論文の概要: Image Synthesis Using Spintronic Deep Convolutional Generative Adversarial Network
- arxiv url: http://arxiv.org/abs/2601.01441v1
- Date: Sun, 04 Jan 2026 09:05:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:22.352211
- Title: Image Synthesis Using Spintronic Deep Convolutional Generative Adversarial Network
- Title（参考訳）: スピントロニクス深部畳み込み生成ネットワークを用いた画像合成
- Authors: Saumya Gupta, Abhinandan, Venkatesh vadde, Bhaskaran Muralidharan, Abhishek Sharma,
- Abstract要約: 本研究は,合成画像生成のためのCMOS-スピントロニクス深部畳み込み生成ネットワーク(DCGAN)アーキテクチャを提案する。
我々のスピントロニクスDCGANモデルは、グレースケールデータセットとカラーデータセットの両方にわたって、Fashion MNISTで27.5、Anime Faceデータセットで45.4のFr'echet Inception Distances(FID)を達成している。
- 参考スコア（独自算出の注目度）: 7.4307082087950995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The computational requirements of generative adversarial networks (GANs) exceed the limit of conventional Von Neumann architectures, necessitating energy efficient alternatives such as neuromorphic spintronics. This work presents a hybrid CMOS-spintronic deep convolutional generative adversarial network (DCGAN) architecture for synthetic image generation. The proposed generative vision model approach follows the standard framework, leveraging generator and discriminators adversarial training with our designed spintronics hardware for deconvolution, convolution, and activation layers of the DCGAN architecture. To enable hardware aware spintronic implementation, the generator's deconvolution layers are restructured as zero padded convolution, allowing seamless integration with a 6-bit skyrmion based synapse in a crossbar, without compromising training performance. Nonlinear activation functions are implemented using a hybrid CMOS domain wall based Rectified linear unit (ReLU) and Leaky ReLU units. Our proposed tunable Leaky ReLU employs domain wall position coded, continuous resistance states and a piecewise uniaxial parabolic anisotropy profile with a parallel MTJ readout, exhibiting energy consumption of 0.192 pJ. Our spintronic DCGAN model demonstrates adaptability across both grayscale and colored datasets, achieving Fr'echet Inception Distances (FID) of 27.5 for the Fashion MNIST and 45.4 for Anime Face datasets, with testing energy (training energy) of 4.9 nJ (14.97~nJ/image) and 24.72 nJ (74.7 nJ/image).
- Abstract（参考訳）: 生成逆数ネットワーク(GAN)の計算要求は、従来のフォン・ノイマンアーキテクチャの限界を超え、ニューロモルフィック・スピントロニクスのようなエネルギー効率の良い代替手段を必要とする。
本研究は,合成画像生成のためのCMOS-スピントロニクス深部畳み込み生成ネットワーク(DCGAN)アーキテクチャを提案する。
提案する生成的視覚モデルアプローチは,DCGANアーキテクチャのデコンボリューション,畳み込み,アクティベーションレイヤのために,設計したスピントロニクスハードウェアを用いたジェネレータと識別器の対向トレーニングを活用する。
ハードウェアを意識したスピントロニクス実装を実現するため、ジェネレータのデコンボリューション層はゼロパッドド・コンボリューションとして再構成され、トレーニング性能を損なうことなく6ビットのスカイミオンベースのシナプスとシームレスに統合される。
非線形活性化関数は、CMOSドメインウォールをベースとしたRectified linear unit(ReLU)とLeaky ReLUユニットを用いて実装される。
提案したチューナブルLeaky ReLUは, 領域壁位置の符号化, 連続抵抗状態, 並列MTJ読み出しによる一軸一軸パラボラ異方性プロファイルを用い, エネルギー消費量0.192 pJを示した。
