論文の概要: Machine Intelligence on Wireless Edge Networks

• arxiv url: http://arxiv.org/abs/2506.12210v1
• Date: Fri, 13 Jun 2025 20:26:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:45.481298
• Title: Machine Intelligence on Wireless Edge Networks
• Title（参考訳）: 無線エッジネットワークにおけるマシンインテリジェンス
• Authors: Sri Krishna Vadlamani, Kfir Sulimany, Zhihui Gao, Tingjun Chen, Dirk Englund,
• Abstract要約: 電力制約のあるエッジデバイス上でのディープニューラルネットワーク(DNN)推論は、コストのかかるストレージとデータ移動によってボトルネックとなる。 我々は、無線で重みをストリーミングすることでメモリを分解する無線周波数(RF)アナログアーキテクチャMIWENを紹介する。 我々は、熱雑音下での無線周波数アナログ計算の有効ビット数を導出し、エネルギー-精度トレードオフを定量化し、MNISTのディジタル比較精度を高次低エネルギーで示す。
• 参考スコア（独自算出の注目度）: 1.0953436973292041
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural network (DNN) inference on power-constrained edge devices is bottlenecked by costly weight storage and data movement. We introduce MIWEN, a radio-frequency (RF) analog architecture that ``disaggregates'' memory by streaming weights wirelessly and performing classification in the analog front end of standard transceivers. By encoding weights and activations onto RF carriers and using native mixers as computation units, MIWEN eliminates local weight memory and the overhead of analog-to-digital and digital-to-analog conversion. We derive the effective number of bits of radio-frequency analog computation under thermal noise, quantify the energy--precision trade-off, and demonstrate digital-comparable MNIST accuracy at orders-of-magnitude lower energy, unlocking real-time inference on low-power, memory-free edge devices.
• Abstract（参考訳）: 電力制約のあるエッジデバイス上でのディープニューラルネットワーク(DNN)推論は、コストのかかるストレージとデータ移動によってボトルネックとなる。 我々は、標準トランシーバのアナログフロントエンドにおいて、無線で重みをストリーミングし、分類することでメモリを「分解する」無線周波数(RF)アナログアーキテクチャであるMIWENを紹介する。 MIWENは、ウェイトとアクティベーションをRFキャリアにエンコードし、ネイティブミキサーを演算ユニットとして使用することにより、局所的なウェイトメモリとアナログ-デジタル/アナログ変換のオーバーヘッドを除去する。 我々は、熱雑音下での無線アナログ計算の有効ビット数を導出し、エネルギー-精度トレードオフを定量化し、高次低エネルギーでのディジタル比較可能なMNIST精度を示し、低消費電力のメモリフリーエッジデバイス上でのリアルタイム推論を解き放つ。

関連論文リスト

• A Fully Hardware Implemented Accelerator Design in ReRAM Analog Computing without ADCs [5.6496088684920345]
  ReRAMベースのアクセラレータは、アナログ・コンピューティング・イン・メモリ(CiM)を介してニューラルネットワークを処理し、超高エネルギー効率を実現する。 本研究では、交叉二項化ニューロンを持つニューラルネットワークのSigmoidおよびSoftMaxアクティベーション機能のハードウェア実装について検討する。 本稿では、推論二項化ニューロンを活用することにより、ニューラルネットワークの計算を高速化する完全なReRAMベースのアナログコンピューティング加速器(RACA)を提案する。
  論文  参考訳（メタデータ） (2024-12-27T09:38:19Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• 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)
• Classification of multi-frequency RF signals by extreme learning, using magnetic tunnel junctions as neurons and synapses [46.000685134136525]
  磁気トンネル接合は並列に複数の周波数でRF入力を処理可能であることを示す。 極端学習と呼ばれるバックプロパゲーションフリーの手法を用いて、RF信号で符号化されたノイズの多い画像を分類する。 これらの結果は、組み込みの高周波人工知能にとって重要なステップである。
  論文  参考訳（メタデータ） (2022-11-02T14:09:42Z)
• 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)
• Noise-robust classification of single-shot electron spin readouts using a deep neural network [2.9123559461323016]
  量子点接触や量子ドットといった電荷センサによる電荷状態とスピン状態の単発読み出しは、半導体スピン量子ビットの動作に欠かせない技術である。 ディープニューラルネットワーク(DNN)を用いたノイズに頑健な単一ショット読み出し分類法を提案する。 本研究では,ディープニューラルネットワーク(DNN)を用いたノイズに頑健な単一ショット読み出し分類法を提案する。
  論文  参考訳（メタデータ） (2020-12-20T04:26:40Z)

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。