論文の概要: Adaptive Spiking with Plasticity for Energy Aware Neuromorphic Systems
- arxiv url: http://arxiv.org/abs/2508.11689v1
- Date: Mon, 11 Aug 2025 21:25:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.25654
- Title: Adaptive Spiking with Plasticity for Energy Aware Neuromorphic Systems
- Title(参考訳): エネルギーを考慮したニューロモルフィックシステムのための塑性をもつ適応スパイキング
- Authors: Eduardo Calle-Ortiz, Hui Guan, Deepak Ganesan, Phuc Nguyen,
- Abstract要約: ASPENはニューロモルフィックシステムのエネルギーを意識した技術で、インテリジェントで常時オン、超低消費電力、低バーデンのウェアラブルの未来を解き放つことができる。
本研究の目的は,ウェアラブルにおけるニューロモルフィックコンピューティングの実現可能性を探究し,オープンな研究方向を同定し,エネルギーを意識した計算に適応的なスパイキング技術を開発する可能性を示すことである。
- 参考スコア(独自算出の注目度): 6.435407289576424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents ASPEN, a novel energy-aware technique for neuromorphic systems that could unleash the future of intelligent, always-on, ultra-low-power, and low-burden wearables. Our main research objectives are to explore the feasibility of neuromorphic computing for wearables, identify open research directions, and demonstrate the feasibility of developing an adaptive spiking technique for energy-aware computation, which can be game-changing for resource-constrained devices in always-on applications. As neuromorphic computing systems operate based on spike events, their energy consumption is closely related to spiking activity, i.e., each spike incurs computational and power costs; consequently, minimizing the number of spikes is a critical strategy for operating under constrained energy budgets. To support this goal, ASPEN utilizes stochastic perturbations to the neuronal threshold during training to not only enhance the network's robustness across varying thresholds, which can be controlled at inference time, but also act as a regularizer that improves generalization, reduces spiking activity, and enables energy control without the need for complex retraining or pruning. More specifically, ASPEN adaptively adjusts intrinsic neuronal parameters as a lightweight and scalable technique for dynamic energy control without reconfiguring the entire model. Our evaluation on neuromorphic emulator and hardware shows that ASPEN significantly reduces spike counts and energy consumption while maintaining accuracy comparable to state-of-the-art methods.
- Abstract(参考訳): 本稿では、ニューロモルフィックシステムのための新しいエネルギー認識技術であるASPENについて述べる。
本研究の目的は、ウェアラブルにおけるニューロモルフィックコンピューティングの実現可能性を探究し、オープンな研究方向を特定し、常時オンのアプリケーションにおいて資源制約のあるデバイスに対してゲーム変更が可能な、エネルギーを意識した計算のための適応スパイキング技術を開発する可能性を示すことである。
ニューロモルフィックコンピューティングシステムはスパイクイベントに基づいて運用されるため、そのエネルギー消費はスパイク活動と密接に関連している。
この目標を達成するために、ASPENはトレーニング中の神経閾値に対する確率的摂動を利用して、推論時に制御できる様々なしきい値のネットワークの堅牢性を高めるだけでなく、一般化を改善し、スパイク活性を減少させ、複雑なリトレーニングやプルーニングを必要とせずにエネルギー制御を可能にするレギュレータとして機能する。
具体的には、ASPENは、モデル全体を再構成することなく、動的エネルギー制御のための軽量でスケーラブルな手法として、固有の神経パラメータを適応的に調整する。
