論文の概要: Brain-inspired AI for Edge Intelligence: a systematic review

• arxiv url: http://arxiv.org/abs/2603.26722v1
• Date: Thu, 19 Mar 2026 08:13:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.108141
• Title: Brain-inspired AI for Edge Intelligence: a systematic review
• Title（参考訳）: エッジインテリジェンスのための脳にインスパイアされたAI
• Authors: Yingchao Cheng, Meijia Wang, Zhifeng Hao, Rajkumar Buyya,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、エッジインテリジェンスの厳しいサイズ、重量、パワー(SWaP)の制約を回避することを約束する。 現在、理論エネルギーのゲインは、伝統的なフォン・ノイマン基板に非同期で事象駆動のダイナミクスをマッピングする非効率性によってしばしば否定される。 この調査では、厳密なシステムレベルのハードウェア-ソフトウェア共同設計の視点を採用し、2020-2025年の軌道を検証した。
• 参考スコア（独自算出の注目度）: 40.25885510107807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Spiking Neural Networks (SNNs) promise to circumvent the severe Size, Weight, and Power (SWaP) constraints of edge intelligence, the field currently faces a "Deployment Paradox" where theoretical energy gains are frequently negated by the inefficiencies of mapping asynchronous, event-driven dynamics onto traditional von Neumann substrates. Transcending the reductionism of algorithm-only reviews, this survey adopts a rigorous system-level hardware-software co-design perspective to examine the 2020-2025 trajectory, specifically targeting the "last mile" technologies - from quantization methodologies to hybrid architectures - that translate biological plausibility into silicon reality. We critically dissect the interplay between training complexity (the dichotomy of direct learning vs. conversion), the "memory wall" bottlenecking stateful neuronal updates, and the critical software gap in neuromorphic compilation toolchains. Finally, we envision a roadmap to reconcile the fundamental "Sync-Async Mismatch," proposing the development of a standardized Neuromorphic OS as the foundational layer for realizing a ubiquitous, energy-autonomous Green Cognitive Substrate.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)はエッジインテリジェンスの厳しいサイズ、重量、パワー(SWaP)の制約を回避することを約束する一方で、理論的なエネルギーゲインが従来のフォンノイマン基板に非同期でイベント駆動のダイナミクスをマッピングする非効率によって頻繁に否定される「展開パラドックス」に直面している。 アルゴリズムのみのレビューの削減を経たこの調査では、厳格なシステムレベルのハードウェア-ソフトウェア共同設計の視点を採用して、量子化方法論からハイブリッドアーキテクチャまで、特に"ラストマイル"技術をターゲットにした2020-2025の軌跡を、生物の可視性をシリコン現実に翻訳する、厳格なシステムレベルのハードウェア-ソフトウェア共同設計の視点を適用した。 我々は、トレーニングの複雑さ(直接学習と変換の二分法)、ステートフルな神経更新のボトルネックとなる「メモリウォール」、ニューロモルフィックコンパイルツールチェーンにおける重要なソフトウェアギャップの間の相互作用を批判的に識別する。 最後に,ユビキタスでエネルギー自立的なグリーン認知基板を実現するための基盤層として,標準化されたニューロモーフィックOSの開発を提案する。

関連論文リスト

• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• Intelligent Neural Networks: From Layered Architectures to Graph-Organized Intelligence [0.20305676256390928]
  我々は、ニューロンが内部記憶を持つ第一級エンティティであり、学習された通信パターンを持つパラダイムシフトであるIntelligent Neural Networks (INN)を紹介する。 標準のText8文字モデリングベンチマークでは、INNは1.705bit-Per-Character (BPC)を達成した。 この研究は、グラフ構造を持つニューロン中心の設計が単にバイオインスパイアされただけでなく、計算的に効果的であることを示した。
  論文  参考訳（メタデータ） (2025-11-27T23:59:29Z)
• Standard Neural Computation Alone Is Insufficient for Logical Intelligence [3.230778132936486]
  論理的推論を統合するためには、標準的なニューラルネットワーク層を根本的に再考する必要がある、と我々は主張する。 論理演算の微分可能な近似を組み込んだ論理ニューラルネットワーク(LNU)モジュラーコンポーネントを提唱する。
  論文  参考訳（メタデータ） (2025-02-04T09:07:45Z)
• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• Biologically Plausible Learning on Neuromorphic Hardware Architectures [27.138481022472]
  ニューロモルフィックコンピューティング(Neuromorphic Computing)は、アナログメモリの計算によってこの不均衡に直面している新興パラダイムである。 この研究は、異なる学習アルゴリズムがCompute-In-Memoryベースのハードウェアに与える影響を初めて比較し、その逆も行った。
  論文  参考訳（メタデータ） (2022-12-29T15:10:59Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Bottom-up and top-down approaches for the design of neuromorphic processing systems: Tradeoffs and synergies between natural and artificial intelligence [3.874729481138221]
  ムーアの法則は指数計算能力の期待を加速させており、システム全体の性能を改善するための新たな方法を求める最終段階に近づいている。 これらの方法の1つは、生物学的ニューラルネットワークシステムの柔軟性と計算効率を達成することを目的とした、脳にインスパイアされた代替コンピューティングアーキテクチャの探索である。 我々は、このパラダイムシフトが実現される際の粒度の異なるレベルについて、その分野の包括的概要を提供する。
  論文  参考訳（メタデータ） (2021-06-02T16:51:45Z)
• Neural Networks with Recurrent Generative Feedback [61.90658210112138]
  畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する 実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
  論文  参考訳（メタデータ） (2020-07-17T19:32:48Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)

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。