論文の概要: Real-time processing of analog signals on accelerated neuromorphic hardware

• arxiv url: http://arxiv.org/abs/2602.04582v1
• Date: Wed, 04 Feb 2026 14:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.562736
• Title: Real-time processing of analog signals on accelerated neuromorphic hardware
• Title（参考訳）: 加速型ニューロモルフィックハードウェアにおけるアナログ信号のリアルタイム処理
• Authors: Yannik Stradmann, Johannes Schemmel, Mihai A. Petrovici, Laura Kriener,
• Abstract要約: 本稿では,センサデータを処理するアナログ信号直接注入システムを提案する。 我々は、スパイクニューラルネットワークを用いて、データを聴覚コードに変換し、音源の位置を予測する。 我々は、サーボモータアクチュエータをプログラムして、騒音のピーク付近をリアルタイムにローカライズすることでこれを実証する。
• 参考スコア（独自算出の注目度）: 1.4274628617282759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sensory processing with neuromorphic systems is typically done by using either event-based sensors or translating input signals to spikes before presenting them to the neuromorphic processor. Here, we offer an alternative approach: direct analog signal injection eliminates superfluous and power-intensive analog-to-digital and digital-to-analog conversions, making it particularly suitable for efficient near-sensor processing. We demonstrate this by using the accelerated BrainScaleS-2 mixed-signal neuromorphic research platform and interfacing it directly to microphones and a servo-motor-driven actuator. Utilizing BrainScaleS-2's 1000-fold acceleration factor, we employ a spiking neural network to transform interaural time differences into a spatial code and thereby predict the location of sound sources. Our primary contributions are the first demonstrations of direct, continuous-valued sensor data injection into the analog compute units of the BrainScaleS-2 ASIC, and actuator control using its embedded microprocessors. This enables a fully on-chip processing pipeline$\unicode{x2014}$from sensory input handling, via spiking neural network processing to physical action. We showcase this by programming the system to localize and align a servo motor with the spatial direction of transient noise peaks in real-time.
• Abstract（参考訳）: ニューロモルフィックシステムによる感覚処理は通常、イベントベースのセンサーを使用するか、ニューロモルフィックプロセッサに提示する前にインプット信号をスパイクに変換することによって行われる。 本稿では, アナログ信号の直接注入により, 超フルかつ高出力なアナログ-デジタル-アナログ変換とディジタル-アナログ変換を排除し, 効率的な近接センサ処理に特に適する手法を提案する。 我々は、BrainScaleS-2混合信号ニューロモルフィック研究プラットフォームを用いて、マイクロフォンとサーボモータ駆動アクチュエータに直接接続することでこれを実証する。 BrainScaleS-2の1000倍加速係数を利用して、音場間時間差を空間コードに変換し、音源の位置を予測する。 我々の主な貢献は、BrainScaleS-2 ASICのアナログ計算ユニットに、直接的かつ連続的なセンサーデータ注入のデモと、その組み込みマイクロプロセッサを用いたアクチュエータ制御である。 これにより、完全なオンチップ処理パイプライン$\unicode{x2014}$ from Sensory input handle, via spiking Neural Network Processing to physical actionが可能になる。 本稿では,サーボモータを過渡雑音ピークの空間方向とリアルタイムにローカライズ・アライメントするシステムについて紹介する。

関連論文リスト

• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。 得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• Integrate-and-fire circuit for converting analog signals to spikes using phase encoding [4.485617023466674]
  2つの戦略は、エンド・ツー・エンドのニューロモルフィック・アプリケーションにおいて、低エネルギー消費と高速な処理速度を達成することを約束している。 本稿では,連続的なアナログ信号を時間コードスパイクの列に符号化するための,漏洩集積・発火ニューロンモデルの屈折周期の適応制御を提案する。 デジタルニューロモルフィックチップは生成されたスパイク列車を処理し、フーリエ変換のスパイクバージョンを用いて信号の周波数スペクトルを計算した。
  論文  参考訳（メタデータ） (2023-10-03T13:55:46Z)
• DYNAP-SE2: a scalable multi-core dynamic neuromorphic asynchronous spiking neural network processor [2.9175555050594975]
  我々は、リアルタイムイベントベーススパイキングニューラルネットワーク(SNN)をプロトタイピングするための、脳にインスパイアされたプラットフォームを提案する。 提案システムは, 短期可塑性, NMDA ゲーティング, AMPA拡散, ホメオスタシス, スパイク周波数適応, コンダクタンス系デンドライトコンパートメント, スパイク伝達遅延などの動的および現実的なニューラル処理現象の直接エミュレーションを支援する。 異なる生物学的に可塑性のニューラルネットワークをエミュレートする柔軟性と、個体群と単一ニューロンの信号の両方をリアルタイムで監視する能力により、基礎研究とエッジコンピューティングの両方への応用のための複雑なニューラルネットワークモデルの開発と検証が可能になる。
  論文  参考訳（メタデータ） (2023-10-01T03:48:16Z)
• SPAIC: A sub-$\mu$W/Channel, 16-Channel General-Purpose Event-Based Analog Front-End with Dual-Mode Encoders [6.6017549029623535]
  低消費電力イベントベースのアナログフロントエンドは、効率的なニューロモルフィック処理システムを構築するために不可欠である。 我々は、SPAIC(Signal-to-Spike converter for analog AI computing)と呼ばれる新しい、非常にアナログなフロントエンドチップを提案する。 デルタ変調とパルス周波数変調を備えた汎用的なデュアルモードアナログ信号対スパイク符号化と可変周波数帯域を提供する。
  論文  参考訳（メタデータ） (2023-08-31T19:53:04Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• Inference with Artificial Neural Networks on Analog Neuromorphic Hardware [0.0]
  BrainScaleS-2 ASICは混合信号ニューロンとシナプス回路から構成される。 システムは、人工ニューラルネットワークのベクトル行列乗算と累積モードでも動作する。
  論文  参考訳（メタデータ） (2020-06-23T17:25:06Z)

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。