論文の概要: NeuroRing: Scaling Spiking Neural Networks via Multi-FPGA Bidirectional Ring Topologies and Stream-Dataflow Architectures

• arxiv url: http://arxiv.org/abs/2604.28059v1
• Date: Thu, 30 Apr 2026 16:04:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.191659
• Title: NeuroRing: Scaling Spiking Neural Networks via Multi-FPGA Bidirectional Ring Topologies and Stream-Dataflow Architectures
• Title（参考訳）: NeuroRing: マルチFPGA双方向リングトポロジとストリームデータフローアーキテクチャによるニューラルネットワークのスケーリング
• Authors: Muhammad Ihsan Al Hafiz, Artur Podobas,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、エネルギー効率の高いイベント駆動型計算において有望なパラダイムである。 CPU、GPU、ASIC、FPGAプラットフォームにまたがる既存のソリューションでは、プログラマビリティ、効率、スケーラビリティのトレードオフが異なる。 本稿では,ストリームデータフローアーキテクチャと双方向リングトポロジに基づくモジュール型かつスケーラブルなSNNアクセラレータであるNeuroRingを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spiking neural networks (SNNs) are a promising paradigm for energy-efficient event-driven computation, but large-scale SNN execution remains challenging because sparse spike communication and synchronization can dominate runtime. Existing solutions across CPU, GPU, ASIC, and FPGA platforms offer different trade-offs between programmability, efficiency, and scalability. To address this gap, we present NeuroRing, a modular and scalable SNN accelerator based on a stream-dataflow architecture and a bidirectional ring topology, implemented in High-Level Synthesis (HLS) on programmable FPGAs. NeuroRing supports modular single- and multi-FPGA deployment and is compatible with existing SNN workflows through integration with the NEST simulator. We evaluate NeuroRing on the cortical microcircuit benchmark and a Sudoku constraint-satisfaction workload. Results show that NeuroRing preserves the key activity statistics of the NEST reference model, achieves faster-than-real-time execution of the full-scale cortical microcircuit with a real-time factor (RTF) of 0.83, exhibits meaningful strong and weak scaling, and provides competitive energy efficiency on two programmable FPGAs. These results position NeuroRing as a flexible and scalable platform for both neuroscience simulation and broader event-driven applications.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、エネルギー効率の高いイベント駆動型計算において有望なパラダイムであるが、スパーススパイク通信と同期がランタイムを支配するため、大規模なSNN実行は依然として困難である。 CPU、GPU、ASIC、FPGAプラットフォームにまたがる既存のソリューションでは、プログラマビリティ、効率、スケーラビリティのトレードオフが異なる。 このギャップに対処するために,プログラム可能なFPGA上での高レベル合成(HLS)で実装されたストリームデータフローアーキテクチャと双方向リングトポロジに基づくモジュール型でスケーラブルなSNNアクセラレータであるNeuroRingを提案する。 NeuroRingはモジュール型のシングルFPGAおよびマルチFPGAデプロイメントをサポートし、NESTシミュレータとの統合を通じて既存のSNNワークフローと互換性がある。 我々は,大脳皮質マイクロサーキットベンチマークとスドク制約満足度ワークロードを用いたNeuroRingの評価を行った。 以上の結果から,NuroRingはNEST参照モデルの重要活動統計を保存し,リアルタイム係数0.83のフルスケールの大脳皮質マイクロサーキットのリアルタイム実行を高速化し,有意義かつ弱いスケーリングを示し,二つのプログラム可能なFPGA上で競争エネルギー効率を提供することを示した。 これらの結果は、神経科学シミュレーションとより広範なイベント駆動アプリケーションのための柔軟でスケーラブルなプラットフォームとして、NeuroRingを位置づけている。

関連論文リスト

• YANA: Bridging the Neuromorphic Simulation-to-Hardware Gap [0.559314565030237]
  スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワーク(ANN)よりも大きなアドバンテージを約束する しかし、別のニューロモルフィック加速器(YANA)はニューロモルフィックコンピューティングのためのハードウェアおよびソフトウェアフレームワークを提供する。 AMD Kria KR260プラットフォーム上にデプロイされた単一のYANAコアは、740 LUT、918レジスタ、7 BRAM、24 URAMを使用し、最大217ドルのシナプスと21,000ドルのニューロンをサポートする。
  論文  参考訳（メタデータ） (2026-04-03T20:03:11Z)
• NeuroCoreX: An Open-Source FPGA-Based Spiking Neural Network Emulator with On-Chip Learning [0.0]
  スパイキングニューラルネットワーク(スパイキングニューラルネットワーク、英: Spiking Neural Networks、SNN)は、生体神経ネットワークの構造と力学にインスパイアされた計算モデルである。 NeuroCoreXは、SNNの柔軟な共同設計とテストのために設計されたFPGAベースのエミュレータである。
  論文  参考訳（メタデータ） (2025-06-17T03:02:04Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• Neuroevolving Electronic Dynamical Networks [0.0]
  ニューロ進化(Neuroevolution)は、自然選択によって人工ニューラルネットワークの性能を改良するために進化的アルゴリズムを適用する方法である。 連続時間リカレントニューラルネットワーク(CTRNN)の適合性評価は、時間と計算コストがかかる可能性がある。 フィールドプログラマブルゲートアレイ(FPGA)は、高性能で消費電力の少ないため、ますます人気が高まっている。
  論文  参考訳（メタデータ） (2024-04-06T10:54:35Z)
• SupeRBNN: Randomized Binary Neural Network Using Adiabatic Superconductor Josephson Devices [44.440915387556544]
  AQFPデバイスはバイナリニューラルネットワーク(BNN)計算の優れたキャリアとして機能する。 本稿では,AQFPに基づくランダム化BNNアクセラレーションフレームワークSupeRBNNを提案する。 本稿では,ReRAMベースのBNNフレームワークのエネルギー効率を約7.8×104倍に向上することを示す。
  論文  参考訳（メタデータ） (2023-09-21T16:14:42Z)
• 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)

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。