論文の概要: Co-Optimization of Analog Kolmogorov-Arnold Networks for Low-Power Function Approximation in Flexible Electronics

• arxiv url: http://arxiv.org/abs/2606.27892v1
• Date: Fri, 26 Jun 2026 09:35:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.443489
• Title: Co-Optimization of Analog Kolmogorov-Arnold Networks for Low-Power Function Approximation in Flexible Electronics
• Title（参考訳）: フレキシブルエレクトロニクスにおける低消費電力関数近似のためのアナログコルモゴロフ・アルノルドネットワークの共最適化
• Abstract要約: 本研究は,ハードウェアソフトウェアの共同最適化により開発されたAnalog Kolmogorov-Arnold Networks (akaNs)を紹介する。 AKANはハードウェア不完全条件下での複素多変量関数を正確に近似する。 その結果、最大55%の領域と50%の省電力が可能となり、データセット全体で平均30%近く削減される。
• 参考スコア（独自算出の注目度）: 1.4864449542438336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wearable devices and Internet of Things (IoT) sensors require on-sensor processing of biosignals and environmental data, including computationally demanding operations such as nonlinear activation functions for neural network inference, sensor calibration curves to map raw readings to physical units, and signal preprocessing functions like logarithmic compression and power operations for feature extraction. These functions exhibit significant complexity, often involving transcendental operations and multivariate dependencies that are costly to implement digitally. Analog function approximation provides a power-efficient alternative by performing these computations in the analog domain, thereby reducing the energy overhead associated with analog-to-digital conversion and subsequent digital processing. Flexible Electronics (FE) present a particularly attractive platform for wearable applications due to mechanical flexibility and low-cost fabrication, but impose strict constraints on circuit density and power consumption, making efficient analog implementations critical but challenging. This work introduces Analog Kolmogorov-Arnold Networks (AKANs), developed via hardware-software co-optimization, to approximate these complex multivariate functions accurately under hardware imperfections. Our method incorporates circuit-level error modeling during training and applies pruning at both software and hardware levels to reduce area and power. Validation across multiple benchmarks demonstrates that our proposed pruning methodology not only reduces hardware cost but can also improve approximation accuracy by regularizing spline parameters. Results show up to 55% area and 50% power savings, with average reductions of nearly 30% across datasets, highlighting AKANs as a robust and generalizable framework for low-power analog function approximation in FE.
• Abstract（参考訳）: ウェアラブルデバイスとIoT(Internet of Things)センサーは、バイオシグナーと環境データのオンセンサー処理を必要とし、ニューラルネットワーク推論のための非線形アクティベーション関数や、生読みを物理単位にマッピングするセンサーキャリブレーション曲線、対数圧縮や特徴抽出のための電力操作などの計算処理を必要とする。 これらの機能は、しばしばデジタル的に実装するのにコストがかかる超越的操作や多変量依存を含む、かなりの複雑さを示す。 アナログ関数近似は、これらの計算をアナログ領域で実行することにより、アナログからデジタルへの変換とその後のデジタル処理に関連するエネルギーオーバーヘッドを低減することで、電力効率のよい代替手段を提供する。 フレキシブル・エレクトロニクス(FE)は、機械的柔軟性と低コストな製造のためにウェアラブルアプリケーションに特に魅力的なプラットフォームを提供するが、回路密度と消費電力に厳しい制約を課し、効率的なアナログ実装を批判的かつ困難なものにしている。 この研究は、ハードウェア・ソフトウェアの共同最適化によって開発されたAnalog Kolmogorov-Arnold Networks (AKANs)を導入し、これらの複雑な多変量関数をハードウェア不完全条件下で正確に近似する。 本手法は, トレーニング中の回路レベルの誤差モデリングを取り入れ, 面積と電力削減のために, ソフトウェアレベルとハードウェアレベルの両方でプルーニングを適用する。 複数のベンチマークで検証した結果,提案手法はハードウェアコストを削減するだけでなく,スプラインパラメータの正規化による近似精度の向上も可能であることがわかった。 その結果、最大55%の領域と50%の省電力が可能となり、データセット全体で平均30%近く削減され、ACEの低消費電力アナログ関数近似のための堅牢で一般化可能なフレームワークとしてAKANが強調された。

