論文の概要: Event-driven Robust Fitting on Neuromorphic Hardware

• arxiv url: http://arxiv.org/abs/2508.09466v1
• Date: Wed, 13 Aug 2025 03:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.747526
• Title: Event-driven Robust Fitting on Neuromorphic Hardware
• Title（参考訳）: ニューロモルフィックハードウェアにおけるイベント駆動ロバストフィッティング
• Authors: Tam Ngoc-Bang Nguyen, Anh-Dzung Doan, Zhipeng Cai, Tat-Jun Chin,
• Abstract要約: 我々は、実際のニューロモルフィックハードウェアであるIntel Loihi 2にロバストな適合性を持たせるための、新しいスパイクニューラルネットワークを開発した。 以上の結果から, 確立されたロバスト適合アルゴリズムを標準CPU上で同等の精度で動作させるのに必要なエネルギーは, ニューロモルフィックなロバスト適合法ではごくわずかであることがわかった。
• 参考スコア（独自算出の注目度）: 24.99960993332847
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust fitting of geometric models is a fundamental task in many computer vision pipelines. Numerous innovations have been produced on the topic, from improving the efficiency and accuracy of random sampling heuristics to generating novel theoretical insights that underpin new approaches with mathematical guarantees. However, one aspect of robust fitting that has received little attention is energy efficiency. This performance metric has become critical as high energy consumption is a growing concern for AI adoption. In this paper, we explore energy-efficient robust fitting via the neuromorphic computing paradigm. Specifically, we designed a novel spiking neural network for robust fitting on real neuromorphic hardware, the Intel Loihi 2. Enabling this are novel event-driven formulations of model estimation that allow robust fitting to be implemented in the unique architecture of Loihi 2, and algorithmic strategies to alleviate the current limited precision and instruction set of the hardware. Results show that our neuromorphic robust fitting consumes only a fraction (15%) of the energy required to run the established robust fitting algorithm on a standard CPU to equivalent accuracy.
• Abstract（参考訳）: 幾何学モデルのロバストな適合は、多くのコンピュータビジョンパイプラインの基本課題である。 このトピックでは、ランダムサンプリングヒューリスティックスの効率と精度の向上から、数学的保証を伴う新しいアプローチを支える新しい理論的な洞察を生み出すことまで、数多くの革新が生み出されている。 しかし、あまり注目されていない堅牢なフィッティングの1つの側面は、エネルギー効率である。 このパフォーマンス指標は、高エネルギー消費がAI採用への関心が高まっているため、重要になっている。 本稿では,ニューロモルフィックコンピューティングパラダイムを用いたエネルギー効率の高いロバストフィッティングについて検討する。 具体的には、実際のニューロモルフィックハードウェアであるIntel Loihi 2にロバストな適合性を持たせるために、新しいスパイクニューラルネットワークを設計しました。 これは、Loihi 2のユニークなアーキテクチャで堅牢なフィッティングを実現するためのモデル推定の新しいイベント駆動式であり、ハードウェアの現在の限られた精度と命令セットを緩和するためのアルゴリズム戦略である。 以上の結果から, 確立されたロバスト適合アルゴリズムを標準CPU上で同等の精度で動作させるのに必要なエネルギーは, ニューロモルフィックなロバスト適合法で15%程度しか消費しないことがわかった。

関連論文リスト

• Hardware-Efficient Photonic Tensor Core: Accelerating Deep Neural Networks with Structured Compression [15.665630650382226]
  本稿では,構造圧縮型光ニューラルネットワーク(StrC-ONN)アーキテクチャのためのブロック循環型フォトニックテンソルコアを提案する。 この研究は、実用的でスケーラブルなONNへの新たな道筋を探求し、将来の計算効率の課題に対処するための有望な道筋を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-01T17:03:45Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
  現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。 本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。 本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
  論文  参考訳（メタデータ） (2024-06-13T05:49:29Z)
• Energy-frugal and Interpretable AI Hardware Design using Learning Automata [5.514795777097036]
  Tsetlin Machineと呼ばれる新しい機械学習アルゴリズムが提案されている。 本稿では,エネルギーフルーガルな人工知能ハードウェア設計手法について検討する。 本研究は, 資源配分が, 頑健かつ解釈可能な学習を達成しつつ, 決定的なエネルギー削減をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-05-19T15:11:18Z)
• Energy Consumption of Neural Networks on NVIDIA Edge Boards: an Empirical Model [6.809944967863927]
  近年、レイテンシの低減とデータプライバシの保護のために、ディープラーニング推論タスクの実行を、ユーザに近いネットワークのエッジにシフトする傾向があります。 本研究では,現代のエッジノードにおける推論タスクのエネルギ消費をプロファイリングすることを目的とする。 そこで我々は, 検討ボード上である推論タスクのエネルギー消費を推定できる, 単純で実用的なモデルを構築した。
  論文  参考訳（メタデータ） (2022-10-04T14:12:59Z)
• Energy Efficient Hardware Acceleration of Neural Networks with Power-of-Two Quantisation [0.0]
  我々は、Zynq UltraScale + MPSoC ZCU104 FPGA上に実装されたPoT重みを持つハードウェアニューラルネットワークアクセラレーターが、均一量子化バージョンよりも少なくとも1.4x$のエネルギー効率を持つことを示す。
  論文  参考訳（メタデータ） (2022-09-30T06:33:40Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)

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。