論文の概要: Spiking Neural Network inference on FPGAs with hls4ml

• arxiv url: http://arxiv.org/abs/2606.10008v1
• Date: Mon, 08 Jun 2026 18:01:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.11129
• Title: Spiking Neural Network inference on FPGAs with hls4ml
• Title（参考訳）: hls4mlを用いたFPGA上のニューラルネットワークのスパイキング
• Authors: Barry M. Dillon,
• Abstract要約: Spiking Neural Networks(SNN)は、自然に一時的な機械学習フレームワークを提供する。 多くの科学的リアルタイム推論システムは、同期フィールドプログラマブルゲートアレイ(FPGA)と高レベル合成(HLS)に依存している。 我々は、ピトルチで訓練されたSNNをFPGAファームウェアにクロック駆動で展開できるhls4mlの拡張を提案する。
• 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) provide a naturally temporal machine-learning framework. Their neurons maintain an internal state and propagate information through discrete spikes, enabling low-latency temporal inference. Although SNNs are often associated with asynchronous neuromorphic processors, many scientific real-time inference systems rely on conventional synchronous field-programmable gate arrays (FPGAs) and high-level synthesis (HLS) workflows. In this paper we present an extension of hls4ml that enables clock-driven deployment of SNNs trained in pytorch onto FPGA firmware. We demonstrate the workflow using a dense quantised SNN trained on the Heidelberg Spiking Digits dataset where it achieves inference latencies of approximately $34μ$s. We validate the generated design through software reference comparisons, HLS C simulation, HLS synthesis, export, and Vivado synthesis reports. This work opens up the hls4ml toolkit to neuromorphic computing, allowing streamlined optimisation, synthesis, and deployment of SNN models for real-time inference.
• Abstract（参考訳）: Spiking Neural Networks(SNN)は、自然に一時的な機械学習フレームワークを提供する。 ニューロンは内部の状態を維持し、離散的なスパイクを通して情報を伝達し、低レイテンシの時間的推測を可能にする。 SNNは、しばしば非同期ニューロモルフィックプロセッサと関連付けられているが、多くの科学的リアルタイム推論システムは、従来の同期フィールドプログラマブルゲートアレイ(FPGA)と高レベル合成(HLS)ワークフローに依存している。 本稿では、ピトルチで訓練されたSNNをFPGAファームウェアにクロック駆動で展開できるhls4mlの拡張を提案する。 本稿では,Heidelberg Spiking Digitsデータセットでトレーニングした高密度量子化SNNを用いて,約34μ$sの推論レイテンシを実現するワークフローを実演する。 ソフトウェアリファレンス比較,HLS C シミュレーション,HLS 合成,輸出,Vivado 合成レポートを通じて生成した設計を検証する。 この研究は、hls4mlツールキットをニューロモルフィックコンピューティングに開放し、リアルタイム推論のためのSNNモデルの合理化された最適化、合成、デプロイを可能にした。

関連論文リスト

• NeuroRing: Scaling Spiking Neural Networks via Multi-FPGA Bidirectional Ring Topologies and Stream-Dataflow Architectures [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-30T16:04:26Z)
• Neural Network Acceleration on MPSoC board: Integrating SLAC's SNL, Rogue Software and Auto-SNL [0.879504058268139]
  本稿では,現在の最先端ツールであるhls4mlに対して,複数のニューラルネットワークアーキテクチャ,固定点精度,合成構成を比較検討する。 SNLは、ほとんどのテスト済みアーキテクチャで競合や優れたレイテンシを実現する一方で、FPGAリソースの節約も提供する場合もある。 この適応はSNLの汎用性を示し、高エネルギー物理学、医用画像、ロボット工学など多くの分野の研究者や研究者に新たな機会を与えている。
  論文  参考訳（メタデータ） (2025-08-29T16:04:15Z)
• 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)
• End-to-end codesign of Hessian-aware quantized neural networks for FPGAs and ASICs [49.358119307844035]
  我々は、共設計ニューラルネットワーク(NN)のトレーニングと実装のためのエンドツーエンドワークフローを開発する。 これにより、ハードウェアにおける効率的なNN実装が、非専門家に、単一のオープンソースワークフローでアクセスできるようになる。 大型ハドロン衝突型加速器(LHC)の40MHz衝突速度で動作しなければならないトリガー決定を含む粒子物理学アプリケーションにおけるワークフローを実演する。 シミュレーションLHC陽子-陽子衝突における高速粒子ジェット用混合精度NNを実装した。
  論文  参考訳（メタデータ） (2023-04-13T18:00:01Z)
• 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)
• Sub-mW Neuromorphic SNN audio processing applications with Rockpool and Xylo [0.0]
  スパイキングニューラルネットワーク(SNN)は、時間信号処理のための効率的な計算機構を提供する。 SNNは歴史的に構成が困難であり、任意のタスクの解を見つけるための一般的な方法が欠如している。 ここでは、任意の時間信号処理アプリケーションをサブmW SNN推論ハードウェアに設計、訓練、デプロイするための便利な高レベルパイプラインを示す。
  論文  参考訳（メタデータ） (2022-08-27T11:50:32Z)
• Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks [52.93232352968347]
  本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。 FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:17:17Z)
• DFSynthesizer: Dataflow-based Synthesis of Spiking Neural Networks to Neuromorphic Hardware [4.273223677453178]
  Spiking Neural Networks(SNN)は、イベント駆動型アクティベーションとバイオインスパイアされた学習アルゴリズムを使用する、新たな計算モデルである。 DF Synthesizerは、SNNベースの機械学習プログラムをニューロモルフィックハードウェアに合成するためのエンドツーエンドフレームワークである。
  論文  参考訳（メタデータ） (2021-08-04T12:49:37Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。