論文の概要: RCNet: $ΔΣ$ IADCs as Recurrent AutoEncoders

• arxiv url: http://arxiv.org/abs/2506.16903v1
• Date: Fri, 20 Jun 2025 10:55:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.417268
• Title: RCNet: $ΔΣ$ IADCs as Recurrent AutoEncoders
• Title（参考訳）: RCNet:$Δ$ IADCsをリカレントオートエンコーダとして使用
• Authors: Arnaud Verdant, William Guicquero, Jérôme Chossat,
• Abstract要約: リカレントニューラルネットワーク(RNN)では、変調器とフィルタの両方を記述することができる。 ハードウェア設計の制約を定義するために、ハイエンドIADCとフルカストムの損失が組み合わされる。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a deep learning model (RCNet) for Delta-Sigma ($\Delta\Sigma$) ADCs. Recurrent Neural Networks (RNNs) allow to describe both modulators and filters. This analogy is applied to Incremental ADCs (IADC). High-end optimizers combined with full-custom losses are used to define additional hardware design constraints: quantized weights, signal saturation, temporal noise injection, devices area. Focusing on DC conversion, our early results demonstrate that $SNR$ defined as an Effective Number Of Bits (ENOB) can be optimized under a certain hardware mapping complexity. The proposed RCNet succeeded to provide design tradeoffs in terms of $SNR$ ($>$13bit) versus area constraints ($<$14pF total capacitor) at a given $OSR$ (80 samples). Interestingly, it appears that the best RCNet architectures do not necessarily rely on high-order modulators, leveraging additional topology exploration degrees of freedom.
• Abstract（参考訳）: 本稿では Delta-Sigma (\Delta\Sigma$) ADC のためのディープラーニングモデル (RCNet) を提案する。 リカレントニューラルネットワーク(RNN)では、変調器とフィルタの両方を記述することができる。 この類似性はインクリメンタルADC(IADC)に適用される。 ハイエンドオプティマイザとフルカストム損失を組み合わせることで、量子化重み、信号飽和、時間雑音注入、デバイス領域といったハードウェア設計の制約を定義することができる。 DC変換に焦点をあてて、初期の結果は、Effective Number of Bits (ENOB)として定義された$SNR$が、あるハードウェアマッピングの複雑さの下で最適化できることを示しました。 提案されたRCNetは、SNR$ (>$13bit) の領域制約 (<$14pF) に対して、与えられた$OSR$ (80サンプル) で設計上のトレードオフを提供することに成功した。 興味深いことに、最高のRCNetアーキテクチャは必ずしも高次変調器に依存しておらず、追加の位相探索自由度を活用する。

関連論文リスト

• CORDIC Is All You Need [0.18184027690235535]
  線形MAC計算と非線形反復活性化関数のためのCORDICブロックを用いたパイプラインアーキテクチャを提案する。 このアプローチでは、Reconfigurable Processing Engine(RPE)ベースのsystolic配列に重点を置いている。 FPGAの実装により、リソースの節約に2.5ドル、以前の作業に比較して3ドルまで削減できる。
  論文  参考訳（メタデータ） (2025-03-04T12:23:27Z)
• GAN decoder on a quantum toric code for noise-robust quantum teleportation [7.583519963745712]
  GAN(Generative Adversarial Network)は、画像処理やデータ拡張などのアプリケーションにおいて、その価値を示す強力なディープラーニングモデルである。 我々は、GANベースの量子トポロジカルトリック符号デコーダを提案し、それを量子テレポーテーションプロトコルの考案に応用する。
  論文  参考訳（メタデータ） (2024-09-11T03:17:47Z)
• A Cost-Efficient FPGA Implementation of Tiny Transformer Model using Neural ODE [0.8403582577557918]
  Transformerは画像認識タスクに採用され、トレーニングコストと計算複雑性に悩まされているが、CNNやRNNよりも優れていた。 本稿では,ResNetの代わりにNeural ODEをバックボーンとして使用する軽量ハイブリッドモデルを提案する。 提案モデルは,エッジコンピューティングのための最小サイズのFPGAデバイス上に展開される。
  論文  参考訳（メタデータ） (2024-01-05T09:32:39Z)
• Fully $1\times1$ Convolutional Network for Lightweight Image Super-Resolution [79.04007257606862]
  ディープモデルは、シングルイメージ超解像(SISR)タスク、特に大きなカーネルを持つ大きなモデル(3時間3ドル以上)において重要なプロセスを持つ。 $1times1$の畳み込みは計算効率を大幅に向上させるが、局所的な空間表現の集約に苦労する。 我々は、Shift-Conv-based Network (SCNet) という、シンプルで効果的な1時間1ドルの畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2023-07-30T06:24:03Z)
• Practical Conformer: Optimizing size, speed and flops of Conformer for on-Device and cloud ASR [67.63332492134332]
  我々は、デバイス上の制約を満たすのに十分小さく、TPUを高速に推論できる最適化されたコンバータを設計する。 提案するエンコーダは、デバイス上では強力なスタンドアロンエンコーダとして、また高性能なASRパイプラインの第1部として利用することができる。
  論文  参考訳（メタデータ） (2023-03-31T23:30:48Z)
• Accurate, Low-latency, Efficient SAR Automatic Target Recognition on FPGA [3.251765107970636]
  合成開口レーダ(SAR)自動目標認識(ATR)はリモートセンシング画像認識の鍵となる技術である。 SAR ATRのための最先端の畳み込みニューラルネットワーク(CNN)は、エンハンハイ計算コストとエンハンラージメモリフットプリントに悩まされている。 本稿では,これらの問題に対処するため,FPGA 上でモデルアーキテクチャを包括的に設計する手法を提案する。
  論文  参考訳（メタデータ） (2023-01-04T05:35:30Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Binarized ResNet: Enabling Robust Automatic Modulation Classification at the resource-constrained Edge [9.103162893345939]
  ディープニューラルネットワーク(DNN)は、自動変調分類(AMC)に広く使われている。 DNNはメモリと計算の要求が高く、デバイスがリソースに制約のあるエッジネットワークでは実用的ではない。 本研究は,低メモリと計算量のためにエッジネットワークに展開可能な,AMC用の回転型バイナリ大型ResNet(RBLResNet)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T11:30:23Z)
• PAMS: Quantized Super-Resolution via Parameterized Max Scale [84.55675222525608]
  深部畳み込みニューラルネットワーク(DCNN)は超解像処理(SR)において優位な性能を示した 本稿では,PAMS(Parameterized Max Scale)と呼ばれる新しい量子化手法を提案する。 実験により,提案手法はEDSRやRDNなどの既存のSRモデルを適切に圧縮・高速化できることが示された。
  論文  参考訳（メタデータ） (2020-11-09T06:16:05Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。