関連論文リスト

• Multi-layer MIMO Relay as Deep Physical Neural Networks: Power Amplifiers as Activation Functions [56.870614369768354]
  無線物理ニューラルネットワーク(WPNN)は、アナログハードウェアに直接ニューラルネットワークを埋め込む。 マルチホップマルチインプットマルチアウトプット(MIMO)リレーネットワークにより非線形活性化を実現する深層WPNNを提案する。 提案アーキテクチャは,画像分類の高精度なオーバー・ザ・エア推論を可能にする。
  論文  参考訳（メタデータ） (2026-07-20T09:45:07Z)
• Low-power analogue neural networks with trainable nonlinear connections for continuous control [54.59241649882409]
  物理ニューラルネットワークはアナログデバイス物理を直接計算することで低消費電力の機械学習を約束する。 トレーニング可能な非線形関数を接続上に配置し、各物理接続を学習可能な計算要素とする。 その利点はタスク依存であり、物理的基盤の滑らかさから従うことが分かる。
  論文  参考訳（メタデータ） (2026-06-21T15:55:23Z)
• Physical Analog Kolmogorov-Arnold Networks based on Reconfigurable Nonlinear-Processing Units [0.0]
  Kolmogorov-Arnold Networks (KAN) はニューラルネットワークを線形層から学習可能な非線形エッジ関数にシフトする。 ここでは、再構成可能な非線形処理ユニット(RNPU)を用いて、マテリアでエッジ関数が実現される物理アナログkanアーキテクチャを紹介する。 我々は,プログラム可能な非線形変換を用いたコンパクトな感性回帰と分類を可能にする,現実的なシステムレベルのハードウェア実装を確立する。
  論文  参考訳（メタデータ） (2026-02-07T12:33:11Z)
• Resource-Efficient and Robust Inference of Deep and Bayesian Neural Networks on Embedded and Analog Computing Platforms [0.4441866681085516]
  この研究は、アルゴリズムとハードウェアの効率を共同で追求することで、ニューラルネットワークのリソース効率と堅牢な推論を促進する。 最初のコントリビューションであるGalenは、感度分析とハードウェア・イン・ザ・ループフィードバックによって導かれる自動層特異的圧縮を実行する。 第2の作業は確率的推論を前進させ、コストのかかるサンプリングを置き換え、コンパイラスタックに統合し、組み込み推論を最適化する分析およびアンサンブル近似を開発する。
  論文  参考訳（メタデータ） (2025-10-28T20:34:53Z)
• In-memory Training on Analog Devices with Limited Conductance States via Multi-tile Residual Learning [59.091567092071564]
  インメモリトレーニングは通常、デジタルベースラインに合わせて少なくとも8ビットのコンダクタンス状態を必要とする。 ReRAMのような多くの有望な中間デバイスは、製造制約のため、約4ビットの解像度しか提供しない。 本稿では,残差を補うために複数のクロスバータイルを逐次学習する語彙学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-02T19:44:25Z)
• Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
  本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。 バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-08-21T02:46:46Z)
• Rapid yet accurate Tile-circuit and device modeling for Analog In-Memory Computing [4.566622328597218]
  低レベルの歪みやノイズの影響を定量化し,アナログタイルにマッピングした乗算積演算(MAC)の数学的モデルを開発する。 単純なガウス雑音を用いたハードウェアの微調整は、ADC量子化やPCMリードノイズ効果に対してレジリエンスをもたらすが、IR-dropに対しては効果が低いことを示す。
  論文  参考訳（メタデータ） (2025-05-05T22:56:49Z)
• Over-the-Air Multi-Sensor Inference with Neural Networks Using Memristor-Based Analog Computing [13.5346836945515]
  本研究では,メムリスタ型アナログ計算を用いたマルチセンサ無線推論システムを提案する。 センサーの計算能力が限られているため、ネットワークのフロントエンドの機能は中央のデバイスに送信される。 また,$L_p$-normにインスパイアされた合成関数をベースとした,トレーニング可能なオーバー・ザ・エアセンサ融合手法を提案する。
  論文  参考訳（メタデータ） (2025-01-17T15:14:58Z)
• A Fully Hardware Implemented Accelerator Design in ReRAM Analog Computing without ADCs [5.6496088684920345]
  ReRAMベースのアクセラレータは、アナログ・コンピューティング・イン・メモリ(CiM)を介してニューラルネットワークを処理し、超高エネルギー効率を実現する。 本研究では、交叉二項化ニューロンを持つニューラルネットワークのSigmoidおよびSoftMaxアクティベーション機能のハードウェア実装について検討する。 本稿では、推論二項化ニューロンを活用することにより、ニューラルネットワークの計算を高速化する完全なReRAMベースのアナログコンピューティング加速器(RACA)を提案する。
  論文  参考訳（メタデータ） (2024-12-27T09:38:19Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)

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。