論文の概要: Energy-Information Trade-Off in Self-Directed Channel Memristors

• arxiv url: http://arxiv.org/abs/2508.16236v1
• Date: Fri, 22 Aug 2025 09:14:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.331938
• Title: Energy-Information Trade-Off in Self-Directed Channel Memristors
• Title（参考訳）: 自己指向型チャネル・メミュレータにおけるエネルギー情報交換
• Authors: Waleed El-Geresy, Dániel Hajtó, György Cserey, Deniz Gündüz,
• Abstract要約: メムリシティブデバイス - SDC (Self-Directed Channel) メムリスタのエネルギー情報トレードオフについて検討する。 本稿では, 条件付き生成逆数ネットワーク(cGAN)を用いて, 記憶条件分布を特徴付ける生成モデルを提案する。
• 参考スコア（独自算出の注目度）: 37.39911504284998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the nature of information storage on memristors is vital to enable their use in novel data storage and neuromorphic applications. One key consideration in information storage is the energy cost of storage and what impact the available energy has on the information capacity of the devices. In this paper, we propose and study an energy-information trade-off for a particular kind of memristive device - Self-Directed Channel (SDC) memristors. We perform experiments to model the energy required to set the devices into various states, as well as assessing the stability of these states over time. Based on these results, we employ a generative modelling approach, using a conditional Generative Adversarial Network (cGAN) to characterise the storage conditional distribution, allowing us to estimate energy-information curves for a range of storage delays, showing the graceful trade-off between energy consumed and the effective capacity of the devices.
• Abstract（参考訳）: 情報ストレージの性質を理解することは、新しいデータストレージやニューロモルフィックアプリケーションでの利用を可能にするために不可欠である。 情報ストレージにおける重要な考慮事項は、ストレージのエネルギーコストと、利用可能なエネルギーがデバイスの情報容量に与える影響である。 本稿では,SDC(Self-Directed Channel) memristors(自己指向チャネル)という,特定の種類の記憶装置のエネルギー情報トレードオフを提案し,検討する。 我々は、デバイスを様々な状態に設定するために必要なエネルギーをモデル化し、時間とともにこれらの状態の安定性を評価する実験を行う。 これらの結果に基づいて, 条件付き生成逆数ネットワーク(cGAN)を用いて, 記憶条件分布の特徴付けを行い, 消費エネルギーと有効容量との優良なトレードオフを示すとともに, 記憶遅延範囲のエネルギー情報曲線を推定する。

関連論文リスト

• From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting [48.22398304557558]
  住宅負荷予測のためのイベント応答型知識ガイド手法(ERKG)を提案する。 ERKGは、異なる家電の電力使用状況の推定、負荷系列からのイベント関連スパース知識のマイニングを取り入れている。
  論文  参考訳（メタデータ） (2025-01-06T05:53:38Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
  我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。 マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
  論文  参考訳（メタデータ） (2023-08-08T04:52:19Z)
• Dimensionality Expansion of Load Monitoring Time Series and Transfer Learning for EMS [0.7133136338850781]
  エネルギー管理システムは、アプライアンスを監視し管理するために(非)侵入負荷監視(N)ILMに依存している。 本稿では,時系列の次元展開と移動学習に基づくEMS構築における負荷監視手法を提案する。
  論文  参考訳（メタデータ） (2022-04-06T13:13:24Z)
• A Deep Learning Technique using Low Sampling rate for residential Non Intrusive Load Monitoring [0.19662978733004596]
  非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、ブラインドソース分離の問題である。 低周波電力データ上で負荷分散を行うための,新しいディープニューラルネットワークに基づくアプローチを提案する。 私たちのニューラルネットワークは、需要側の詳細なフィードバックを生成し、エンドユーザに重要な洞察を提供することができます。
  論文  参考訳（メタデータ） (2021-11-07T23:01:36Z)
• Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。 近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。 我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
  論文  参考訳（メタデータ） (2021-08-02T03:56:35Z)
• Appliance Operation Modes Identification Using Cycles Clustering [3.328276101150529]
  IoT(Internet of Things)と機械学習(ML)は、効率よくエネルギーを保存できる技術を提供します。 SHEMSは、住宅部門における需要対応(DR)の適用を通じて、省エネルギーに貢献する可能性があります。
  論文  参考訳（メタデータ） (2021-01-25T23:25:45Z)
• Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
  エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。 本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
  論文  参考訳（メタデータ） (2020-04-20T21:05:25Z)
• 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。