論文の概要: SENMAP: Multi-objective data-flow mapping and synthesis for hybrid scalable neuromorphic systems

• arxiv url: http://arxiv.org/abs/2506.03450v1
• Date: Tue, 03 Jun 2025 23:21:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.086738
• Title: SENMAP: Multi-objective data-flow mapping and synthesis for hybrid scalable neuromorphic systems
• Title（参考訳）: SENMAP:ハイブリッドスケーラブルニューロモルフィックシステムのための多目的データフローマッピングと合成
• Authors: Prithvish V Nembhani, Oliver Rhodes, Guangzhi Tang, Alexandra F Dobrita, Yingfu Xu, Kanishkan Vadivel, Kevin Shidqi, Paul Detterer Mario Konijnenburg, Gert-Jan van Schaik, Manolis Sifalakis, Zaid Al-Ars, Amirreza Yousefzadeh,
• Abstract要約: 本稿では、スケーラブルでエネルギー効率の良い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・フレームワークのためのマッピングと合成ツールであるSENMapを紹介する。 SENMapは、アーキテクチャ、事前訓練されたSNNとANNの現実的な例、およびイベントレートベースのパラメータを考察し、SENSIMと共にオープンソースにして、製造前に柔軟なニューロモルフィックチップ設計を支援する。
• 参考スコア（独自算出の注目度）: 32.70098671492326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces SENMap, a mapping and synthesis tool for scalable, energy-efficient neuromorphic computing architecture frameworks. SENECA is a flexible architectural design optimized for executing edge AI SNN/ANN inference applications efficiently. To speed up the silicon tape-out and chip design for SENECA, an accurate emulator, SENSIM, was designed. While SENSIM supports direct mapping of SNNs on neuromorphic architectures, as the SNN and ANNs grow in size, achieving optimal mapping for objectives like energy, throughput, area, and accuracy becomes challenging. This paper introduces SENMap, flexible mapping software for efficiently mapping large SNN and ANN applications onto adaptable architectures. SENMap considers architectural, pretrained SNN and ANN realistic examples, and event rate-based parameters and is open-sourced along with SENSIM to aid flexible neuromorphic chip design before fabrication. Experimental results show SENMap enables 40 percent energy improvements for a baseline SENSIM operating in timestep asynchronous mode of operation. SENMap is designed in such a way that it facilitates mapping large spiking neural networks for future modifications as well.
• Abstract（参考訳）: 本稿では、スケーラブルでエネルギー効率の良い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・フレームワークのためのマッピングと合成ツールであるSENMapを紹介する。 SENECAは、エッジAI SNN/ANN推論アプリケーションを効率的に実行するために最適化された柔軟なアーキテクチャ設計である。 SENECAのシリコンテープ出力とチップ設計を高速化するため、正確なエミュレータであるSENSIMが設計された。 SENSIMはニューロモルフィックアーキテクチャ上のSNNの直接マッピングをサポートするが、SNNとANNのサイズが大きくなるにつれて、エネルギー、スループット、面積、精度といった目的に対する最適なマッピングを達成することは困難になる。 本稿では,大規模SNNおよびANNアプリケーションを適応可能なアーキテクチャに効率的にマッピングするためのフレキシブルマッピングソフトウェアであるSENMapを紹介する。 SENMapは、アーキテクチャ、事前訓練されたSNNとANNの現実的な例、およびイベントレートベースのパラメータを考察し、SENSIMと共にオープンソースにして、製造前に柔軟なニューロモルフィックチップ設計を支援する。 実験結果から,SENMapは時間経過の非同期モードで動作するベースラインSENSIMに対して,40%のエネルギー改善を可能にすることがわかった。 SENMapは、将来的な修正のために、大きなスパイクニューラルネットワークのマッピングを容易にするように設計されている。

関連論文リスト

• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。 得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• Towards Efficient Deployment of Hybrid SNNs on Neuromorphic and Edge AI Hardware [0.493599216374976]
  本稿では,ニューロモルフィックとエッジコンピューティングの相乗的ポテンシャルを考察し,動的視覚センサが捉えたデータ処理に適した多目的機械学習(ML)システムを構築する。 我々は、PyTorchとLavaフレームワークを使用して、スパイキングニューラルネットワーク(SNN)と人工ニューラルネットワーク(ANN)を混合してハイブリッドモデルを構築し、訓練する。
  論文  参考訳（メタデータ） (2024-07-11T17:40:39Z)
• GPU-RANC: A CUDA Accelerated Simulation Framework for Neuromorphic Architectures [1.3401966602181168]
  ニューロモーフィックコンピューティングのための再構成可能なアーキテクチャ(RANC)のGPUによる実装について紹介する。 512個のニューロモルフィックコアMNIST推論アプリケーションに基づくRANCシミュレータのシリアルバージョンと比較して,最大780倍の高速化を示した。
  論文  参考訳（メタデータ） (2024-04-24T21:08:21Z)
• Efficient Event-Based Object Detection: A Hybrid Neural Network with Spatial and Temporal Attention [2.5075774828443467]
  ニューロモルフィックハードウェア上のスパイキングニューラルネットワーク(SNN)は、エネルギー効率と低レイテンシのイベントベースのデータ処理のためにしばしば考慮される。 本稿では、イベントベースオブジェクト検出のためのアテンションベースのHybrid SNN-ANNバックボーンを紹介する。
  論文  参考訳（メタデータ） (2024-03-15T10:28:31Z)
• SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence [51.6943465041708]
  スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。 我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
  論文  参考訳（メタデータ） (2023-10-25T13:15:17Z)
• Towards a Design Framework for TNN-Based Neuromorphic Sensory Processing Units [2.419276285404291]
  テンポラルニューラルネットワーク(TNN)は、高エネルギー効率で脳のような感覚処理を示すニューラルネットワークをスパイクしている。 本研究は、効率的なアプリケーション固有のTNNベースのニューロモーフィックセンサ処理ユニット(NSPU)を設計するためのカスタムデザインフレームワークの開発に向けて、現在進行中の研究成果を示す。
  論文  参考訳（メタデータ） (2022-05-27T21:51:05Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• STONNE: A Detailed Architectural Simulator for Flexible Neural Network Accelerators [5.326345912766044]
  STONNEはサイクル精度が高く、高度にモジュール化され、高度に拡張可能なシミュレーションフレームワークである。 一般に公開されているBSV符号化MAERIの実装の性能結果にどのように近づくかを示す。
  論文  参考訳（メタデータ） (2020-06-10T19:20:52Z)

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。