論文の概要: A Complete Pipeline for deploying SNNs with Synaptic Delays on Loihi 2

• arxiv url: http://arxiv.org/abs/2510.13757v1
• Date: Wed, 15 Oct 2025 17:05:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.778722
• Title: A Complete Pipeline for deploying SNNs with Synaptic Delays on Loihi 2
• Title（参考訳）: Loihi 2上でのシナプス遅延でSNNをデプロイするための完全なパイプライン
• Authors: Balázs Mészáros, James C. Knight, Jonathan Timcheck, Thomas Nowotny,
• Abstract要約: エッジコンピューティングのための従来のニューラルネットワークよりもエネルギー効率のよい代替手段として、スパイキングニューラルネットワークが注目を集めている。 我々は、GPUのシナプス遅延とIntelのLoihi 2ニューロモルフィックチップへの展開によるSNNの効率的なイベントベーストレーニングという完全なパイプラインを提示する。
• 参考スコア（独自算出の注目度）: 3.1563988360892505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spiking Neural Networks are attracting increased attention as a more energy-efficient alternative to traditional Artificial Neural Networks for edge computing. Neuromorphic computing can significantly reduce energy requirements. Here, we present a complete pipeline: efficient event-based training of SNNs with synaptic delays on GPUs and deployment on Intel's Loihi 2 neuromorphic chip. We evaluate our approach on keyword recognition tasks using the Spiking Heidelberg Digits and Spiking Speech Commands datasets, demonstrating that our algorithm can enhance classification accuracy compared to architectures without delays. Our benchmarking indicates almost no accuracy loss between GPU and Loihi 2 implementations, while classification on Loihi 2 is up to 18x faster and uses 250x less energy than on an NVIDIA Jetson Orin Nano.
• Abstract（参考訳）: エッジコンピューティングのための従来のニューラルネットワークに代わるエネルギー効率の高い代替手段として、スパイキングニューラルネットワークが注目を集めている。 ニューロモルフィックコンピューティングはエネルギー要求を大幅に削減することができる。 ここでは、GPUのシナプス遅延を伴うSNNの効率的なイベントベーストレーニングと、IntelのLoihi 2ニューロモルフィックチップへのデプロイメントの完全なパイプラインを示す。 我々は,Spyking Heidelberg Digits と Spiking Speech Commands のデータセットを用いて,キーワード認識タスクに対するアプローチを評価し,アルゴリズムが遅延のないアーキテクチャと比較して分類精度を向上させることを実証した。 ベンチマークでは、GPUとLoihi 2実装間の精度の低下はほとんどなく、Loihi 2の分類は最大18倍速く、NVIDIA Jetson Orin Nanoよりも250倍少ないエネルギーを使用する。

関連論文リスト

• Hardware-Aware Fine-Tuning of Spiking Q-Networks on the SpiNNaker2 Neuromorphic Platform [1.210742213461011]
  Spiking Neural Networks(SNN)は、幅広いロボットタスクのためのニューロモルフィックハードウェアに対するレイテンシの低い消費電力と低いマグニチュード推論を約束する。 本稿では,2つの古典的制御課題を解決するために,量子化されたSNNを用いた強化学習(RL)アルゴリズムをエネルギー効率よく実装する。 このネットワークはQ-learningアルゴリズムを用いて訓練され、SpiNNaker2ニューロモルフィックチップに組み込むための微調整と量子化を低ビット(8ビット)の精度で行う。
  論文  参考訳（メタデータ） (2025-07-31T13:49:44Z)
• Sigma-Delta Neural Network Conversion on Loihi 2 [2.2718043506526873]
  我々はLoihi 2のグレード付きスパイクを用いて、ANNネットワークをスパイクネットワークに変換する方法を開発した。 このネットワークの性能をLoihi 2で評価し,NVIDIAのJetson XavierエッジAIプラットフォームと比較した。
  論文  参考訳（メタデータ） (2025-05-09T20:37:27Z)
• Eventprop training for efficient neuromorphic applications [0.9138341348704225]
  我々は,mlGeNNで実装されたイベント駆動イベントプロップアルゴリズムを用いて,GPU上でのスパイクニューラルネットワークのトレーニングパイプラインを提案する。 キーワードスポッティングタスクのベンチマークでは、GPUとLoihi 2の実装の間には精度がほとんど失われていないことが示されている。 Loihi 2でサンプルを分類するのは最大10倍速く、NVIDIA Jetson Orin Nanoより200倍少ないエネルギーを使用する。
  論文  参考訳（メタデータ） (2025-03-06T11:38:46Z)
• Efficient Event-based Delay Learning in Spiking Neural Networks [0.1350479308585481]
  スパイキングニューラルネットワーク(SNN)はスパース通信を用いて計算し、注目を集めている。 本研究では,イベントプロップ形式を基礎とした,遅延を伴うSNNのための新しいイベントベーストレーニング手法を提案する。 提案手法はニューロン毎の複数のスパイクをサポートし,我々の知る限り,繰り返しSNNに適用される最初の遅延学習アルゴリズムである。
  論文  参考訳（メタデータ） (2025-01-13T13:44:34Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。 非分化性のため、SNNを効率的に訓練することは困難である。 本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T12:44:49Z)
• 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)
• A Spiking Neural Network for Image Segmentation [3.4998703934432682]
  我々は,深層ニューラルネットワーク(ANN)アーキテクチャのU-Netを,Nengoフレームワークを用いたスパイキングニューラルネットワーク(SNN)アーキテクチャに変換する。 レートベースモデルとスパイクベースモデルの両方がトレーニングされ、パフォーマンスとパワーのベンチマークに最適化されている。 Intel Loihiのニューロモルフィックチップのニューロモルフィック実装は、従来のハードウェアよりも2倍エネルギー効率が高い。
  論文  参考訳（メタデータ） (2021-06-16T16:23:18Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)
• FATNN: Fast and Accurate Ternary Neural Networks [89.07796377047619]
  Ternary Neural Networks (TNN) は、完全な精度のニューラルネットワークよりもはるかに高速で、電力効率が高いため、多くの注目を集めている。 そこで本研究では、3次内積の計算複雑性を2。 性能ギャップを軽減するために,実装に依存した3次量子化アルゴリズムを精巧に設計する。
  論文  参考訳（メタデータ） (2020-08-12T04:26:18Z)

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。