論文の概要: Guidance and Control Neural Network Acceleration using Memristors

• arxiv url: http://arxiv.org/abs/2509.02369v1
• Date: Tue, 02 Sep 2025 14:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.064741
• Title: Guidance and Control Neural Network Acceleration using Memristors
• Title（参考訳）: メムリスタを用いた誘導制御ニューラルネットワーク高速化
• Authors: Zacharia A. Rudge, Dario Izzo, Moritz Fieback, Anteneh Gebregiorgis, Said Hamdioui, Dominik Dold,
• Abstract要約: 本稿では、宇宙アプリケーションにおけるメモリ内AIアクセラレーションのためのPhase-Change Memory(PCM)とResistive Random-Access Memory(RRAM)memristorの使用について検討する。 ノイズが正確性に与える影響は問題でありながら,経験的アクセラレーションによって専門家の行動が学べることが示されている。
• 参考スコア（独自算出の注目度）: 3.0184858893569353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the space community has been exploring the possibilities of Artificial Intelligence (AI), specifically Artificial Neural Networks (ANNs), for a variety of on board applications. However, this development is limited by the restricted energy budget of smallsats and cubesats as well as radiation concerns plaguing modern chips. This necessitates research into neural network accelerators capable of meeting these requirements whilst satisfying the compute and performance needs of the application. This paper explores the use of Phase-Change Memory (PCM) and Resistive Random-Access Memory (RRAM) memristors for on-board in-memory computing AI acceleration in space applications. A guidance and control neural network (G\&CNET) accelerated using memristors is simulated in a variety of scenarios and with both device types to evaluate the performance of memristor-based accelerators, considering device non-idealities such as noise and conductance drift. We show that the memristive accelerator is able to learn the expert actions, though challenges remain with the impact of noise on accuracy. We also show that re-training after degradation is able to restore performance to nominal levels. This study provides a foundation for future research into memristor-based AI accelerators for space, highlighting their potential and the need for further investigation.
• Abstract（参考訳）: 近年、宇宙コミュニティは人工知能(AI)、特にANN(Artificial Neural Networks)の可能性を探っている。 しかし、この開発は、コンパクトサットと立方体サットの制限されたエネルギー予算と、現代のチップを悩ませる放射線の懸念によって制限されている。 これは、アプリケーションの計算とパフォーマンスのニーズを満たしながら、これらの要件を満たすニューラルネットワークアクセラレータの研究を必要とする。 本稿では、宇宙アプリケーションにおけるメモリ内AIアクセラレーションのためのPhase-Change Memory(PCM)とResistive Random-Access Memory(RRAM)memristorの使用について検討する。 メムリスタを用いて加速される誘導制御ニューラルネットワーク(G\&CNET)は、ノイズやコンダクタンスドリフトなどのデバイス非理想性を考慮して、様々なシナリオと両方のデバイスタイプでシミュレートされ、メムリスタベースのアクセラレータのパフォーマンスを評価する。 ノイズが正確性に与える影響は問題でありながら,経験的アクセラレーションによって専門家の行動が学べることが示されている。 また, 劣化後の再訓練により, 性能を名目レベルまで回復できることを示す。 この研究は、将来の宇宙用メムリスタベースのAIアクセラレータの研究の基礎を提供し、その可能性とさらなる調査の必要性を強調している。

関連論文リスト

• FPGA-Based Neural Network Accelerators for Space Applications: A Survey [0.0]
  フィールドプログラマブルゲートアレイ(FPGA)は、その柔軟性、費用対効果、耐放射線性などにより、大きな関心を集めている。 この調査は、FPGAベースのNNアクセラレーターを宇宙アプリケーションに実装することを目指す研究者にとって貴重なリソースとなる。
  論文  参考訳（メタデータ） (2025-04-22T18:02:35Z)
• Current Opinions on Memristor-Accelerated Machine Learning Hardware [6.670055193544993]
  本論文は,メムリスタをベースとした機械学習アクセラレータの現状を概観する。 本論では, デバイス変動, 周辺回路の効率性, 設計と最適化の体系化など, この分野に残る重要な課題について論じる。 Memristorベースのアクセラレーターは、特に電力効率が最重要であるエッジアプリケーションにおいて、AIハードウェアの能力を著しく向上させることができる。
  論文  参考訳（メタデータ） (2025-01-22T05:10:47Z)
• 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)
• EPIM: Efficient Processing-In-Memory Accelerators based on Epitome [78.79382890789607]
  畳み込みのような機能を提供する軽量神経オペレータであるEpitomeを紹介する。 ソフトウェア側では,PIMアクセラレータ上でのエピトームのレイテンシとエネルギを評価する。 ハードウェア効率を向上させるため,PIM対応層設計手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T17:56:39Z)
• Fast Exploration of the Impact of Precision Reduction on Spiking Neural Networks [63.614519238823206]
  ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。 我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
  論文  参考訳（メタデータ） (2022-11-22T15:08:05Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• Resistive Neural Hardware Accelerators [0.46198289193451136]
  ReRAMベースのインメモリコンピューティングは、領域と電力効率のよい推論の実装において大きな可能性を秘めている。 ReRAMベースのインメモリコンピューティングへの移行は、領域と電力効率のよい推論の実装において大きな可能性を秘めている。 本稿では,最先端のReRAMベースディープニューラルネットワーク(DNN)多コアアクセラレータについて概説する。
  論文  参考訳（メタデータ） (2021-09-08T21:11:48Z)
• From DNNs to GANs: Review of efficient hardware architectures for deep learning [0.0]
  ニューラルネットワークとディープラーニングが現在の研究パラダイムに影響を与え始めている。 DSPプロセッサは、ニューラルネットワーク、アクティベーション機能、畳み込みニューラルネットワーク、生成的敵ネットワーク操作を実行することができない。 異なるアルゴリズムは、ニューラルネットワーク、アクティベーション機能、畳み込みニューラルネットワーク、生成対向ネットワークにおける高速なパフォーマンスに適合するDSPプロセッサを設計するために適合している。
  論文  参考訳（メタデータ） (2021-06-06T13:23:06Z)

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。