Fugu-MT 論文翻訳(概要): Neural dynamical systems on ferroelectric compute-in-memory for real-time forecasting

論文の概要: Neural dynamical systems on ferroelectric compute-in-memory for real-time forecasting

arxiv url: http://arxiv.org/abs/2606.16896v1
Date: Mon, 15 Jun 2026 16:07:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 16:21:34.749757
Title: Neural dynamical systems on ferroelectric compute-in-memory for real-time forecasting
Title（参考訳）: リアルタイム予測のための強誘電体インメモリ上のニューラル力学系
Authors: Keshava Katti, Adithya Selvakumar, Pratik Chaudhari, Deep Jariwala,
Abstract要約: 2つのアナログプリミティブから構築されたニューロモルフィックシステムであるFerroNDSを紹介する。フェロNDSの128ニューロンのインスタンスは、短時間のフーリエ変換を計算する。システムは1.64ドルJ (200 Hz) と 0.29ドルJ (10 kHz) のニューロンごとの参照エネルギーでサブワットリアルタイム動作を実現する
参考スコア（独自算出の注目度）: 13.41033672421012
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural dynamical systems are expressive temporal predictors that capture continuous-time dynamics through fine-grained state updates. However, this sequential structure maps poorly onto digital hardware optimized for dense matrix operations, a mismatch that analog neuromorphic computing, with its native continuous-time dynamics, can resolve. We introduce FerroNDS, a neuromorphic system built from two analog primitives: an integrator for temporal accumulation and an oscillator for frequency-selective filtering. We map this system onto compute-in-memory hardware based on multi-bit ferrodiodes. A 128-neuron instance of FerroNDS computes short-time Fourier transform and forecasts a 500-ms horizon for periodic, quasi-periodic, and chaotic signals. The system achieves sub-watt real-time operation with per-neuron per-inference energy of 1.64 $μ$J (200 Hz) and 0.29 $μ$J (10 kHz), 25-40$\times$ area reduction over SRAM-based digital systems, and per-layer latency of 3.18 ms (200 Hz) and 63.87 $μ$s (10 kHz). To our knowledge, this is the first end-to-end integration of a ferrodiode into a neuromorphic computational framework, establishing ferroelectric compute-in-memory as a practical substrate for analog neural dynamical systems.
Abstract（参考訳）: ニューラルダイナミクスシステムは、微細な状態更新を通じて連続時間ダイナミクスをキャプチャする表現的時間予測器である。しかし、このシーケンシャル構造は密度行列演算に最適化されたデジタルハードウェアに貧弱にマッピングされる。本稿では、時間的蓄積のための積分器と周波数選択的フィルタリングのための発振器という、2つのアナログプリミティブから構築されたニューロモルフィックシステムであるFerroNDSを紹介する。我々は,このシステムをマルチビットフェロダイオードに基づくメモリ上のハードウェアにマップする。フェロNDSの128ニューロンのインスタンスは、短時間のフーリエ変換を計算し、周期的、準周期的、カオス的な信号に対する500ms水平線を予測する。このシステムは1.64$μ$J (200 Hz) と 0.29$μ$J (10 kHz) のサブワットのリアルタイム動作、25-40$\times$SRAMベースのデジタルシステムに対する面積削減、および3.18 ms (200 Hz) と63.87$μ$s (10 kHz) の遅延を実現する。我々の知る限り、これはフェロダイオードをニューロモルフィックな計算フレームワークに統合する最初のエンドツーエンド統合であり、アナログ神経力学システムの実用的な基盤として強誘電性計算インメモリを確立する。

関連論文リスト

An Asynchronous Mixed-Signal Resonate-and-Fire Neuron [0.8281970336209107]
製造した金属-酸化物-半導体(CMOS)混合信号共振器(R&F)ニューロン回路について述べる。本研究は,ニューロモルフィックシステムにおける大規模統合の実現可能性を示すものである。
論文参考訳（メタデータ） (2025-12-08T10:00:56Z)
Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
論文参考訳（メタデータ） (2025-06-24T21:14:59Z)
Hardware-Friendly Implementation of Physical Reservoir Computing with CMOS-based Time-domain Analog Spiking Neurons [0.26963330643873434]
本稿では, 相補的金属酸化物半導体(CMOS)プラットフォーム上でのハードウェアフレンドリーな物理貯水池計算のためのスパイクニューラルネットワーク(SNN)を提案する。短期記憶と排他的ORタスクによるRCと、97.7%の精度で音声桁認識タスクを実演する。
論文参考訳（メタデータ） (2024-09-18T00:23:00Z)
The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文参考訳（メタデータ） (2023-06-14T13:34:13Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
From Clean Room to Machine Room: Commissioning of the First-Generation BrainScaleS Wafer-Scale Neuromorphic System [0.0]
BrainScaleS-1はスパイキングニューロンの大規模ネットワークをエミュレートする神経型システムである。フォールトトレラント設計では、避けられないアナログ変数やコンポーネントの障害にもかかわらず、ウェハスケールの統合を実現することができる。
論文参考訳（メタデータ） (2023-03-22T07:50:51Z)
Continual Spatio-Temporal Graph Convolutional Networks [87.86552250152872]
時空間グラフ畳み込みニューラルネットワークを連続推論ネットワークとして再構成する。オンライン推論において、最大109倍の時間複雑性、26倍のハードウェアアクセラレーション、最大割り当てメモリの最大52%の削減を観測した。
論文参考訳（メタデータ） (2022-03-21T14:23:18Z)
Data-Driven Time Propagation of Quantum Systems with Neural Networks [0.0]
時間内に量子システムを伝播する教師あり機械学習の可能性について検討する。ニューラルネットワークは、将来いつでもタイムプロパゲータとして機能し、自動回帰を形成する時間内に寝ることを示します。
論文参考訳（メタデータ） (2022-01-27T17:08:30Z)
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)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)
Accelerated Analog Neuromorphic Computing [0.0]
本稿では,BrainScales (BSS) を加速したアナログニューロモルフィックコンピューティングアーキテクチャの背景にある概念について述べる。第2世代のBrainScales-2(BSS-2)と、その最新のシリコン内実現であるHICANN-Xアプリケーション固有集積回路(ASIC)について述べる。提示されたアーキテクチャは、ニューロンとシナプスの連続的、アナログ的、物理モデルの実装に基づいている。
論文参考訳（メタデータ） (2020-03-26T16:00:55Z)

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。