論文の概要: Spiking Manifesto

• arxiv url: http://arxiv.org/abs/2512.11843v1
• Date: Wed, 03 Dec 2025 23:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.716689
• Title: Spiking Manifesto
• Title（参考訳）: スパイクマニフェスト
• Authors: Eugene Izhikevich,
• Abstract要約: このマニフェストは、スパイクネットワークとポリクロナイゼーションの観点から、人気のあるAIモデルを考えるためのフレームワークを提案する。 AIモデルを、1000倍の効率向上を約束して、新しいタイプのアーキテクチャに変換する方法を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Practically everything computers do is better, faster, and more power-efficient than the brain. For example, a calculator crunches numbers more energy-efficiently than any human. Yet AI models are a thousand times less efficient than the brain. These models use artificial neural networks (ANNs) and require GPUs for the multiplication of huge matrices. In contrast, spiking neural networks (SNNs) of the brain have no matrix multiplication and much smaller energy requirements. This manifesto proposes a framework for thinking about popular AI models in terms of spiking networks and polychronization, and for interpreting spiking activity as nature's way of implementing look-up tables. This offers a way to convert AI models into a novel type of architecture with the promise of a thousandfold improvement in efficiency. Code is available at https://github.com/izhikevich/SNN
• Abstract（参考訳）: 実際、コンピュータが行うすべてのことは、脳よりも良く、速く、そしてより電力効率が高い。 例えば、電卓は、どの人間よりもエネルギー効率が良い数値を割る。 しかし、AIモデルは脳の1000倍の効率を保っている。 これらのモデルは、人工知能ニューラルネットワーク(ANN)を使用し、巨大な行列の乗算にGPUを必要とする。 対照的に、脳のスパイキングニューラルネットワーク(SNN)には行列乗算がなく、エネルギーの要求もはるかに少ない。 このマニフェストは、スパイクネットワークとポリクロナイゼーションの観点から人気のあるAIモデルを考えるためのフレームワークを提案し、スパイクアクティビティをルックアップテーブルを実装する自然の方法として解釈する。 これにより、AIモデルを1000倍の効率向上を約束して、新しいタイプのアーキテクチャに変換する方法が提供される。 コードはhttps://github.com/izhikevich/SNNで入手できる。

関連論文リスト

• Training of Physical Neural Networks [16.832505972118646]
  物理ニューラルネットワーク(PNN)は、物理系の特性を利用して計算を行うニューラルネットワークである。 PNNはいつか、AIシステムで何が可能で実用的なのかを根本的に変えるかもしれない。 大規模にPNNを訓練するために、バックプロパゲーションベースやバックプロパゲーションフリーアプローチを含む多くの手法が検討されている。
  論文  参考訳（メタデータ） (2024-06-05T15:28:04Z)
• Brain-inspired Computational Intelligence via Predictive Coding [73.42407863671565]
  予測符号化(PC)は、機械学習コミュニティにとって潜在的に価値のある、有望な特性を示している。 PCライクなアルゴリズムは、機械学習とAIの複数のサブフィールドに存在し始めている。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Hyperdimensional Computing with Spiking-Phasor Neurons [0.9594432031144714]
  シンボリックベクトルアーキテクチャ(VSAs)は、構成的推論を表現するための強力なフレームワークである。 スパイキングニューロンの基板上でVSAアルゴリズムを実行し、ニューロモルフィックハードウェア上で効率的に動作させることができる。
  論文  参考訳（メタデータ） (2023-02-28T20:09:12Z)
• Tricking AI chips into Simulating the Human Brain: A Detailed Performance Analysis [0.5354801701968198]
  脳シミュレーションでは、複数の最先端AIチップ(Graphcore IPU、GroqChip、劣悪なCoreを持つNvidia GPU、Google TPU)を評価した。 性能解析の結果,シミュレーション問題はGPUとTPUアーキテクチャに極めてよく対応していることがわかった。 GroqChipは、小さなネットワークにおいて両方のプラットフォームより優れているが、精度の低い浮動小数点演算を実装しているため、脳シミュレーションではまだ利用できない。
  論文  参考訳（メタデータ） (2023-01-31T13:51:37Z)
• Variable Bitrate Neural Fields [75.24672452527795]
  本稿では,特徴格子を圧縮し,メモリ消費を最大100倍に削減する辞書手法を提案する。 辞書の最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督できない空間において、エンドツーエンドの離散神経表現を学習する。
  論文  参考訳（メタデータ） (2022-06-15T17:58:34Z)
• Learning from Event Cameras with Sparse Spiking Convolutional Neural Networks [0.0]
  畳み込みニューラルネットワーク(CNN)は現在、コンピュータビジョン問題のデファクトソリューションとなっている。 イベントカメラとスピーキングニューラルネットワーク(SNN)を用いたエンドツーエンドの生物学的インスパイアされたアプローチを提案する。 この手法は、一般的なディープラーニングフレームワークPyTorchを使用して、イベントデータに直接スパーススパイクニューラルネットワークのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2021-04-26T13:52:01Z)
• Model Rubik's Cube: Twisting Resolution, Depth and Width for TinyNets [65.28292822614418]
  解像度、深さ、幅を同時に拡大する巨大な公式は、ニューラルネットワークのためのルービックキューブを提供する。 本稿では,最小モデルサイズと計算コストで深層ニューラルネットワークを得るためのツイストルールを検討することを目的とする。
  論文  参考訳（メタデータ） (2020-10-28T08:49:45Z)
• Reservoir Memory Machines as Neural Computers [70.5993855765376]
  微分可能なニューラルネットワークは、干渉することなく明示的なメモリで人工ニューラルネットワークを拡張する。 我々は、非常に効率的に訓練できるモデルを用いて、微分可能なニューラルネットワークの計算能力を実現する。
  論文  参考訳（メタデータ） (2020-09-14T12:01:30Z)
• Optimizing Memory Placement using Evolutionary Graph Reinforcement Learning [56.83172249278467]
  大規模検索空間を対象とした進化グラフ強化学習(EGRL)を提案する。 我々は、推論のために、Intel NNP-Iチップ上で、我々のアプローチを直接訓練し、検証する。 また,NNP-Iコンパイラと比較して28～78%の高速化を実現している。
  論文  参考訳（メタデータ） (2020-07-14T18:50:12Z)
• Deep Polynomial Neural Networks [77.70761658507507]
  $Pi$Netsは拡張に基づいた関数近似の新しいクラスである。 $Pi$Netsは、画像生成、顔検証、および3Dメッシュ表現学習という3つの困難なタスクで、最先端の結果を生成する。
  論文  参考訳（メタデータ） (2020-06-20T16:23:32Z)

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。