論文の概要: Memristor-Based Spiking Neural Network Accelerator for Bio-inspired Interception Task

• arxiv url: http://arxiv.org/abs/2605.31299v1
• Date: Fri, 29 May 2026 13:34:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.638371
• Title: Memristor-Based Spiking Neural Network Accelerator for Bio-inspired Interception Task
• Title（参考訳）: バイオインスパイアされたインターセプションタスクのためのメムリスタベーススパイクニューラルネットワーク加速器
• Authors: Qianhou Qu, Sheng Lu, Liuting Shang, Jaihan Utailawon, Sungyong Jung, Qilian Liang, Chenyun Pan,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、生物学的ニューラルネットワークにインスパイアされたイベント駆動で低消費電力の計算を提供する。 本稿では、メモリ内シナプス計算とアナログ集積火炎(IF)ニューロンを統合したアナログメムリスタベースのスパイクニューラルネットワーク(SNN)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）: 3.3128630520083977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spiking neural networks (SNNs) provide event-driven and low-power computation inspired by biological neural systems, but current implementations rely on von Neumann graphics processing units (GPUs) and central processing units (CPUs) platforms, where memory and computation bottlenecks limit energy efficiency. To address this challenge, this paper proposes an analog memristor-based spiking neural network (SNN) accelerator that integrates in-memory synaptic computation with analog integrate-and-fire (IF) neurons, eliminating multi-transistor CMOS synapse circuits and enabling asynchronous event-driven operation at the 45nm technology node. Additionally, a digital SNN accelerator is designed and optimized at the 5 nm technology node for comparison. The proposed architecture is evaluated using a predator-prey tracking task that emulates pursuit behavior. In this task, the analog SNN accelerator's inference closely matches the ideal software inference with a mean squared error (MSE) of 0.004. HSPICE simulation results show that the proposed analog SNN accelerator achieves 12.7 times lower energy consumption and 1.26 times lower delay compared to the digital baseline, demonstrating the potential of memristor-based neuromorphic circuits for energy-efficient real-time edge intelligence.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、生物学的ニューラルネットワークにインスパイアされたイベント駆動の低消費電力計算を提供するが、現在の実装は、メモリと計算のボトルネックがエネルギー効率を制限するvon Neumannグラフィックス処理ユニット(GPU)と中央処理ユニット(CPU)プラットフォームに依存している。 この課題に対処するため,本研究では,アナログ集積・ファイア(IF)ニューロンとインメモリシナプス計算を統合し,マルチトランジスタCMOSシナプス回路を排除し,45nm技術ノードでの非同期イベント駆動動作を実現する,アナログメムリスタベースのスパイクニューラルネットワーク(SNN)アクセラレータを提案する。 さらに、デジタルSNNアクセラレータを5nm技術ノードで設計、最適化して比較する。 提案アーキテクチャは,追従動作をエミュレートする捕食者-捕食者追跡タスクを用いて評価する。 このタスクでは、アナログSNNアクセラレータの推論は、理想的なソフトウェア推論と平均2乗誤差(MSE)0.004と密接に一致している。 HSPICEシミュレーションの結果、提案したアナログSNNアクセラレーターは、デジタルベースラインの12.7倍のエネルギー消費と1.26倍の遅延を達成し、エネルギー効率の高いリアルタイムエッジインテリジェンスのためのメムリスタベースのニューロモルフィック回路の可能性を示している。

関連論文リスト

• SNAP-V: A RISC-V SoC with Configurable Neuromorphic Acceleration for Small-Scale Spiking Neural Networks [0.0]
  スパイキングニューラルネットワーク(SNN)は、低消費電力と計算効率のためにエッジコンピューティングに大きな注目を集めている。 本研究は、小型SNN推論のためのRISC-VベースのニューロモルフィックシステムであるSNAP-Vを提示する。 提案手法は,リアルタイムエッジアプリケーションに適した高精度でエネルギー効率の高いSNN推論を実現する。
  論文  参考訳（メタデータ） (2026-03-12T13:52:44Z)
• SpikeX: Exploring Accelerator Architecture and Network-Hardware Co-Optimization for Sparse Spiking Neural Networks [3.758294848902233]
  本研究では,非構造的空間性から生じる課題と機会に対処するため,Systolic-array SNNアクセラレーターアーキテクチャであるSpikeXを提案する。 SpikeXはメモリアクセスを減らし、データ共有と時間と空間にまたがる計算を対象とするハードウェア利用を増加させる。
  論文  参考訳（メタデータ） (2025-05-18T08:07:44Z)
• 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)
• Time-independent Spiking Neuron via Membrane Potential Estimation for Efficient Spiking Neural Networks [4.142699381024752]
  スパイキングニューラルネットワーク(SNN)の計算的非効率性は、主に膜電位の逐次更新によるものである。 スパイキングニューロンの並列計算法である膜電位推定並列スパイキングニューロン(MPE-PSN)を提案する。 提案手法では,特に高次ニューロン密度条件下での計算効率の向上が期待できる。
  論文  参考訳（メタデータ） (2024-09-08T05:14:22Z)
• EPIM: Efficient Processing-In-Memory Accelerators based on Epitome [78.79382890789607]
  畳み込みのような機能を提供する軽量神経オペレータであるEpitomeを紹介する。 ソフトウェア側では,PIMアクセラレータ上でのエピトームのレイテンシとエネルギを評価する。 ハードウェア効率を向上させるため,PIM対応層設計手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T17:56:39Z)
• 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)
• 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)
• SpinAPS: A High-Performance Spintronic Accelerator for Probabilistic Spiking Neural Networks [31.3159725020842]
  Spintronic Accelerator for Probabilistic SNNの"SpinAPS"は、ファースト・ツー・スパイク復号のための原則的直接学習ルールを実装している。 提案手法は,手書き桁と人的活動認識ベンチマークにおいて,同等のANNで同等の性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2020-08-05T15:37:47Z)

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。