論文の概要: Energy-Efficient Digital Design: A Comparative Study of Event-Driven and Clock-Driven Spiking Neurons

• arxiv url: http://arxiv.org/abs/2506.13268v1
• Date: Mon, 16 Jun 2025 09:10:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.908816
• Title: Energy-Efficient Digital Design: A Comparative Study of Event-Driven and Clock-Driven Spiking Neurons
• Title（参考訳）: エネルギー効率の良いディジタルデザイン:事象駆動型とクロック駆動型スパイキングニューロンの比較研究
• Authors: Filippo Marostica, Alessio Carpegna, Alessandro Savino, Stefano Di Carlo,
• Abstract要約: 本稿では,ハードウェアアクセラレーションのためのスパイキングニューラルネットワーク(SNN)ニューロンモデルについて包括的に評価する。 我々は、Leaky Integrate and Fire(LIF)ニューロンの異なる変種に基づいて、ソフトウェア、高速プロトタイピング、および様々なSNNモデルの試験を開始する。 FPGA上に実装されたその後のハードウェアフェーズでは,シミュレーション結果が検証され,設計トレードオフに関する実践的な洞察が提供される。
• 参考スコア（独自算出の注目度）: 42.170149806080204
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a comprehensive evaluation of Spiking Neural Network (SNN) neuron models for hardware acceleration by comparing event driven and clock-driven implementations. We begin our investigation in software, rapidly prototyping and testing various SNN models based on different variants of the Leaky Integrate and Fire (LIF) neuron across multiple datasets. This phase enables controlled performance assessment and informs design refinement. Our subsequent hardware phase, implemented on FPGA, validates the simulation findings and offers practical insights into design trade offs. In particular, we examine how variations in input stimuli influence key performance metrics such as latency, power consumption, energy efficiency, and resource utilization. These results yield valuable guidelines for constructing energy efficient, real time neuromorphic systems. Overall, our work bridges software simulation and hardware realization, advancing the development of next generation SNN accelerators.
• Abstract（参考訳）: 本稿では、イベント駆動とクロック駆動の実装を比較して、ハードウェアアクセラレーションのためのスパイキングニューラルネットワーク(SNN)ニューロンモデルについて包括的に評価する。 我々は、Leaky Integrate and Fire(LIF)ニューロンのさまざまな変種に基づいて、ソフトウェアの研究を開始し、迅速にプロトタイピングし、様々なSNNモデルをテストします。 このフェーズは、制御された性能評価を可能にし、設計の洗練を通知する。 FPGA上に実装されたその後のハードウェアフェーズでは,シミュレーション結果が検証され,設計トレードオフに関する実践的な洞察が提供される。 特に,入力刺激の変動が,遅延,消費電力,エネルギー効率,資源利用といった重要なパフォーマンス指標にどのように影響するかを検討する。 これらの結果は、エネルギー効率の良いリアルタイムニューロモルフィックシステムを構築するための貴重なガイドラインをもたらす。 全体として、ソフトウェアシミュレーションとハードウェアの実現を橋渡しし、次世代SNNアクセラレータの開発を進めています。

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)
• 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)
• Applying generative neural networks for fast simulations of the ALICE (CERN) experiment [0.0]
  この論文は、CERNのゼロ・デグレ・カロリメータ(ZDC)中性子検出器の高速シミュレーションのための生成ニューラルネットワークへの最先端の応用について研究している。 GEANT Monte Carlo ツールキットを用いた従来のシミュレーション手法は正確ではあるが、計算的に要求される。 この論文は、コンピュータビジョンにおけるニューラルネットワークの適用、機械学習を用いた高速シミュレーション、高エネルギー物理学における生成ニューラルネットワークに関する包括的な文献レビューを提供する。
  論文  参考訳（メタデータ） (2024-07-10T17:08:59Z)
• 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)
• Free-Space Optical Spiking Neural Network [0.0]
  自由空間光深絞り畳み込みニューラルネットワーク(OSCNN)について紹介する。 この手法は人間の眼の計算モデルからインスピレーションを得ている。 以上の結果から,電子的ONNと比較して,レイテンシと消費電力を最小に抑えた有望な性能を示す。
  論文  参考訳（メタデータ） (2023-11-08T09:41:14Z)
• Astrocyte-Integrated Dynamic Function Exchange in Spiking Neural Networks [0.0]
  本稿では,スパイキングニューラルネットワーク(SNN)の堅牢性と計算効率を向上させるための革新的な手法を提案する。 提案手法はヒト脳に広く分布するグリア細胞であるアストロサイトをSNNに統合し、アストロサイトを増強したネットワークを形成する。 特に、アストロサイトを拡張したSNNは、ほぼゼロのレイテンシと理論上無限のスループットを示し、計算効率が極めて高いことを示唆している。
  論文  参考訳（メタデータ） (2023-09-15T08:02:29Z)
• 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)

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。