論文の概要: Neuromorphic Astronomy: An End-to-End SNN Pipeline for RFI Detection Hardware
- arxiv url: http://arxiv.org/abs/2511.16060v1
- Date: Thu, 20 Nov 2025 05:42:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-21 17:08:52.482035
- Title: Neuromorphic Astronomy: An End-to-End SNN Pipeline for RFI Detection Hardware
- Title（参考訳）: ニューロモルフィック天文学:RFI検出ハードウェアのためのエンドツーエンドSNNパイプライン
- Authors: Nicholas J. Pritchard, Andreas Wicenec, Richard Dodson, Mohammed Bennamoun, Dylan R. Muir,
- Abstract要約: 我々は資源制約されたニューロモルフィックハードウェアにディープスパイキングニューラルネットワークをデプロイする。
我々は,このパイプラインをオンチップ電力測定で検証し,100mWで機器スケールの推論を行う。
我々の研究は、モデルスケーリングの課題に対する重要な洞察である実用的なデプロイメントの青写真を提供し、応用ニューロモルフィックコンピューティングを前進させる上で必要でありながら理想的な領域として、電波天文学を補強する。
- 参考スコア（独自算出の注目度）: 22.035699317575965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Imminent radio telescope observatories provide massive data rates making deep learning based processing appealing while simultaneously demanding real-time performance at low-energy; prohibiting the use of many artificial neural network based approaches. We begin tackling the scientifically existential challenge of Radio Frequency Interference (RFI) detection by deploying deep Spiking Neural Networks (SNNs) on resource-constrained neuromorphic hardware. Our approach partitions large, pre-trained networks onto SynSense Xylo hardware using maximal splitting, a novel greedy algorithm. We validate this pipeline with on-chip power measurements, achieving instrument-scaled inference at 100mW. While our full-scale SNN achieves state-of-the-art accuracy among SNN baselines, our experiments reveal a more important insight that a smaller un-partitioned model significantly outperforms larger, split models. This finding highlights that hardware co-design is paramount for optimal performance. Our work thus provides a practical deployment blueprint, a key insight into the challenges of model scaling, and reinforces radio astronomy as a demanding yet ideal domain for advancing applied neuromorphic computing.
- Abstract（参考訳）: 差し迫った電波望遠鏡は、大量のデータレートを提供し、ディープラーニングベースの処理を魅力的にし、同時に低エネルギーでのリアルタイムパフォーマンスを要求し、多くの人工ニューラルネットワークベースのアプローチの使用を禁止している。
我々は、資源制約されたニューロモルフィックハードウェア上にディープスパイキングニューラルネットワーク(SNN)を配置することで、RFI(Radio Frequency Interference)検出の科学的に存在する課題に取り組む。
提案手法は,SynSense Xyloハードウェア上に,新たなグリーディアルゴリズムである最大分割を用いて,大規模で事前学習されたネットワークを分割する。
我々は,このパイプラインをオンチップ電力測定で検証し,100mWで機器スケールの推論を行う。
我々のSNNは、SNNベースライン間で最先端の精度を実現していますが、より小さな分割未分割モデルの方がより大きな分割モデルよりも優れているというより重要な知見が得られます。
この発見は、ハードウェアの共同設計が最適なパフォーマンスにとって最重要であることを強調している。
我々の研究は、モデルスケーリングの課題に対する重要な洞察である実用的なデプロイメントの青写真を提供し、応用ニューロモルフィックコンピューティングを前進させる上で必要でありながら理想的な領域として、電波天文学を補強する。
関連論文リスト
- Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。
このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。
GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
論文 参考訳（メタデータ） (2026-02-13T04:38:51Z) - The Potential Impact of Neuromorphic Computing on Radio Telescope Observatories [0.0]
Spiking Neural Networks (SNN) は、フォン・ノイマンの計算に代わる有望なリアルタイム電力効率の代替品である。
RFI検出は、最近の探索が期待できるSNNにとって魅力的なユースケースである。
我々の分析は、SNNの短期FPGA配置から既存の機器への現実的な経路を辿り、より高度なデータ駆動型RFI検出を、コストなしで追加することができる。
高速分光処理は、ニューロモルフィックコンピューティング産業にとって好適なターゲットである可能性がある。
論文 参考訳（メタデータ） (2026-01-12T01:45:33Z) - Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。
可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。
実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
論文 参考訳（メタデータ） (2025-06-24T21:14:59Z) - SpikeX: Exploring Accelerator Architecture and Network-Hardware Co-Optimization for Sparse Spiking Neural Networks [3.758294848902233]
本研究では,非構造的空間性から生じる課題と機会に対処するため,Systolic-array SNNアクセラレーターアーキテクチャであるSpikeXを提案する。
SpikeXはメモリアクセスを減らし、データ共有と時間と空間にまたがる計算を対象とするハードウェア利用を増加させる。
論文 参考訳（メタデータ） (2025-05-18T08:07:44Z) - Spiking Neural Networks for Radio Frequency Interference Detection in Radio Astronomy [23.640910858923316]
スパイキングニューラルネットワーク(SNN)は、効率的でダイナミックなデータ処理を約束する。
本稿では,電波天文学,RFI(Radio Frequency Interference)検出における重要な課題を整理する。
論文 参考訳（メタデータ） (2024-12-09T01:02:30Z) - Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。
スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。
分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。
本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Quantization-aware Neural Architectural Search for Intrusion Detection [5.010685611319813]
本稿では、最先端NNの1000倍の規模を持つ量子化ニューラルネットワーク(NN)モデルを自動的に訓練し、進化させる設計手法を提案する。
FPGAにデプロイする際にこのネットワークが利用するLUTの数は2.3倍から8.5倍と小さく、性能は以前の作業に匹敵する。
論文 参考訳（メタデータ） (2023-11-07T18:35:29Z) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。
我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。
本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
論文 参考訳（メタデータ） (2023-07-04T05:19:19Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳（メタデータ） (2023-06-14T01:24:42Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳（メタデータ） (2021-03-15T12:54:26Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。