙の応用に革命をもたらす可能性がある。
• 参考スコア（独自算出の注目度）: 0.17205106391379024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Learning, driven by neural networks, has led to groundbreaking advancements in Artificial Intelligence by enabling systems to learn and adapt like the human brain. These models have achieved remarkable results, particularly in data-intensive domains, supported by massive computational infrastructure. However, deploying such systems in Aerospace, where real time data processing and ultra low latency are critical, remains a challenge due to infrastructure limitations. This paper proposes a novel concept: the Airborne Neural Network a distributed architecture where multiple airborne devices each host a subset of neural network neurons. These devices compute collaboratively, guided by an airborne network controller and layer specific controllers, enabling real-time learning and inference during flight. This approach has the potential to revolutionize Aerospace applications, including airborne air traffic control, real-time weather and geographical predictions, and dynamic geospatial data processing. By enabling large-scale neural network operations in airborne environments, this work lays the foundation for the next generation of AI powered Aerospace systems.
• Abstract（参考訳）: ニューラルネットワークによって駆動されるディープラーニングは、システムが人間の脳のように学習し、適応できるようにすることによって、人工知能の画期的な進歩につながった。 これらのモデルは、特に巨大な計算インフラによって支えられたデータ集約的な領域において、顕著な結果を得た。 しかしながら、リアルタイムデータ処理と超低レイテンシが不可欠であるAerospaceにそのようなシステムをデプロイすることは、インフラストラクチャの制限のため、依然として課題である。 本稿では,複数の無線デバイスがニューラルネットワークニューロンのサブセットをホストする分散アーキテクチャであるAirborne Neural Networkを提案する。 これらのデバイスは協調して計算し、空飛ぶネットワークコントローラと層固有のコントローラによって誘導され、飛行中にリアルタイムの学習と推論を可能にする。 このアプローチは、空中交通制御、リアルタイム気象と地理的予測、動的地理空間データ処理など、航空宇宙の応用に革命をもたらす可能性がある。 この研究は、空中環境における大規模なニューラルネットワーク操作を可能にすることで、次世代のAI駆動型エアロスペースシステムの基盤となる。

関連論文リスト

• Brain-Inspired Decentralized Satellite Learning in Space Computing Power Networks [42.67808523367945]
  Space Computing Power Networks (Space-CPN) は、衛星の計算能力を調整し、オンボードのデータ処理を可能にする、有望なアーキテクチャとして登場した。 本稿では,ニューロモルフィックコンピューティングアーキテクチャがサポートするスパイクニューラルネットワーク(SNN)をオンボードデータ処理に適用することを提案する。 我々は分散型ニューロモルフィック学習フレームワークを提案し、通信効率の良い平面間モデルアグリゲーション法を開発した。
  論文  参考訳（メタデータ） (2025-01-27T12:29:47Z)
• Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
  第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。 本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
  論文  参考訳（メタデータ） (2022-05-27T13:09:29Z)
• Monolithic Silicon Photonic Architecture for Training Deep Neural Networks with Direct Feedback Alignment [0.6501025489527172]
  CMOS互換シリコンフォトニックアーキテクチャによって実現されたニューラルネットワークのオンチップトレーニングを提案する。 提案手法では,エラーのバックプロパゲーションではなく,エラーフィードバックを用いてニューラルネットワークをトレーニングする,直接フィードバックアライメントトレーニングアルゴリズムを用いる。 オンチップMAC演算結果を用いて,MNISTデータセットを用いたディープニューラルネットワークのトレーニング実験を行った。
  論文  参考訳（メタデータ） (2021-11-12T18:31:51Z)
• WaveSense: Efficient Temporal Convolutions with Spiking Neural Networks for Keyword Spotting [1.0152838128195467]
  拡張時間畳み込みの自然な代替としてスパイキングニューラルダイナミクスを提案する。 このアイデアをWaveNetアーキテクチャ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であるWaveSenseに拡張します。
  論文  参考訳（メタデータ） (2021-11-02T09:38:22Z)
• Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
  現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。 大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。 低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:12:10Z)
• Evolved neuromorphic radar-based altitude controller for an autonomous open-source blimp [4.350434044677268]
  本稿では,ロボット飛行船のためのSNNに基づく高度制御器を提案する。 また、SNNベースのコントローラアーキテクチャ、シミュレーション環境でネットワークをトレーニングするための進化的フレームワーク、現実とのギャップを改善するための制御戦略も提示する。
  論文  参考訳（メタデータ） (2021-10-01T20:48:43Z)
• Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
  右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
  論文  参考訳（メタデータ） (2021-09-24T19:07:19Z)
• On-board Volcanic Eruption Detection through CNNs and Satellite Multispectral Imagery [59.442493247857755]
  著者らは、最初のプロトタイプと、AIモデルが“ロード”される可能性の研究を提案している。 ケーススタディでは,早期に警報を発生させる方法として,火山噴火の検出について検討することにした。 2つの畳み込みニューラルネットワークが提案され、作成され、実際のハードウェア上でそれらを正しく実装する方法も示されている。
  論文  参考訳（メタデータ） (2021-06-29T11:52:43Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)
• 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。