論文の概要: CBM-Dual: A 65-nm Fully Connected Chaotic Boltzmann Machine Processor for Dual Function Simulated Annealing and Reservoir Computing

• arxiv url: http://arxiv.org/abs/2604.06808v1
• Date: Wed, 08 Apr 2026 08:24:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.423607
• Title: CBM-Dual: A 65-nm Fully Connected Chaotic Boltzmann Machine Processor for Dual Function Simulated Annealing and Reservoir Computing
• Title（参考訳）: CBM-双対:65nm完全連結カオスボルツマンマシンプロセッサ
• Authors: Kanta Yoshioka, Soshi Hirayae, Yuichiro Tanaka, Yuichi Katori, Takashi Morie, Hakaru Tamukoh,
• Abstract要約: CBM-Dualは、シミュレートアニール(SA)と貯水池コンピューティング(RC)の両方をサポートする最初のシリコン製デジタルカオス動的プロセッサ(CDP)である CBM-Dualは、最大規模の完全連結1024ニューロンカオスボルツマンマシン(CBM)を使用している CBM-Dualは異種タスクの実行と最先端のエネルギー効率を同時に達成し、それぞれSAフィールドとRCフィールドで25-54ドルと4.5ドルの改善を提供する。
• 参考スコア（独自算出の注目度）: 0.7388859384645264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents CBM-Dual, the first silicon-proven digital chaotic dynamics processor (CDP) supporting both simulated annealing (SA) and reservoir computing (RC). CBM-Dual enables real-time decision-making and lightweight adaptation for autonomous Edge AI, employing the largest-scale fully connected 1024-neuron chaotic Boltzmann machine (CBM). To address the high computational and area costs of digital CDPs, we propose: 1) a CBM-specific scheduler that exploits an inherently low neuron flip rate to reduce multiply-accumulate operations by 99%, and 2) an efficient multiply splitting scheme that reduces the area by 59%. Fabricated in 65nm (12mm$^2$), CBM-Dual achieves simultaneous heterogeneous task execution and state-of-the-art energy efficiency, delivering $\times$25-54 and $\times$4.5 improvements in the SA and RC fields, respectively.
• Abstract（参考訳）: 本稿では,シミュレートアニーリング (SA) と貯水池計算 (RC) の両方をサポートする最初のシリコン駆動型ディジタルカオス動的プロセッサ CBM-Dual を提案する。 CBM-Dualは、最大規模の完全接続型1024ニューロンカオスボルツマンマシン(CBM)を使用した、自動エッジAIのリアルタイム意思決定と軽量適応を可能にする。 デジタルCDPの計算コストと面積コストに対処するため,本稿では,次のように提案する。 1)CBM固有のスケジューラで、本質的に低神経細胞のフリップ率を利用して、乗算蓄積操作を99%削減し、 2) 面積を59%削減する効率的な乗算分割方式。 CBM-Dual は65nm (12mm$^2$) で製造され、SAフィールドとRCフィールドでそれぞれ$25-54および$4.5の改善を実現している。

関連論文リスト

• DHFP-PE: Dual-Precision Hybrid Floating Point Processing Element for AI Acceleration [2.1512536685031285]
  本稿では,FP8フォーマット (E4M3, E5M2) とFP4フォーマット (E2M1, E1M2) をサポートする完全パイプライン2倍精度浮動小数点MAC処理エンジンを提案する。 提案アーキテクチャでは、FP8の標準4x4乗算器や2ビットオペランドの2つの並列2x2乗算器として、単一の4ビット単位乗算器を動作させる新しいビット分割方式を採用している。 提案する処理エンジンは、0.00396mm2の面積と2.13mWの消費電力を有する1.94GHzの動作周波数を実現する。
  論文  参考訳（メタデータ） (2026-04-06T08:17:14Z)
• DS-CIM: Digital Stochastic Computing-In-Memory Featuring Accurate OR-Accumulation via Sample Region Remapping for Edge AI Models [8.92683306412944]
  本稿では,高い精度と効率を実現するデジタルCIM(DS-CIM)アーキテクチャを提案する。 データ表現を変更することで、コンパクトで符号のないORベースの回路に乗算累積(MAC)を実装する。 我々のコア戦略である2Dの共有ランダム数生成器(PRNG)は、単一サイクルの排他的アクティベーションによりORゲート衝突を排除します。
  論文  参考訳（メタデータ） (2026-01-10T23:56:33Z)
• Dependency-Aware Task Offloading in Multi-UAV Assisted Collaborative Mobile Edge Computing [53.88774113545582]
  本稿では,新しい無人航空機(UAV)による協調移動エッジコンピューティング(MEC)フレームワークを提案する。 システムコストを最小限に抑え、タスク消費とエネルギー消費のトレードオフを改善することを目的としている。 提案手法はシステムコストを大幅に削減し,タスク消費とエネルギー消費のトレードオフの改善を実現する。
  論文  参考訳（メタデータ） (2025-10-23T02:55:40Z)
• IIET: Efficient Numerical Transformer via Implicit Iterative Euler Method [59.02943805284446]
  Iterative Implicit Euler Transformer (IIET) IIADにより、ユーザはパフォーマンス効率のトレードオフを効果的にバランスできる。 E-IIETの変種は、バニラトランスフォーマーよりも平均的なパフォーマンスが1.6%以上向上した。
  論文  参考訳（メタデータ） (2025-09-26T15:14:03Z)
• IMAGINE: An 8-to-1b 22nm FD-SOI Compute-In-Memory CNN Accelerator With an End-to-End Analog Charge-Based 0.15-8POPS/W Macro Featuring Distribution-Aware Data Reshaping [0.6071203743728119]
  作業負荷適応型1-to-8b CIM-CNNアクセラレータであるIMAGINEを22nm FD-SOIで紹介する。 1152x256のエンドツーエンドのチャージベースマクロと、パワーハングリーDACを回避する入力シリアル、ウェイトパラレルの蓄積に基づくマルチビットDPを導入している。 測定結果は、MNISTとCIFAR-10の競争力を持つ、0.3/0.6Vで40TOPS/Wの8b系レベルのエネルギー効率を示す。
  論文  参考訳（メタデータ） (2024-12-27T17:18:15Z)
• A 65nm 8b-Activation 8b-Weight SRAM-Based Charge-Domain Computing-in-Memory Macro Using A Fully-Parallel Analog Adder Network and A Single-ADC Interface [16.228299091691873]
  コンピューティング・イン・メモリ(Computer-in-Memory, CiM)は、メモリ内の多重累積演算を可能にする、有望な緩和手法である。 この研究は、CIFAR-10データセットで88.6%の精度を示しながら、51.2GOPSのスループットと10.3TOPS/Wエネルギー効率を達成する。
  論文  参考訳（メタデータ） (2022-11-23T07:52:10Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)
• Improving Efficiency in Large-Scale Decentralized Distributed Training [58.80224380923698]
  通信コストを最小化しつつ、スペクトルギャップを改善して(A)D-PSGDに基づくトレーニングを加速する手法を提案する。 提案手法の有効性を示すために,2000時間Switchboard音声認識タスクとImageNetコンピュータビジョンタスクの実験を行った。
  論文  参考訳（メタデータ） (2020-02-04T04:29:09Z)

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。