論文の概要: M2RU: Memristive Minion Recurrent Unit for On-Chip Continual Learning at the Edge

• arxiv url: http://arxiv.org/abs/2512.17299v2
• Date: Fri, 26 Dec 2025 15:06:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 13:23:29.773843
• Title: M2RU: Memristive Minion Recurrent Unit for On-Chip Continual Learning at the Edge
• Title（参考訳）: M2RU: エッジでのオンチップ連続学習のためのmemristive Minion Recurrent Unit
• Authors: Abdullah M. Zyarah, Dhireesha Kudithipudi,
• Abstract要約: M2RUは、オンチップ連続学習による効率的な時間処理のためのミニオン繰り返しユニットを実装した混合信号アーキテクチャである。 M2RUは48.62mWで15 GOPSを達成し、1ワットあたり312 GOPSに対応し、ソフトウェアベースラインの5%以内の精度を維持している。
• 参考スコア（独自算出の注目度）: 0.9489768485352971
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual learning on edge platforms remains challenging because recurrent networks depend on energy-intensive training procedures and frequent data movement that are impractical for embedded deployments. This work introduces M2RU, a mixed-signal architecture that implements the minion recurrent unit for efficient temporal processing with on-chip continual learning. The architecture integrates weighted-bit streaming, which enables multi-bit digital inputs to be processed in crossbars without high-resolution conversion, and an experience replay mechanism that stabilizes learning under domain shifts. M2RU achieves 15 GOPS at 48.62 mW, corresponding to 312 GOPS per watt, and maintains accuracy within 5 percent of software baselines on sequential MNIST and CIFAR-10 tasks. Compared with a CMOS digital design, the accelerator provides 29X improvement in energy efficiency. Device-aware analysis shows an expected operational lifetime of 12.2 years under continual learning workloads. These results establish M2RU as a scalable and energy-efficient platform for real-time adaptation in edge-level temporal intelligence.
• Abstract（参考訳）: エッジプラットフォーム上での継続的な学習は、リカレントネットワークがエネルギー集約的なトレーニング手順と、組み込みデプロイメントでは不可能な頻繁なデータ移動に依存しているため、依然として困難である。 この研究は、M2RUという混合信号アーキテクチャを導入し、オンチップ連続学習による時間的処理を効率的に行うミニオンリカレントユニットを実装した。 このアーキテクチャは、マルチビットデジタル入力を高解像度変換なしでクロスバーで処理できる重み付きビットストリーミングと、ドメインシフト下での学習を安定化するエクスペリエンス再生機構を統合している。 M2RUは48.62 mWで15 GOPSを達成し、1ワットあたり312 GOPSに対応し、シーケンシャルなMNISTとCIFAR-10タスクのソフトウェアベースラインの5%以内の精度を維持する。 CMOSデジタル設計と比較すると、加速器はエネルギー効率を29倍改善する。 デバイス認識分析は、継続的な学習ワークロードの下での12.2年の運用寿命を示している。 これらの結果は、エッジレベルの時間的インテリジェンスにおけるリアルタイム適応のためのスケーラブルでエネルギー効率のよいプラットフォームとしてM2RUを確立している。

関連論文リスト

• On-Chip Learning with Memristor-Based Neural Networks: Assessing Accuracy and Efficiency Under Device Variations, Conductance Errors, and Input Noise [0.0]
  本稿では,オンチップトレーニングと推論のためのメモリメモリハードウェアアクセラレータを提案する。 30メムリスタと4つのニューロンからなるハードウェアは、タングステン、クロム、炭素媒体を持つ3つの異なるM-SDC構造を用いてバイナリ画像分類タスクを実行する。
  論文  参考訳（メタデータ） (2024-08-26T23:10:01Z)
• Time-Series Forecasting and Sequence Learning Using Memristor-based Reservoir System [2.6473021051027534]
  我々は,効率的な時間的データ処理とオンライン学習を兼ね備えたmemristorベースのエコー状態ネットワークアクセラレータを開発した。 提案した設計は、負荷エネルギー消費と気象条件の予測など、実世界のタスクを含む様々なデータセットを用いてベンチマークされる。 このシステムはデバイス故障に対して10%以下で合理的な堅牢性を示すことが観察された。
  論文  参考訳（メタデータ） (2024-05-22T05:07:56Z)
• EdgeOL: Efficient in-situ Online Learning on Edge Devices [51.86178757050963]
  予測精度、微調整実行時間、エネルギー効率を最適化するエッジオンライン学習フレームワークであるEdgeOLを提案する。 実験結果から、EdgeOLは、全体の微調整実行時間を64%削減し、エネルギー消費を52%削減し、オンラインの即時学習戦略よりも平均推定精度を1.75%向上させることがわかった。
  論文  参考訳（メタデータ） (2024-01-30T02:41:05Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• Neuromorphic analog circuits for robust on-chip always-on learning in spiking neural networks [1.9809266426888898]
  混合信号ニューロモルフィックシステムは、極端コンピューティングタスクを解決するための有望なソリューションである。 彼らのスパイクニューラルネットワーク回路は、連続的にセンサーデータをオンラインに処理するために最適化されている。 我々は,短期的アナログ力学と長期的三状態離散化機構を備えたオンチップ学習回路を設計する。
  論文  参考訳（メタデータ） (2023-07-12T11:14:25Z)
• ReckOn: A 28nm Sub-mm2 Task-Agnostic Spiking Recurrent Neural Network Processor Enabling On-Chip Learning over Second-Long Timescales [2.8732531902793172]
  我々は,タスク非依存のオンライン学習を数秒で実現する,0.45-mm$2$のスパイクRNNプロセッサを提案する。 ナビゲーション、ジェスチャー認識、キーワードスポッティングを0.8-%のメモリオーバーヘッドと150-mu$Wのトレーニングパワー予算で実証する。
  論文  参考訳（メタデータ） (2022-08-20T22:45:07Z)
• BiFSMN: Binary Neural Network for Keyword Spotting [47.46397208920726]
  BiFSMNは、KWSのための正確かつ極効率のバイナリニューラルネットワークである。 実世界のエッジハードウェアにおいて,BiFSMNは22.3倍の高速化と15.5倍のストレージ節約を実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-14T05:16:53Z)
• STSM: Spatio-Temporal Shift Module for Efficient Action Recognition [4.096670184726871]
  本稿では,有効かつ高性能な時空間シフトモジュール(STSM)を提案する。 特に、ネットワークが2次元CNNである場合、STSMモジュールはネットワークが効率的な時空間的特徴を学習できるようにする。
  論文  参考訳（メタデータ） (2021-12-05T09:40:49Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)

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。