論文の概要: Bullet Trains: Parallelizing Training of Temporally Precise Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2603.13283v1
• Date: Fri, 27 Feb 2026 16:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.264779
• Title: Bullet Trains: Parallelizing Training of Temporally Precise Spiking Neural Networks
• Title（参考訳）: ブレットトレイン:一時的精度のスパイクニューラルネットワークの並列トレーニング
• Abstract要約: SNN(Continuous-time, Event-native Spiking Neural Network)は、スパイクイベントを厳格に処理する。 実践的でエンドツーエンドのトレーニング可能なイベントベースSNNシステムに対する2つの課題に対処する。 まず、並列連想スキャンを用いて複数の入力スパイクを同時に消費し、逐次シミュレーションで最大44倍のスピードアップを発生させる。 第2に、離散時間近似や限定的な解析仮定を使わずに、スパイク時間から機械精度までを計算できる、微分可能なスパイク時間解法を実装した。
• 参考スコア（独自算出の注目度）: 0.7653446907404775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous-time, event-native spiking neural networks (SNNs) operate strictly on spike events, treating spike timing and ordering as the representation rather than an artifact of time discretization. This viewpoint aligns with biological computation and with the native resolution of event sensors and neuromorphic processors, while enabling compute and memory that scale with the number of events. However, two challenges hinder practical, end-to-end trainable event-based SNN systems: 1) exact charge--fire--reset dynamics impose inherently sequential processing of input spikes, and 2) precise spike times must be solved without time bins. We address both. First, we use parallel associative scans to consume multiple input spikes at once, yielding up to 44x speedups over sequential simulation while retaining exact hard-reset dynamics. Second, we implement differentiable spike-time solvers that compute spike times to machine precision without discrete-time approximations or restrictive analytic assumptions. We demonstrate the viability of training SNNs using our solutions on four event-based datasets on GPUs.
• Abstract（参考訳）: 連続時間、イベントネイティブなスパイクニューラルネットワーク(SNN)はスパイクイベントを厳格に操作し、スパイクタイミングと順序を時間離散化の成果ではなく表現として扱う。 この視点は、生物学的計算と、イベントセンサとニューロモーフィックプロセッサのネイティブ解像度に一致し、イベントの数に応じてスケールする計算とメモリを可能にしている。 しかし、2つの課題は、実用的でエンドツーエンドのトレーニング可能なイベントベースSNNシステムを妨げる。 1)正確なチャージ---リセット--インプットスパイクの本質的にシーケンシャルな処理を課し、 2時間ビンなしで正確なスパイク時間を解決しなければならない。 私たちは両方に対処します。 まず、並列連想スキャンを用いて複数の入力スパイクを同時に消費し、正確なハードリセットダイナミクスを維持しながら、シーケンシャルシミュレーションよりも最大44倍のスピードアップを実現した。 第2に、離散時間近似や限定的な解析仮定を使わずに、スパイク時間から機械精度までを計算できる、微分可能なスパイク時間解法を実装した。 我々は、GPU上の4つのイベントベースデータセット上で、私たちのソリューションを使用してSNNをトレーニングする可能性を示す。

関連論文リスト

• Scalable Training of Continuous-Time Spiking Neural Networks with Differentiable Spike-Time Discretization [1.489944824637277]
  連続時間スパイクニューラルネットワーク(SNN)のためのメモリ効率のトレーニングフレームワークを提案する。 微分可能なスパイク時間離散化は、不規則なシナプス前スパイクを一定時間点における微分可能な重み付き事象にマッピングする。 密度の高いLIF層では、DSTDはスパイク時間計算と比較してピークメモリの消費を最大100倍に減らし、トレーニング時間を最大20倍に減らした。
  論文  参考訳（メタデータ） (2026-07-16T07:38:24Z)
• Time Is All It Takes: Spike-Retiming Attacks on Event-Driven Spiking Neural Networks [87.16809558673403]
  スパイキングニューラルネットワーク(SNN)は離散スパイクで計算し、時間構造を利用する。 イベント駆動SNNにおけるスパイク数と振幅を保存しながら、既存のスパイクを繰り返すタイミングのみの敵について検討する。
  論文  参考訳（メタデータ） (2026-02-03T09:06:53Z)
• Low-power event-based face detection with asynchronous neuromorphic hardware [2.0774873363739985]
  本稿では、SynSense Speckニューロモルフィックチップ上に展開されたイベントベースの顔検出のためのオンチップスパイクニューラルネットワークの最初の例を示す。 トレーニングに用いるオフチップクロック駆動シミュレーションとオンチップイベント駆動推論との精度の相違について述べる。 オンチップ顔検出のmAP[0.5]は0.6で、20mWしか消費しない。
  論文  参考訳（メタデータ） (2023-12-21T19:23:02Z)
• Exploring Tradeoffs in Spiking Neural Networks [0.0]
  Spiking Neural Networks(SNN)は、低消費電力コンピューティングのための従来のDeep Neural Networksに代わる有望な代替品として登場した。 スパイク制約の緩和は、より高速な収束、類似の空間性、同等の予測遅延、TTFS SNNと比較してノイズに対するロバスト性の向上といったメリットを享受しつつ、より高いパフォーマンスを提供することを示す。
  論文  参考訳（メタデータ） (2022-12-15T20:18:14Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
  イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。 AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
  論文  参考訳（メタデータ） (2022-03-31T16:21:12Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• SpikeMS: Deep Spiking Neural Network for Motion Segmentation [7.491944503744111]
  textitSpikeMSは、モーションセグメンテーションの大規模な問題に対する最初のディープエンコーダデコーダSNNアーキテクチャである。 textitSpikeMSは,テキストインクリメンタルな予測や,より少ない量のテストデータからの予測を行うことができることを示す。
  論文  参考訳（メタデータ） (2021-05-13T21:34:55Z)
• Event-based Asynchronous Sparse Convolutional Networks [54.094244806123235]
  イベントカメラはバイオインスパイアされたセンサーで、非同期でスパースな「イベント」の形で画素ごとの明るさ変化に反応する。 同期画像のようなイベント表現で訓練されたモデルを、同じ出力を持つ非同期モデルに変換するための一般的なフレームワークを提案する。 理論的および実験的に、これは高容量同期ニューラルネットワークの計算複雑性と遅延を大幅に減少させることを示す。
  論文  参考訳（メタデータ） (2020-03-20T08:39:49Z)
• Event-Based Angular Velocity Regression with Spiking Networks [51.145071093099396]
  スパイキングニューラルネットワーク(SNN)は、数値ではなく時間スパイクとして伝達される情報を処理する。 本稿では,イベントカメラから与えられた事象の時間回帰問題を初めて提案する。 角速度回帰を行うためにSNNをうまく訓練できることが示される。
  論文  参考訳（メタデータ） (2020-03-05T17:37:16Z)

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。