我々は,Fr'echet Inception Distances (FID)をFashion MNISTで27.5,Anime Faceデータセットで45.4,テストエネルギー (トレーニングエネルギー) を4.9 nJ (14.97~nJ/image) と24.72 nJ (74.7 nJ/image) で達成した。
関連論文リスト
- Low-rank surrogate modeling and stochastic zero-order optimization for training of neural networks with black-box layers [4.1673753346810765]
本稿では、再構成可能な物理層を持つハイブリッドネットワークのエンドツーエンドトレーニングのためのフレームワークを提案する。
提案手法の重要な構成要素は,プロジェクタ分割型インテグレータアルゴリズムであり,各前方通過後の軽量サロゲートモデルを更新する。
我々は,コンピュータビジョン,音声分類,言語モデリングなど,多様なディープラーニングタスクにまたがる手法を実証する。
論文 参考訳（メタデータ） (2025-09-18T16:17:44Z) - PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。
ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。
これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文 参考訳（メタデータ） (2025-08-29T01:47:27Z) - Physics-Embedded Neural ODEs for Sim2Real Edge Digital Twins of Hybrid Power Electronics Systems [6.073480880825787]
エッジデジタルツイン(EDT)は電力電子システム(PES)の監視と制御に不可欠である
既存のモデリングアプローチは、PESに固有の継続的な進化するハイブリッドダイナミクスを継続的に捉えるのに苦労している。
本稿では,複合動作機構をイベントオートマトンとして組み込んで,スイッチング離散を明示的に制御する物理埋め込み型ニューラルネットワーク(PENODE)を提案する。
論文 参考訳（メタデータ） (2025-08-04T20:34:13Z) - Spec2VolCAMU-Net: A Spectrogram-to-Volume Model for EEG-to-fMRI Reconstruction based on Multi-directional Time-Frequency Convolutional Attention Encoder and Vision-Mamba U-Net [13.510069069207548]
高分解能核磁気共鳴イメージング(fMRI)はヒト脳活動のマッピングに不可欠である。
既存のEEG-to-fMRIジェネレータは、チャネル間の時間周波数キューをキャプチャできないプレーンな畳み込みネットワーク(CNN)に依存している。
リッチな特徴抽出のための多方向時間周波数畳み込みアテンションを特徴とする軽量アーキテクチャであるSpec2VolCAMU-Netを提案する。
論文 参考訳（メタデータ） (2025-05-14T16:18:21Z) - ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。
Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。
モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
論文 参考訳（メタデータ） (2025-03-27T16:39:40Z) - CycleIK: Neuro-inspired Inverse Kinematics [12.29529468290859]
CycleIKは、逆運動学(Inverse Kiinematics, IK)タスクのための2つの新しい神経誘発手法をラップする神経ロボティックアプローチである。
我々は、これらをハイブリッド神経遺伝IKパイプラインに組み込むことによって、さらなる最適化を実現する方法を示す。
論文 参考訳（メタデータ） (2023-07-21T13:03:27Z) - Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network [101.53907377000445]
軽量画像超解像は、低解像度画像から低計算コストで高解像度画像を再構成することを目的としている。
既存の方法では、活性化関数による中間層の特徴が失われる。
本稿では,中間的特徴損失が再構成品質に与える影響を最小限に抑えるために,特徴相互作用重み付きハイブリッドネットワーク(FIWHN)を提案する。
論文 参考訳（メタデータ） (2022-12-29T05:57:29Z) - Combining Transformer Generators with Convolutional Discriminators [9.83490307808789]
最近提案されたTransGANはトランスフォーマーアーキテクチャのみを使用した最初のGANである。
TransGANは、データ拡張、トレーニング中の補助的な超解像タスク、そして自己保持メカニズムを導く前にマスクを必要とする。
我々は、よく知られたCNN識別器のベンチマークを行い、トランスフォーマーベースジェネレータのサイズを減らし、両方のアーキテクチャ要素をハイブリッドモデルに組み込むことにより、より良い結果をもたらすことを示す。
論文 参考訳（メタデータ） (2021-05-21T07:56:59Z) - TransGAN: Two Transformers Can Make One Strong GAN [111.07699201175919]
我々は、純粋なトランスフォーマーベースのアーキテクチャのみを用いて、完全に畳み込みのないGANテキストを構築できる最初のパイロット研究を行う。
バニラGANアーキテクチャはtextbfTransGANと呼ばれ、メモリフレンドリーなトランスフォーマーベースのジェネレータで構成されています。
当社の最高のアーキテクチャは、コンボリューションバックボーンに基づく最新のGANと比較して非常に競争力のあるパフォーマンスを実現します。
論文 参考訳（メタデータ） (2021-02-14T05:24:48Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳（メタデータ） (2020-06-02T23:38:35Z)
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。