論文の概要: An energy-efficient spiking neural network with continuous learning for self-adaptive brain-machine interface

• arxiv url: http://arxiv.org/abs/2511.22108v1
• Date: Thu, 27 Nov 2025 04:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.400365
• Title: An energy-efficient spiking neural network with continuous learning for self-adaptive brain-machine interface
• Title（参考訳）: 自己適応型脳-機械インタフェースのための連続学習を用いたエネルギー効率の高いスパイクニューラルネットワーク
• Authors: Zhou Biyan, Arindam Basu,
• Abstract要約: ディープスパイキングニューラルネットワーク(DSNN)は、資源効率のよいニューラルデコーダを開発するための有望なアプローチとして認識されている。 DSNNに適応した強化学習アルゴリズム(RL)を用いた継続的学習手法を提案する。 DSNN Banditron と DSNN AGREL によるオープンループ実験の精度は長期にわたって安定している。
• 参考スコア（独自算出の注目度）: 1.8363218208079994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The number of simultaneously recorded neurons follows an exponentially increasing trend in implantable brain-machine interfaces (iBMIs). Integrating the neural decoder in the implant is an effective data compression method for future wireless iBMIs. However, the non-stationarity of the system makes the performance of the decoder unreliable. To avoid frequent retraining of the decoder and to ensure the safety and comfort of the iBMI user, continuous learning is essential for real-life applications. Since Deep Spiking Neural Networks (DSNNs) are being recognized as a promising approach for developing resource-efficient neural decoder, we propose continuous learning approaches with Reinforcement Learning (RL) algorithms adapted for DSNNs. Banditron and AGREL are chosen as the two candidate RL algorithms since they can be trained with limited computational resources, effectively addressing the non-stationary problem and fitting the energy constraints of implantable devices. To assess the effectiveness of the proposed methods, we conducted both open-loop and closed-loop experiments. The accuracy of open-loop experiments conducted with DSNN Banditron and DSNN AGREL remains stable over extended periods. Meanwhile, the time-to-target in the closed-loop experiment with perturbations, DSNN Banditron performed comparably to that of DSNN AGREL while achieving reductions of 98% in memory access usage and 99% in the requirements for multiply- and-accumulate (MAC) operations during training. Compared to previous continuous learning SNN decoders, DSNN Banditron requires 98% less computes making it a prime candidate for future wireless iBMI systems.
• Abstract（参考訳）: 同時に記録されたニューロンの数は、移植可能な脳-機械界面(iBMI)の指数関数的に増加する傾向に続く。 インプラントにニューラルデコーダを統合することは、将来の無線iBMIに有効なデータ圧縮方法である。 しかし、システムの非定常性はデコーダの性能を信頼できないものにする。 デコーダの頻繁な再トレーニングを回避し、iBMIユーザの安全と快適性を確保するためには、実生活アプリケーションに継続的学習が不可欠である。 資源効率のよいニューラルデコーダを開発するための有望なアプローチとしてディープスパイキングニューラルネットワーク(DSNN)が認識されているため,DSNNに適応した強化学習(RL)アルゴリズムを用いた継続的学習手法を提案する。 BanditronとAGRELは、限られた計算資源で訓練できるため、2つの候補RLアルゴリズムとして選択される。 提案手法の有効性を評価するため,オープンループおよびクローズループ実験を行った。 DSNN Banditron と DSNN AGREL によるオープンループ実験の精度は長期にわたって安定している。 一方,摂動による閉ループ実験では,DSNN BanditronはDSNN AGRELと同等に動作し,メモリアクセス使用率98%,MAC(multiply- and-accumulate)操作要求99%の削減を実現した。 従来の連続学習SNNデコーダと比較して、DSNN Banditronは98%少ない計算を必要とするため、将来の無線iBMIシステムの候補となる。

関連論文リスト

• SteganoSNN: SNN-Based Audio-in-Image Steganography with Encryption [1.3483884526104932]
  この研究は、スパイキングニューラルネットワーク(SNN)を利用してセキュアで低消費電力で高容量なマルチメディアデータ隠蔽を実現する、ニューロモルフィック・ステガングラフィーフレームワークであるSteganoSNNを紹介する。 ディジタイズされたオーディオサンプルは、漏れた統合・発火ニューロンを使用してスパイクトレインに変換され、モジュロベースのマッピングスキームを介して暗号化され、RGBA画像チャネルの最小ビットに埋め込まれる。
  論文  参考訳（メタデータ） (2025-11-09T23:31:53Z)
• Efficient Memristive Spiking Neural Networks Architecture with Supervised In-Situ STDP Method [0.0]
  時間的スパイクエンコーディングを備えたメムリスタベースのスパイキングニューラルネットワーク(SNN)は、超低エネルギー計算を可能にする。 本稿では,新しい教師付きin-situ学習アルゴリズムを用いて学習した回路レベルのメムリシブスパイクニューラルネットワーク(SNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-28T17:09:48Z)
• On the Importance of Neural Membrane Potential Leakage for LIDAR-based Robot Obstacle Avoidance using Spiking Neural Networks [1.0533738606966752]
  本稿では,LIDARデータから直接ロボットナビゲーションと障害物回避を行うためのスパイキングニューラルネットワーク(SNN)の利用について検討する。 スパイクするLeaky Integrate-and-Fireニューロンの膜電位リーク定数をSNN内で慎重に調整することにより、オンパーロボット制御精度を実現することができる。 この作業中に収集されたLIDARデータセットは、将来の研究に利益をもたらすことを期待して、オープンソースとしてリリースされている。
  論文  参考訳（メタデータ） (2025-07-13T08:43:31Z)
• Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control [59.65431931190187]
  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で低レイテンシかつエネルギー効率の意思決定を提供する。 連続制御のためのほとんどの連続制御アルゴリズムは、人工ニューラルネットワーク(ANN)のために設計されている。 このミスマッチはSNNのトレーニングを不安定にし、性能を劣化させる。 離散SNNと連続制御アルゴリズムのギャップを埋める新しいプロキシターゲットフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:08:03Z)
• 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)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• An Energy-Efficient Spiking Neural Network for Finger Velocity Decoding for Implantable Brain-Machine Interface [11.786044345820459]
  組込み型回帰タスクのためのニューラルパワーネットワーク(SNN)デコーダを提案する。 提案したSNNデコーダは, オフライン指速度デコーダにおける最先端のANNデコーダと同等の係数相関を達成している。
  論文  参考訳（メタデータ） (2022-10-07T12:58:28Z)
• DNN Training Acceleration via Exploring GPGPU Friendly Sparsity [16.406482603838157]
  本稿では、従来のランダムなニューロンやシナプスのドロップアウトを、通常のオンラインの行ベースもしくはタイルベースのドロップアウトパターンに置き換える近似ランダムドロップアウトを提案する。 次に,SGDに基づく探索アルゴリズムを開発し,行ベースあるいはタイルベースのドロップアウトパターンの分布を生成し,潜在的な精度損失を補う。 また,入力特徴図をその感度に基づいて動的にドロップアウトし,前向きおよび後向きのトレーニングアクセラレーションを実現するための感度対応ドロップアウト手法を提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:32:03Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
  スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。 各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
  論文  参考訳（メタデータ） (2020-01-24T22:58:55Z)

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。