論文の概要: Neuromorphic Computing for Low-Power Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2604.04727v1
• Date: Mon, 06 Apr 2026 14:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.234337
• Title: Neuromorphic Computing for Low-Power Artificial Intelligence
• Title（参考訳）: 低消費電力人工知能のためのニューロモルフィックコンピューティング
• Authors: Keshava Katti, Pratik Chaudhari, Deep Jariwala,
• Abstract要約: 人工知能(AI)の計算と記憶の要求は、情報の表現、保存、通信、処理における破壊的な革新を必要とする。 ニューロモルフィックコンピューティングは、現在のAIシステムのエネルギー効率とスケーラビリティの改善に向けた有望な道を提供する。 本稿では、古典的相補的金属酸化物半導体(CMOS)技術の鍵となる限界を調査し、そのような層間神経型アプローチがそれらを克服する方法について概説する。
• 参考スコア（独自算出の注目度）: 14.649829479177917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classical computing is beginning to encounter fundamental limits of energy efficiency. This presents a challenge that can no longer be solved by strategies such as increasing circuit density or refining standard semiconductor processes. The growing computational and memory demands of artificial intelligence (AI) require disruptive innovation in how information is represented, stored, communicated, and processed. By leveraging novel device modalities and compute-in-memory (CIM), in addition to analog dynamics and sparse communication inspired by the brain, neuromorphic computing offers a promising path toward improvements in the energy efficiency and scalability of current AI systems. But realizing this potential is not a matter of replacing one chip with another; rather, it requires a co-design effort, spanning new materials and non-volatile device structures, novel mixed-signal circuits and architectures, and learning algorithms tailored to the physics of these substrates. This article surveys the key limitations of classical complementary metal-oxide-semiconductor (CMOS) technology and outlines how such cross-layer neuromorphic approaches may overcome them.
• Abstract（参考訳）: 古典コンピューティングはエネルギー効率の基本的な限界に直面し始めている。 これは、回路密度の増大や標準半導体プロセスの精錬といった戦略によって、もはや解決できない課題である。 人工知能(AI)の計算とメモリ需要の増大は、情報の表現、保存、通信、処理方法における破壊的な革新を必要としている。 新たなデバイスモダリティとCIM(Computer-in-Memory)を活用することで、アナログダイナミクスと、脳にインスパイアされたスパース通信に加えて、ニューロモルフィックコンピューティングは、現在のAIシステムのエネルギー効率とスケーラビリティの改善に向けた有望な道を提供する。 しかし、このポテンシャルを実現するためには、ひとつのチップを別のチップに置き換えることではなく、新しい材料と非揮発性デバイス構造にまたがる共同設計の努力、新しい複合信号回路とアーキテクチャ、そしてこれらの基板の物理に合わせた学習アルゴリズムが必要である。 本稿では、古典的相補的金属酸化物半導体(CMOS)技術の鍵となる限界を調査し、そのような層間神経型アプローチがそれらを克服する方法について概説する。

関連論文リスト

• Analog Alchemy: Neural Computation with In-Memory Inference, Learning and Routing [0.08965418284317034]
  そこでは、推論、学習、ルーティングにデバイス固有の物理ダイナミクスが使用される。 筆者は, スケーラブルなアーキテクチャのために, 局所学習の基板への適応性, 新たな材料スタック, 回路ブロックをハードウェアで証明し, クレジット代入問題の解決, アナログクロスバー間の効率的なルーティングを行う。
  論文  参考訳（メタデータ） (2024-12-30T10:35:03Z)
• 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)
• Brain-inspired Computational Intelligence via Predictive Coding [73.42407863671565]
  予測符号化(PC)は、機械学習コミュニティにとって潜在的に価値のある、有望な特性を示している。 PCライクなアルゴリズムは、機械学習とAIの複数のサブフィールドに存在し始めている。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• 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)
• 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)
• A deep learning theory for neural networks grounded in physics [2.132096006921048]
  ニューロモルフィックアーキテクチャ上で大規模で高速で効率的なニューラルネットワークを構築するには、それらを実装および訓練するためのアルゴリズムを再考する必要がある。 私たちのフレームワークは、非常に幅広いモデル、すなわち状態やダイナミクスが変動方程式によって記述されるシステムに適用されます。
  論文  参考訳（メタデータ） (2021-03-18T02:12:48Z)
• Reservoir Computing with Magnetic Thin Films [35.32223849309764]
  新しい非伝統的なコンピューティングハードウェアは、自然現象を利用して効率を上げる可能性を秘めている。 物理貯水池計算は、様々な非伝統的なシステムでこれを実証している。 マイクロスケールシミュレーションにより薄膜の3つの磁性体を初期探査する。
  論文  参考訳（メタデータ） (2021-01-29T17:37:17Z)
• Ultra-Low-Power FDSOI Neural Circuits for Extreme-Edge Neuromorphic Intelligence [2.6199663901387997]
  インメモリコンピューティング 混合信号ニューロモルフィックアーキテクチャはエッジコンピューティングのセンサ処理への応用に期待できる超低消費電力のソリューションを提供する。 本稿では、FDSOI(Fully-Depleted Silicon on Insulator)統合プロセスの特徴を利用する混合信号アナログ/デジタル回路を提案する。
  論文  参考訳（メタデータ） (2020-06-25T09:31:29Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• 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)

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。