論文の概要: Mixed-signal implementation of feedback-control optimizer for single-layer Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2603.24113v1
- Date: Wed, 25 Mar 2026 09:20:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.223535
- Title: Mixed-signal implementation of feedback-control optimizer for single-layer Spiking Neural Networks
- Title（参考訳）: 単層スパイキングニューラルネットワークのためのフィードバック制御オプティマイザの混合信号実装
- Authors: Jonathan Haag, Christian Metzner, Dmitrii Zendrikov, Giacomo Indiveri, Benjamin Grewe, Chiara De Luca, Matteo Saponati,
- Abstract要約: 混合信号ニューロモルフィックプロセッサ上でのフィードバック制御の概念実証実装を提案する。
その結果,現実的な混合信号制約下でのフィードバック駆動型オンライン学習の実現可能性を強調した。
- 参考スコア（独自算出の注目度）: 0.46176728795109584
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: On-chip learning is key to scalable and adaptive neuromorphic systems, yet existing training methods are either difficult to implement in hardware or overly restrictive. However, recent studies show that feedback-control optimizers can enable expressive, on-chip training of neuromorphic devices. In this work, we present a proof-of-concept implementation of such feedback-control optimizers on a mixed-signal neuromorphic processor. We assess the proposed approach in an In-The-Loop(ITL) training setup on both a binary classification task and the nonlinear Yin-Yang problem, demonstrating on-chip training that matches the performance of numerical simulations and gradient-based baselines. Our results highlight the feasibility of feedback-driven, online learning under realistic mixed-signal constraints, and represent a co-design approach toward embedding such rules directly in silicon for autonomous and adaptive neuromorphic computing.
- Abstract（参考訳）: オンチップ学習は、スケーラブルで適応的なニューロモルフィックシステムにとって鍵となるが、既存のトレーニング手法はハードウェアで実装することは困難か、過度に制限されている。
しかし、近年の研究では、フィードバック制御オプティマイザは、ニューロモルフィックデバイスの表現力のあるオンチップトレーニングを可能にすることが示されている。
本稿では,複合信号ニューロモルフィックプロセッサ上でのフィードバック制御オプティマイザの概念実証実装を提案する。
In-The-Loop(ITL)トレーニングの2値分類タスクと非線形Yin-Yang問題の両方に対する提案手法の評価を行い,数値シミュレーションと勾配ベースラインの性能に適合するオンチップトレーニングを実証した。
本結果は,現実的な混合信号制約下でのフィードバック駆動型オンライン学習の実現可能性を強調し,このようなルールを直接シリコンに組み込むことによる自律的・適応型ニューロモルフィックコンピューティングの実現に向けた共同設計のアプローチを示す。
関連論文リスト
- A feedback control optimizer for online and hardware-aware training of Spiking Neural Networks [0.5512626046125358]
本稿では、スパイクに基づく重み更新とフィードバック制御信号を統合する混合信号デバイス上でのスパイキングニューラルネットワーク(SNN)の新しい学習アルゴリズムを提案する。
我々のフレームワークでは、スパイキングコントローラがフィードバック信号を生成し、SNNアクティビティをガイドし、ウェイトアップデートを駆動し、スケーラブルでローカルなオンチップ学習を可能にする。
論文 参考訳（メタデータ） (2026-02-03T10:08:21Z) - In-Context Learning for Gradient-Free Receiver Adaptation: Principles, Applications, and Theory [54.92893355284945]
ディープラーニングベースの無線受信機は、様々なチャネル環境に動的に適応する能力を提供する。
ジョイントトレーニング、ハイパーネットワークベースの手法、メタラーニングを含む現在の適応戦略は、限られた柔軟性を示すか、勾配降下による明示的な最適化を必要とする。
本稿では、インコンテキスト学習(ICL)の新たなパラダイムに根ざした勾配なし適応手法を提案する。
論文 参考訳（メタデータ） (2025-06-18T06:43:55Z) - Hierarchical Feature-level Reverse Propagation for Post-Training Neural Networks [24.442592456755698]
エンド・ツー・エンドの自動運転は支配的なパラダイムとして現れてきたが、その高度に絡み合ったブラックボックスモデルは、解釈可能性と安全性の保証の観点から課題を提起している。
本稿では,事前学習ニューラルネットワークに適した階層的かつ非結合なポストトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-08T15:19:03Z) - Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。
本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
論文 参考訳（メタデータ） (2025-05-21T13:22:20Z) - Multiscale Training of Convolutional Neural Networks [6.805997961535213]
高解像度画像上での畳み込みニューラルネットワーク(CNN)のトレーニングは、最も優れたメッシュ上の損失の勾配を評価するコストによってボトルネックとなることが多い。
本稿では,モンテカルロにインスパイアされたマルチレベル・マルチスケール・グラディエント推定法 (MGE) を提案する。
さらに、粗いメッシュの学習問題を最初に解き、次の細かいレベルを“ホットスタート”し、必要な微細メッシュを桁違いに削減するフルマルチスケールトレーニングアルゴリズムにMGEを組み込む。
論文 参考訳（メタデータ） (2025-01-22T09:13:47Z) - Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。
LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。
提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
論文 参考訳（メタデータ） (2023-08-23T10:48:28Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Minimizing Control for Credit Assignment with Strong Feedback [65.59995261310529]
ディープニューラルネットワークにおける勾配に基づくクレジット割り当ての現在の手法は、無限小のフィードバック信号を必要とする。
我々は、神経活動に対する強いフィードバックと勾配に基づく学習を組み合わせることで、ニューラルネットワークの最適化に関する新たな視点を自然に導き出すことを示す。
DFCにおける強いフィードバックを用いることで、空間と時間において完全に局所的な学習規則を用いることで、前向きとフィードバックの接続を同時に学習できることを示す。
論文 参考訳（メタデータ） (2022-04-14T22:06:21Z) - Neural Network Training with Asymmetric Crosspoint Elements [1.0773924713784704]
実用的な抵抗装置の非対称コンダクタンス変調は、従来のアルゴリズムで訓練されたネットワークの分類を著しく劣化させる。
ここでは、ハミルトニアン Descent という代替の完全並列トレーニングアルゴリズムを記述し、実験的に示す。
我々は、なぜデバイス非対称性が従来のトレーニングアルゴリズムと根本的に相容れないのか、新しいアプローチがどのようにそれを有用な機能として利用するのか、という批判的な直感を提供する。
論文 参考訳（メタデータ） (2022-01-31T17:41:36Z) - On Training and Evaluation of Neural Network Approaches for Model
Predictive Control [9.8918553325509]
本稿では,制約ニューラルネットワークを用いて実装されたモデル予測制御(MPC)のトレーニングと評価を行うフレームワークである。
モチベーションは、安全クリティカルフィードバック制御システムのリアルタイム最適化を、ニューラルネットワークと最適化層という形で学習されたマッピングに置き換えることである。
論文 参考訳（メタデータ） (2020-05-08T15:37:55Z)
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。