論文の概要: Governance at the Edge of Architecture: Regulating NeuroAI and Neuromorphic Systems
- arxiv url: http://arxiv.org/abs/2602.01503v2
- Date: Wed, 04 Feb 2026 19:38:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 14:11:23.847462
- Title: Governance at the Edge of Architecture: Regulating NeuroAI and Neuromorphic Systems
- Title（参考訳）: 建築の端におけるガバナンス--ニューロAIとニューロモルフィックシステムの規制
- Authors: Afifah Kashif, Abdul Muhsin Hameed, Asim Iqbal,
- Abstract要約: 現在のAIガバナンスフレームワークは、von Neumannハードウェア上で静的で集中的にトレーニングされた人工知能ニューラルネットワーク用に構築されている。
ニューロAIシステムは、ニューロモルフィックなハードウェアに具現化され、スパイクニューラルネットワークによって実装され、これらの仮定を破る。
- 参考スコア（独自算出の注目度）: 4.460583138505673
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current AI governance frameworks, including regulatory benchmarks for accuracy, latency, and energy efficiency, are built for static, centrally trained artificial neural networks on von Neumann hardware. NeuroAI systems, embodied in neuromorphic hardware and implemented via spiking neural networks, break these assumptions. This paper examines the limitations of current AI governance frameworks for NeuroAI, arguing that assurance and audit methods must co-evolve with these architectures, aligning traditional regulatory metrics with the physics, learning dynamics, and embodied efficiency of brain-inspired computation to enable technically grounded assurance.
- Abstract（参考訳）: 現在のAIガバナンスフレームワークは、精度、レイテンシ、エネルギー効率のベンチマークを含む、フォン・ノイマンハードウェア上の静的で集中的に訓練された人工ニューラルネットワークのために構築されている。
ニューロAIシステムは、ニューロモルフィックなハードウェアに具現化され、スパイクニューラルネットワークによって実装され、これらの仮定を破る。
本稿では、NeuroAIの現在のAIガバナンスフレームワークの限界を考察し、保証と監査手法はこれらのアーキテクチャと共同開発し、従来の規制指標を物理、学習力学、脳にインスパイアされた計算の具体的効率と整合させ、技術的基盤の保証を可能にすることを主張する。
関連論文リスト
- Training Deep Normalization-Free Spiking Neural Networks with Lateral Inhibition [52.59263087086756]
深層ニューラルネットワーク(SNN)のトレーニングは、バッチ正規化のような明示的な正規化スキームに依存している。
本研究では,皮質回路にインスパイアされた側方抑制を取り入れた正規化自由学習フレームワークを提案する。
本稿では,生物リアリズムを持つ深層SNNの安定的学習を可能にするとともに,明示的な正規化に頼らずに競争性能を達成できることを述べる。
論文 参考訳（メタデータ） (2025-09-27T11:11:30Z) - Self-Organising Memristive Networks as Physical Learning Systems [0.8752279866335758]
物理システムによる学習は、物理基板の本質的な非線形ダイナミクスを学習に活用しようとする、新たなパラダイムである。
このパースペクティブは、抵抗性メモリナノスケールコンポーネントからなる物理ネットワークを用いた有望なアプローチである。
この視点の全体的目的は、ナノテクノロジー、統計物理学、複雑なシステム、そして自己組織化原理の収束が、いかにして新しい世代の物理知能技術を前進させるユニークな機会を提供するかを示すことである。
論文 参考訳（メタデータ） (2025-08-31T08:44:02Z) - NeuroBench: A Framework for Benchmarking Neuromorphic Computing Algorithms and Systems [50.076028127394366]
ニューロベンチ(NeuroBench)はニューロモルフィックコンピューティングアルゴリズムとシステムのためのベンチマークフレームワークである。
NeuroBenchは、業界や学界にまたがる研究者のオープンなコミュニティによる共同開発である。
論文 参考訳（メタデータ） (2023-04-10T15:12:09Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳（メタデータ） (2022-05-25T20:16:05Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z) - Structural plasticity on an accelerated analog neuromorphic hardware
system [0.46180371154032884]
我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。
我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。
ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
論文 参考訳（メタデータ） (2019-12-27T10:15:58Z)
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。