論文の概要: Spintronic Bayesian Hardware Driven by Stochastic Magnetic Domain Wall Dynamics

• arxiv url: http://arxiv.org/abs/2507.17193v1
• Date: Wed, 23 Jul 2025 04:39:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.857877
• Title: Spintronic Bayesian Hardware Driven by Stochastic Magnetic Domain Wall Dynamics
• Title（参考訳）: 確率磁区壁ダイナミクスによるスピントロニクスベイズハードウェア
• Authors: Tianyi Wang, Bingqian Dai, Kin Wong, Yaochen Li, Yang Cheng, Qingyuan Shu, Haoran He, Puyang Huang, Hanshen Huang, Kang L. Wang,
• Abstract要約: 確率論的ニューラルネットワーク(PNN)は、強い予測能力を提供するが、固有の不確実性推定なしに決定論的出力を生成する。 従来のCMOSは本質的に決定論的操作のために設計されており、本質的なランダム性を積極的に抑制している。 本稿では,不確実性を考慮した計算に内在的磁気を利用する磁気確率計算(MPC)プラットフォームを提案する。
• 参考スコア（独自算出の注目度）: 7.54910350238081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As artificial intelligence (AI) advances into diverse applications, ensuring reliability of AI models is increasingly critical. Conventional neural networks offer strong predictive capabilities but produce deterministic outputs without inherent uncertainty estimation, limiting their reliability in safety-critical domains. Probabilistic neural networks (PNNs), which introduce randomness, have emerged as a powerful approach for enabling intrinsic uncertainty quantification. However, traditional CMOS architectures are inherently designed for deterministic operation and actively suppress intrinsic randomness. This poses a fundamental challenge for implementing PNNs, as probabilistic processing introduces significant computational overhead. To address this challenge, we introduce a Magnetic Probabilistic Computing (MPC) platform-an energy-efficient, scalable hardware accelerator that leverages intrinsic magnetic stochasticity for uncertainty-aware computing. This physics-driven strategy utilizes spintronic systems based on magnetic domain walls (DWs) and their dynamics to establish a new paradigm of physical probabilistic computing for AI. The MPC platform integrates three key mechanisms: thermally induced DW stochasticity, voltage controlled magnetic anisotropy (VCMA), and tunneling magnetoresistance (TMR), enabling fully electrical and tunable probabilistic functionality at the device level. As a representative demonstration, we implement a Bayesian Neural Network (BNN) inference structure and validate its functionality on CIFAR-10 classification tasks. Compared to standard 28nm CMOS implementations, our approach achieves a seven orders of magnitude improvement in the overall figure of merit, with substantial gains in area efficiency, energy consumption, and speed. These results underscore the MPC platform's potential to enable reliable and trustworthy physical AI systems.
• Abstract（参考訳）: 人工知能(AI)が多様なアプリケーションに進化するにつれ、AIモデルの信頼性を確保することがますます重要になっている。 従来のニューラルネットワークは、強い予測能力を提供するが、固有の不確実性推定なしに決定論的出力を生成し、安全クリティカルドメインの信頼性を制限している。 確率論的ニューラルネットワーク(PNN)は、本質的な不確実性定量化を実現するための強力なアプローチとして出現している。 しかし、従来のCMOSアーキテクチャは本質的に決定論的操作のために設計されており、本質的なランダム性を積極的に抑制している。 このことは、確率的処理が計算オーバーヘッドを大幅に引き起こすため、PNNの実装に根本的な課題をもたらす。 この課題に対処するために、エネルギー効率が高くスケーラブルなハードウェアアクセラレータであるMagnetic Probabilistic Computing(MPC)プラットフォームを導入し、不確実性を考慮したコンピューティングに固有の磁気確率性を活用する。 この物理駆動型戦略は、磁気ドメインウォール(DW)とそのダイナミクスに基づくスピントロニクスシステムを利用して、AIのための物理確率計算の新しいパラダイムを確立する。 MPCプラットフォームは、熱誘起DW確率性、電圧制御磁気異方性(VCMA)、トンネル磁気抵抗(TMR)の3つの重要なメカニズムを統合し、デバイスレベルでの完全な電気的および調整可能な確率的機能を実現する。 代表的な例として,ベイズニューラルネットワーク(BNN)の推論構造を実装し,その機能をCIFAR-10分類タスクで検証する。 提案手法は28nmのCMOS実装と比較して, 面積効率, エネルギー消費, 速度の大幅な向上を図りながら, 7桁の精度向上を実現している。 これらの結果は、信頼性と信頼性の高い物理AIシステムを実現するMPCプラットフォームの可能性を強調している。

