論文の概要: Modern analog computing for solving differential and matrix equations

• arxiv url: http://arxiv.org/abs/2606.13179v1
• Date: Thu, 11 Jun 2026 10:46:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.736261
• Title: Modern analog computing for solving differential and matrix equations
• Title（参考訳）: 微分方程式と行列方程式を解くための現代アナログ計算
• Authors: Zhong Sun, Piergiulio Mannocci, Manuel Le Gallo, Abu Sebastian,
• Abstract要約: 計算タスクの多様性を考えると、進化するランドスケープを現代のアナログコンピューティングと呼ぶ。 微分方程式の解法、行列方程式の解法、行列ベクトル乗法の実行の3つの基本計算プリミティブを同定する。 本稿では,アナログコンピューティングの強み,現況,課題を明確にした統一的な視点を提供する。
• 参考スコア（独自算出の注目度）: 2.376184732836716
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In recent years, driven by the computational demands of data-intensive applications such as artificial intelligence and scientific computing, analog computing has gained renewed interest. Given the diversity of computational tasks and recent advancements in analog CMOS circuits and resistive memory technologies, we refer to the evolving landscape as modern analog computing. In this context, we identify three core computational primitives: solving differential equations, solving matrix equations, and performing matrix-vector multiplications, and we explore the connections among them. We also examine various hardware implementations of these analog computing operators, including those built with discrete components, integrated circuits, and resistive memory devices. Among these, resistive memory arrays emerge as particularly promising due to their implementation efficiency. The paper then surveys recent progress in leveraging modern analog computing to solve differential and matrix equations using both advanced analog CMOS circuits and resistive memory arrays. Finally, we discuss the applications of these circuits, the precision and scalability issues and their potential solutions, the relationship with in-memory computing, and the unique computational complexity of analog computing. This paper provides a unified perspective on analog computing, highlighting its strengths, current developments, and challenges, and positioning it as a pivotal enabler of next-generation computational frontiers.
• Abstract（参考訳）: 近年、人工知能や科学計算といったデータ集約型アプリケーションの計算要求に駆られて、アナログコンピューティングは新たな関心を集めている。 アナログCMOS回路や抵抗型メモリ技術における計算タスクの多様性や最近の進歩を考えると、進化するランドスケープを現代のアナログコンピューティングと呼ぶ。 この文脈では、微分方程式の解法、行列方程式の解法、行列ベクトル乗法の実行の3つの中心となる計算プリミティブを特定し、それらの関係について検討する。 また、離散部品、集積回路、抵抗メモリデバイスなど、これらのアナログ演算子のハードウェア実装についても検討する。 これらのうち、抵抗性メモリアレイは、その実装効率のために特に有望である。 そこで本研究では,近年のアナログ計算による微分方程式と行列方程式の解法を,アナログCMOS回路と抵抗メモリアレイの両方を用いて研究している。 最後に、これらの回路の応用、精度とスケーラビリティの問題とその潜在的な解決策、インメモリコンピューティングとの関係、アナログコンピューティングのユニークな計算複雑性について論じる。 本稿では,アナログコンピューティングにおける統一的な視点を提供し,その強み,現況,課題を強調し,次世代計算フロンティアの重要な実現要因として位置づける。

関連論文リスト

• Memory Is All You Need: An Overview of Compute-in-Memory Architectures for Accelerating Large Language Model Inference [2.9302211589186244]
  大規模言語モデル(LLM)は自然言語処理を変換し、機械が人間のようなテキストを生成し、意味のある会話を行うことを可能にする。 計算と記憶能力の発達はムーアの法則の廃止によってさらに悪化している。 コンピュート・イン・メモリ(CIM)技術は、メモリ内でアナログ計算を直接実行することにより、AI推論を加速するための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-06-12T16:57:58Z)
• Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
  デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。 本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。 この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
  論文  参考訳（メタデータ） (2024-04-15T09:33:09Z)
• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• Theory and Implementation of Process and Temperature Scalable Shape-based CMOS Analog Circuits [6.548257506132353]
  本研究はアナログMLプロセッサを設計するための新しいアナログコンピューティングフレームワークを提案する。 私たちの研究の核心は形状ベースのアナログコンピューティング(S-AC)です。 S-ACパラダイムにより、ユーザーは計算精度をシリコン回路領域と電力でトレードオフできる。
  論文  参考訳（メタデータ） (2022-05-11T17:46:01Z)
• Bias-Scalable Near-Memory CMOS Analog Processor for Machine Learning [6.548257506132353]
  バイアススケーリング可能な近似アナログコンピューティングは、異なる性能仕様の機械学習(ML)プロセッサを実装する上で魅力的である。 本稿では、マージン・プロパゲーションの原理を一般化したバイアス計算可能な近似アナログ演算回路の実装を実証する。
  論文  参考訳（メタデータ） (2022-02-10T13:26:00Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。