論文の概要: Energy-Efficient Implementation of Spiking Recurrent Cells on FPGA

• arxiv url: http://arxiv.org/abs/2605.10679v2
• Date: Tue, 12 May 2026 13:58:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 18:21:07.13326
• Title: Energy-Efficient Implementation of Spiking Recurrent Cells on FPGA
• Title（参考訳）: FPGA上でのスパイキングリカレントセルのエネルギー効率向上
• Authors: Pascal Harmeling, Florent De Geeter, Guillaume Drion,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、スパイキングアクティビティがスパースであり、ニューロンモデルがハードウェアフレンドリーであるときに、エネルギー消費を減らすことができる。 本稿では,スパイキングリカレントセル(SRC)ニューロンを用いたSNN用FPGAアクセラレータを提案する。
• 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) can reduce energy consumption compared to conventional Artificial Neural Networks (ANNs) when spiking activity is sparse and the neuron model is hardware-friendly. However, biologically faithful models are often too costly to implement on FPGAs, whereas very simple models (e.g., IR/LIF) sacrifice part of the neuronal dynamics. In this work, we present an FPGA accelerator for an SNN using Spiking Recurrent Cell (SRC) neurons, providing a trade-off between biological plausibility and hardware cost. We propose a set of mathematical simplifications that remove costly unary operators (\textit{tanh}, \textit{exp}) and avoid floating-point arithmetic through scaling and piecewise-defined approximations. The complete network is implemented in VHDL and validated using spiking traces derived from the MNIST dataset. The weight matrices computed off-line are stored directly in LUT-registers without any adaptation. This demonstrates the robustness of SRC cells. Experiments were conducted on an Artix-7 XC7A200T clocked at 100 MHz. The reference implementation achieves 96.31\% accuracy with a 220-image spiking trace and a processing time of 1.7424 ms per digit. We then investigate accuracy/energy trade-offs by reducing the spiking trace length and quantizing synaptic weights down to 4 bits, achieving 93.32\% accuracy at 0.55 mJ per digit (55 images, 5-bit weights) and 92.89\% at 0.45 mJ (44 images, 4-bit weights). These results show that SRC-based SNNs can deliver competitive performance with reduced energy consumption, while preserving richer neuronal dynamics than standard LIF/IR models.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、スパイキングアクティビティが疎く、ニューロンモデルがハードウェアフレンドリーな場合、従来のニューラルネットワーク(ANN)と比較してエネルギー消費量を削減できる。 しかし、生物学的に忠実なモデルはしばしばFPGA上で実装するにはコストがかかりすぎるが、非常に単純なモデル(例えばIR/LIF)は神経力学の一部を犠牲にする。 本研究では,スパイキングリカレントセル(SRC)ニューロンを用いたSNN用FPGAアクセラレータを提案する。 本稿では,コストのかかる単項演算子 (\textit{tanh}, \textit{exp}) を除去し,スケーリングと断片的に定義された近似によって浮動小数点演算を回避する数学的単純化法を提案する。 完全なネットワークはVHDLで実装され、MNISTデータセットから得られたスパイキングトレースを使用して検証される。 オフラインで計算された重量行列は、適応せずに直接LUTレジスタに格納される。 これはSRC細胞の堅牢性を示す。 実験はArtix-7 XC7A200Tで100MHzで行われた。 参照実装は、220イメージのスパイクトレースと1桁当たり1.7424msの処理時間で96.31\%の精度を達成する。 次に, スパイキングトレース長を小さくし, シナプス重みを4ビットに量子化し, 93.32\% の精度を 0.55 mJ (55画像, 5ビット重み), 92.89\% の精度を 0.45 mJ (44画像, 4ビット重み) とした。 これらの結果から,SRCをベースとしたSNNは,標準的なLIF/IRモデルよりも高次ニューロン動態を保ちながら,エネルギー消費を抑えながら競争力を発揮することが示された。

関連論文リスト

• Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces [42.72938925647165]
  皮質内脳-機械界面(iBMI)は麻痺患者の生活を劇的に改善する可能性がある。 現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。 無線iBMIにおける組込みニューラルデコーディングのためのハイブリッドスパイキングニューラルネットワークについて検討している。
  論文  参考訳（メタデータ） (2024-09-06T17:48:44Z)
• SynA-ResNet: Spike-driven ResNet Achieved through OR Residual Connection [10.702093960098104]
  スパイキングニューラルネットワーク(SNN)は、その生物学的忠実さとエネルギー効率のよいスパイク駆動操作を実行する能力のために、脳のような計算にかなりの注意を払っている。 ORRC(Residual Connection)を通じて大量の冗長情報を蓄積する新しいトレーニングパラダイムを提案する。 次に,SynA(SynA)モジュールを用いて冗長情報をフィルタリングし,背骨における特徴抽出を促進するとともに,ショートカットにおけるノイズや無駄な特徴の影響を抑える。
  論文  参考訳（メタデータ） (2023-11-11T13:36:27Z)
• Masked Spiking Transformer [6.862877794199617]
  スパイキングニューラルネットワーク(SNN)とトランスフォーマーは、高エネルギー効率と高性能な性質の可能性を秘めている。 本稿では,SNN と Transformer を組み合わせた ANN-to-SNN 変換手法の利点を活用することを提案する。 本研究では、ランダムスパイク・マスキング(RSM)手法を取り入れた新しいマスケプ・スパイク・トランスフォーマー・フレームワークを導入し、余剰スパイクを発生させ、性能を犠牲にすることなくエネルギー消費を低減させる。
  論文  参考訳（メタデータ） (2022-10-03T19:56:09Z)
• Atrial Fibrillation Detection Using Weight-Pruned, Log-Quantised Convolutional Neural Networks [25.160063477248904]
  心電図信号から心房細動を検出する畳み込みニューラルネットワークモデルを開発した。 このモデルは、限られた可変長の入力データで訓練されているにもかかわらず、高い性能を示す。 最終モデルは91.1%のモデル圧縮比を達成し、高いモデル精度は91.7%、損失は1%未満であった。
  論文  参考訳（メタデータ） (2022-06-14T11:47:04Z)
• A Resource-efficient Spiking Neural Network Accelerator Supporting Emerging Neural Encoding [6.047137174639418]
  スパイキングニューラルネットワーク(SNN)は、その低消費電力乗算自由コンピューティングにより、最近勢いを増している。 SNNは、大規模なモデルのための人工知能ニューラルネットワーク(ANN)と同様の精度に達するために、非常に長いスパイク列車(1000台まで)を必要とする。 ニューラルエンコーディングでSNNを効率的にサポートできる新しいハードウェアアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-06-06T10:56:25Z)
• Single-Shot Optical Neural Network [55.41644538483948]
  深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。 我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-05-18T17:49:49Z)
• Spiking Neural Networks with Improved Inherent Recurrence Dynamics for Sequential Learning [6.417011237981518]
  漏れた統合と発火(LIF)ニューロンを持つニューラルネットワーク(SNN)は、イベント駆動方式で操作できる。 我々は,SNNを逐次的なタスクのために訓練し,LIFニューロンのネットワークへの修正を提案する。 そこで我々は,提案するSNNのトレーニング手法を開発し,本質的な再帰ダイナミクスを改良した。
  論文  参考訳（メタデータ） (2021-09-04T17:13:28Z)

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。