論文の概要: NeuromorphicRx: From Neural to Spiking Receiver

• arxiv url: http://arxiv.org/abs/2512.05246v1
• Date: Thu, 04 Dec 2025 20:50:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.810518
• Title: NeuromorphicRx: From Neural to Spiking Receiver
• Title（参考訳）: ニューロモルフィックRx:ニューラルからスパイキングレシーバー
• Authors: Ankit Gupta, Onur Dizdar, Yun Chen, Fehmi Emre Kadan, Ata Sattarzadeh, Stephen Wang,
• Abstract要約: 5G-NR OFDMシステムのための新しいエネルギー効率・スパイクニューラルネットワーク(SNN)ベースの受信機を提案する。 ドメイン知識を活用して、スパイクエンコーディングによる入力を設計し、スパイク要素単位の残差接続を持つ深部畳み込みSNNを提案する。
• 参考スコア（独自算出の注目度）: 9.547019841072233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a novel energy-efficient spiking neural network (SNN)-based receiver for 5G-NR OFDM system, called neuromorphic receiver (NeuromorphicRx), replacing the channel estimation, equalization and symbol demapping blocks. We leverage domain knowledge to design the input with spiking encoding and propose a deep convolutional SNN with spike-element-wise residual connections. We integrate an SNN with artificial neural network (ANN) hybrid architecture to obtain soft outputs and employ surrogate gradient descent for training. We focus on generalization across diverse scenarios and robustness through quantized aware training. We focus on interpretability of NeuromorphicRx for 5G-NR signals and perform detailed ablation study for 5G-NR signals. Our extensive numerical simulations show that NeuromorphicRx is capable of achieving significant block error rate performance gain compared to 5G-NR receivers and similar performance compared to its ANN-based counterparts with 7.6x less energy consumption.
• Abstract（参考訳）: 本研究では,ニューロモルフィック・レシーバ(Neuromorphic Rx)と呼ばれる5G-NR OFDMシステムのための,新しい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(SNN)ベースの受信機を提案し,チャネル推定,等化,シンボルデマッピングブロックを置き換える。 ドメイン知識を活用して、スパイクエンコーディングによる入力を設計し、スパイク要素単位の残差接続を持つ深部畳み込みSNNを提案する。 我々は、SNNと人工知能ニューラルネットワーク(ANN)ハイブリッドアーキテクチャを統合し、ソフトアウトプットを取得し、トレーニングに代理勾配勾配を用いる。 我々は、定量化学習を通して、多様なシナリオと堅牢性にまたがる一般化に焦点を当てる。 我々は,5G-NR信号に対するニューロモルフィックRxの解釈可能性に着目し,5G-NR信号に対する詳細なアブレーション研究を行う。 シミュレーションにより, ニューロモルフィックRxは5G-NR受信機と比較して大きなブロック誤り率向上を実現でき, 消費電力の7.6倍のANNベースの受信機と同等の性能を示した。

関連論文リスト

• Scaling Up Resonate-and-Fire Networks for Fast Deep Learning [0.0]
  スパイキングニューラルネットワーク(SNN)は、イベントベースのセンサデータのニューロモルフィック処理において、有望な計算パラダイムを提供する。 RFニューロンは、その生物学的妥当性、複雑な力学、計算の単純さを訴える。 我々は、S5モデルに基づくRFニューロンからなる新しいSSM層であるS5-RFを紹介する。 S5-RFは、RFネットワークを最大4つの層を持つディープSNNに初めてスケールし、78.8%の技術的結果が得られる。
  論文  参考訳（メタデータ） (2025-04-01T12:30:55Z)
• Decoding finger velocity from cortical spike trains with recurrent spiking neural networks [6.404492073110551]
  侵襲的脳-機械インタフェース(BMI)は運動障害患者の生活の質を著しく向上させる。 BMIは信頼性の高い復号化性能を提供しながら、厳格なレイテンシとエネルギー制約を満たす必要がある。 2匹のマカクザルの皮質スパイク列から指の速度を復号するためにRSNNを訓練した。
  論文  参考訳（メタデータ） (2024-09-03T10:15:33Z)
• Accurate Mapping of RNNs on Neuromorphic Hardware with Adaptive Spiking Neurons [2.9410174624086025]
  我々は、SigmaDelta$-low-pass RNN(lpRNN)を、レートベースのRNNをスパイクニューラルネットワーク(SNN)にマッピングするために提示する。 適応スパイキングニューロンモデルは、$SigmaDelta$-modulationを使って信号を符号化し、正確なマッピングを可能にする。 我々は、Intelのニューロモルフィック研究チップLoihiにおけるlpRNNの実装を実演する。
  論文  参考訳（メタデータ） (2024-07-18T14:06:07Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Spiking Neural Network Decision Feedback Equalization [70.3497683558609]
  決定フィードバック等化器(DFE)に似たフィードバック構造を持つSNNベースの等化器を提案する。 提案手法は,3種類の模範チャネルに対して,従来の線形等化器よりも明らかに優れていることを示す。 決定フィードバック構造を持つSNNは、競合エネルギー効率の良いトランシーバへのパスを可能にする。
  論文  参考訳（メタデータ） (2022-11-09T09:19:15Z)
• 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)
• Optimal Conversion of Conventional Artificial Neural Networks to Spiking Neural Networks [0.0]
  spiking neural networks (snns) は生物学に触発されたニューラルネットワーク (anns) である。 しきい値バランスとソフトリセット機構を組み合わせることで、重みをターゲットSNNに転送する新しい戦略パイプラインを提案する。 提案手法は,SNNのエネルギーとメモリの制限によるサポートを向上し,組込みプラットフォームに組み込むことが期待できる。
  論文  参考訳（メタデータ） (2021-02-28T12:04:22Z)
• 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)

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。