論文の概要: An RRAM-based Hardware Implementation of a Radial Basis Function Neuron for Edge Classifiers
- arxiv url: http://arxiv.org/abs/2606.14739v1
- Date: Tue, 02 Jun 2026 15:08:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-21 20:00:42.759507
- Title: An RRAM-based Hardware Implementation of a Radial Basis Function Neuron for Edge Classifiers
- Title（参考訳）: エッジ分類器用放射基底関数ニューロンのRRAMによるハードウェア実装
- Authors: Georgios Papandroulidakis, Shady Agwa, Themis Prodromakis,
- Abstract要約: 本稿では,金属酸化物抵抗RAM(RRAM)を利用したニューラルネットワーク(ANN)の設計について述べる。
提案した設計は、ACAMモジュールを構築するのに使用されるカスタムテンプレート piXeL (TXL) セルに基づいている。
このハードウェアエンジンはオンザフライ学習を可能にし、受容場パラメータを調整してドメインシフトを追跡することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The deployment of modern machine learning (ML) solutions on resource-constrained edge devices highlights implementation challenges. This is especially true for extreme edge applications that include safety-critical components, such as autonomous navigation tasks. This paper demonstrates an artificial neural network (ANN) design leveraging Metal-Oxide Resistive RAM (RRAM) -based Analogue Content Addressable Memory (ACAM) as an efficient hardware substrate for performing metric-based classification and online adaptation on the edge. The proposed design is based on a custom Template piXeL (TXL) cell used for building the ACAM module, where each TXL cell acts as a configurable receptive field neuron. These cells employ a Radial Basis activation function to calculate the distance of an input from the programmed receptive field. The TXL can be organised into dense arrays for calculating the distance of a high-dimensional input against all stored prototypes, effectively performing fast and energy efficient similarity search. This hardware engine enables on-the-fly learning, where the receptive field parameters can be tuned to track domain shift. Through simulation of the proposed TXL-RBF classifier we can achieve 89.1\% accuracy on the MNIST dataset while consuming 185fJ per cell per operation when operating at 100MHz.
- Abstract（参考訳）: リソース制約のあるエッジデバイスへの現代的な機械学習(ML)ソリューションのデプロイは、実装上の課題を強調している。
これは、自律的なナビゲーションタスクのような安全クリティカルなコンポーネントを含む極端なエッジアプリケーションには特に当てはまります。
本稿では,RRAMをベースとしたAnalogue Content Addressable Memory (ACAM) を用いたニューラルネットワーク(ANN)の設計について述べる。
提案した設計は、ACAMモジュール構築に使用されるカスタムテンプレート piXeL (TXL) セルに基づいており、各TXLセルは、設定可能な受容野ニューロンとして機能する。
これらの細胞は、プログラムされた受容場からの入力の距離を計算するために放射基底活性化関数を用いる。
TXLは、すべての記憶されたプロトタイプに対して高次元入力の距離を計算するための高密度アレイに編成することができ、高速でエネルギー効率の良い類似性探索を効果的に行うことができる。
このハードウェアエンジンはオンザフライ学習を可能にし、受容場パラメータを調整してドメインシフトを追跡することができる。
提案したTXL-RBF分類器のシミュレーションにより、MNISTデータセット上で89.1\%の精度を達成でき、100MHzで動作する場合、1セル当たり185fJを消費する。
関連論文リスト
- CNN-Based Automated Parameter Extraction Framework for Modeling Memristive Devices [0.0]
抵抗ランダムアクセスメモリ(RRAM)は、次世代の非揮発性メモリ(NVM)およびインメモリコンピューティングアプリケーションにとって有望な候補である。
実験RRAMデバイスの回路およびシステムレベルの性能解析には,小型モデルが不可欠である。
本研究は,デバイスI-V特性から直接,広く使用されているスタンフォードRRAMモデルの適合パラメータを抽出する自動フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-11T07:24:39Z) - Dynamic Tsetlin Machine Accelerators for On-Chip Training at the Edge using FPGAs [0.3440236962613469]
本稿では,Deep Neural Networks (DNN) の代替として,動的Tsetlin Machine (DTM) トレーニングアクセラレータを提案する。
DTMは、より少ない乗算累積で微分計算を欠いた訓練を行う。
提案された加速器は、Watt毎の毎秒2.54倍のギガ演算(GOP/s/W)を提供し、次の同等の設計よりも6倍少ない電力を使用する。
論文 参考訳（メタデータ） (2025-04-28T13:38:53Z) - Energy-Aware FPGA Implementation of Spiking Neural Network with LIF Neurons [0.5243460995467893]
スパイキングニューラルネットワーク(SNN)は、TinyMLの最先端ソリューションとして際立っている。
本稿では,第1次Leaky Integrate-and-Fire(LIF)ニューロンモデルに基づく新しいSNNアーキテクチャを提案する。
ハードウェアフレンドリーなLIF設計も提案され、Xilinx Artix-7 FPGA上で実装されている。
論文 参考訳（メタデータ） (2024-11-03T16:42:10Z) - Object-Size-Driven Design of Convolutional Neural Networks: Virtual Axle Detection based on Raw Data [0.0]
本研究では,橋梁上に任意に設置したセンサを用いた列車軸受のリアルタイム検出手法を提案する。
VADER(Virtual Axle Detector with Enhanced Receptive Field)の開発は、単線鉄道橋上で検証されている。
生データを入力として使用することで、最先端のスペクトログラムベースの手法をスピードとメモリ使用率の両方で99%向上させた。
論文 参考訳（メタデータ） (2023-09-04T12:53:54Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - Energy-efficient Task Adaptation for NLP Edge Inference Leveraging
Heterogeneous Memory Architectures [68.91874045918112]
Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。
検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
論文 参考訳（メタデータ） (2023-03-25T14:40:59Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - 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) - Modular Simulation Framework for Process Variation Analysis of
MRAM-based Deep Belief Networks [2.0222827433041535]
Magnetic Random-Access Memory (MRAM)ベースのpビットニューロモルフィックコンピューティングデバイスは、Boltzmann Machines (RBMs) における機械学習操作をコンパクトかつ効率的に実現する手段として、関心が高まりつつある。
活性化の制限は、MRAM装置のエネルギー障壁に依存し、シグモイド関数の電圧依存性挙動に対するプロセス変動の影響を評価することが不可欠である。
ここでは、トランスポート可能なPythonスクリプトを開発し、機械学習アプリケーションの正確性に基づいてデバイス次元の変化の下で出力の変動を分析する。
論文 参考訳（メタデータ） (2020-02-03T17:20:21Z)
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。