関連論文リスト

• TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
  TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• Magneto-Ionic Hardware Security Primitives: Embedding Data Protection at the Material Level [39.58317527488534]
  ビッグデータは、サイバー脅威に耐えられる堅牢でエネルギー効率の良いセキュリティハードウェアの需要を高めた。 ここでは、予め定義された、当初は常磁性FeCoNドット内の完全選択的電圧制御N3-イオン移動に基づく、ハードウェアレベルのセキュリティのための磁化戦略を提案する。 結果として生じるアーキテクチャは、タンパー抵抗、低エネルギー消費、スケーラビリティを組み合わせたもので、突発的な磁気現象に根ざした次世代ハードウェアセキュリティへの大きな飛躍を象徴している。
  論文  参考訳（メタデータ） (2025-07-15T15:36:07Z)
• Quantum Circuit Learning Using Non-Integrable System Dynamics [0.0]
  量子機械学習は、量子コンピュータの特性を活用して、機械学習手法の性能を向上させることを目的としている。 近年の符号化法では, 量子ビット数に比例した指数的に大きな磁場を印加することにより, 学習モデルの表現力を向上できることが示されている。 本稿では,非可積分ハミルトニアンを符号化に利用し,拡張表現力と実用性の両方を実現することを目的としたQCL手法を提案する。
  論文  参考訳（メタデータ） (2025-04-25T05:37:34Z)
• Efficient and Trustworthy Block Propagation for Blockchain-enabled Mobile Embodied AI Networks: A Graph Resfusion Approach [60.80257080226662]
  本稿では,コンソーシアムブロックチェーン対応MEANETのためのグラフ再拡散モデルに基づく信頼性の高いブロック伝搬最適化フレームワークを提案する。 具体的には,信頼クラウドモデルに基づく革新的な信頼計算機構を提案する。 グラフニューラルネットワークと拡散モデルの強みを利用して,最適なブロック伝搬軌跡を効果的かつ適応的に生成するグラフ拡散モデルを開発した。
  論文  参考訳（メタデータ） (2025-01-26T07:47:05Z)
• FL-QDSNNs: Federated Learning with Quantum Dynamic Spiking Neural Networks [4.635820333232683]
  本稿では,FL-QDSNN(Federated Learning-Quantum Dynamic Spiking Neural Networks)フレームワークを紹介する。 私たちのフレームワークの中心は、量子スパイキングニューラルネットワーク(QSNN)における量子ゲートを活性化するための新しい動的しきい値機構である。 我々のFL-QDSNNsフレームワークは、Irisデータセットで94%の精度を示し、既存のQuantum Federated Learning(QFL)アプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2024-12-03T09:08:33Z)
• Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• Topology Optimization of Random Memristors for Input-Aware Dynamic SNN [44.38472635536787]
  入力対応動的旋回型スパイクニューラルネットワーク(PRIME)のプルーニング最適化について紹介する。 信号表現の面では、PRIMEは脳固有のスパイキング機構をエミュレートするために、漏れやすい統合と発火のニューロンを使用する。 計算深度の動的調整にインスパイアされた再構成性のために、PRIMEは入力対応の動的早期停止ポリシーを採用している。
  論文  参考訳（メタデータ） (2024-07-26T09:35:02Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• Correct-by-Construction Control for Stochastic and Uncertain Dynamical Models via Formal Abstractions [44.99833362998488]
  我々は、様々なモデリングの前提の下でこの問題を解決するために使用できる抽象フレームワークを開発する。 我々は、与えられた仕様を満たすための保証とともに、iMDPの最適ポリシーを計算するために最先端の検証技術を使用します。 そして、このポリシーを構築によって、これらの保証が動的モデルに受け継がれるフィードバックコントローラに改良できることを示します。
  論文  参考訳（メタデータ） (2023-11-16T11:03:54Z)
• Machine Learning Quantum Systems with Magnetic p-bits [0.0]
  ムーアの法則の減速は、人工知能(AI)アルゴリズムの計算ワークロードが急上昇し続けるにつれ、危機に繋がった。 スケーラブルでエネルギー効率のよいハードウェアは、AIアルゴリズムやアプリケーションのユニークな要件に合わせて緊急に必要である。 pビットによる確率計算は、スケーラブルでドメイン固有でエネルギー効率の良い計算パラダイムとして登場した。
  論文  参考訳（メタデータ） (2023-10-10T14:54:57Z)
• SupeRBNN: Randomized Binary Neural Network Using Adiabatic Superconductor Josephson Devices [44.440915387556544]
  AQFPデバイスはバイナリニューラルネットワーク(BNN)計算の優れたキャリアとして機能する。 本稿では,AQFPに基づくランダム化BNNアクセラレーションフレームワークSupeRBNNを提案する。 本稿では,ReRAMベースのBNNフレームワークのエネルギー効率を約7.8×104倍に向上することを示す。
  論文  参考訳（メタデータ） (2023-09-21T16:14:42Z)
• Enhancing Energy Efficiency and Reliability in Autonomous Systems Estimation using Neuromorphic Approach [0.0]
  本研究ではスパイク符号化理論とスパイクニューラルネットワーク(SNN)に基づく推定フレームワークの導入に焦点をあてる。 本稿では,SNNに基づくKalmanフィルタ(KF)を提案する。 改良型スライディング・イノベーション・フィルタ(MSIF)に基づいて,SNN-MSIFと呼ばれるロバストな戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-16T06:47:54Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)

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。