ニューロモルフィックエミュレータとハードウェアについて評価したところ,ASPENは最新技術に匹敵する精度を維持しつつ,スパイク数とエネルギー消費を著しく削減できることがわかった。
関連論文リスト
- Boosting Reservoir Computing with Brain-inspired Adaptive Dynamics [0.0]
貯留層コンピュータ (RC) は深層学習に代わる計算効率の良い代替手段を提供する。
その結果, RCはバランスのとれたり, わずかに過剰に抑制されたりすることで, 優れた性能を発揮することがわかった。
本稿では,E/Iバランスを局所的に調整し,標的ニューロンの発射速度を達成する自己適応機構を提案する。
論文 参考訳(メタデータ) (2025-04-16T20:36:08Z) - Spiking Meets Attention: Efficient Remote Sensing Image Super-Resolution with Attention Spiking Neural Networks [57.17129753411926]
従来の人工ニューラルネットワーク(ANN)の代替手段としてスパイキングニューラルネットワーク(SNN)が登場
本稿では,AID,DOTA,DIORなどのリモートセンシングベンチマークにおいて,最先端の性能を実現するSpikeSRを提案する。
論文 参考訳(メタデータ) (2025-03-06T09:06:06Z) - The Potential of Combined Learning Strategies to Enhance Energy Efficiency of Spiking Neuromorphic Systems [0.0]
この原稿は、畳み込みスパイキングニューラルネットワーク(CSNN)のための新しい複合学習アプローチを通じて、脳にインスパイアされた知覚コンピュータマシンの強化に焦点を当てている。
CSNNは、人間の脳にインスパイアされたエネルギー効率の良いスパイクニューロン処理を提供する、バックプロパゲーションのような従来のパワー集約的で複雑な機械学習手法に代わる、有望な代替手段を提供する。
論文 参考訳(メタデータ) (2024-08-13T18:40:50Z) - 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) - Event-Driven Learning for Spiking Neural Networks [43.17286932151372]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングの分野で注目されている。
バックプロパゲーション学習コストを最小限に抑えるために、SNNのスパースイベント駆動プロパティから効果的に利益を得るには、依然としてオープンな課題である。
本稿では,スパイクタイミング依存イベント駆動(STD-ED)アルゴリズムと膜電位依存イベント駆動(MPD-ED)アルゴリズムの2つの新しい学習手法を紹介する。
論文 参考訳(メタデータ) (2024-03-01T04:17:59Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳(メタデータ) (2024-02-26T15:01:54Z) - Towards Physical Plausibility in Neuroevolution Systems [0.276240219662896]
人工知能(AI)モデル、特にディープニューラルネットワーク(DNN)の利用の増加は、トレーニングや推論における消費電力を増加させている。
本研究は機械学習(ML)におけるエネルギー消費の増大問題に対処する。
電力使用量をわずかに削減しても、大幅な省エネ、ユーザ、企業、環境に恩恵をもたらす可能性がある。
論文 参考訳(メタデータ) (2024-01-31T10:54:34Z) - The Neuron as a Direct Data-Driven Controller [43.8450722109081]
本研究は、ニューロンを最適フィードバックコントローラとして概念化し、予測を最適化する現在の規範モデルを拡張する。
我々は、ニューロンを生物学的に実現可能なコントローラとしてモデル化し、ループダイナミクスを暗黙的に識別し、潜伏状態を推測し、制御を最適化する。
我々のモデルは、従来の、フィードフォワード、即時応答のマカロック-ピッツ-ローゼンブラットニューロンから大きく離れており、ニューラルネットワークを構築するための、新しく生物学的にインフォームドされた基本ユニットを提供する。
論文 参考訳(メタデータ) (2024-01-03T01:24:10Z) - Synaptic Scaling and Optimal Bias Adjustments for Power Reduction in
Neuromorphic Systems [0.0]
最近の動物実験では、生物の脳は食物不足時に低出力モードに入ることが示されている。
本稿では, ニューロモルフィック系に類似の機構を適用する可能性について検討する。
数理モデルとシミュレーションを通して、シナプス重みの注意的なスケーリングは消費電力を大幅に減少させることを示した。
論文 参考訳(メタデータ) (2023-06-12T20:47:59Z) - SpikeDyn: A Framework for Energy-Efficient Spiking Neural Networks with
Continual and Unsupervised Learning Capabilities in Dynamic Environments [14.727296040550392]
スパイキングニューラルネットワーク(SNN)は、生物学的妥当性のため、効率的な教師なしおよび継続的な学習能力の可能性を秘めている。
動的環境下での継続学習と教師なし学習機能を備えたエネルギー効率の高いSNNのためのフレームワークであるSpikeDynを提案する。
論文 参考訳(メタデータ) (2021-02-28T08:26:23Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z)
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。