論文の概要: Neuromorphic Energy-Aware Learning for Adaptive Deep Brain Stimulation

• arxiv url: http://arxiv.org/abs/2606.28600v1
• Date: Fri, 26 Jun 2026 20:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.616389
• Title: Neuromorphic Energy-Aware Learning for Adaptive Deep Brain Stimulation
• Title（参考訳）: 適応的脳深部刺激に対するニューロモルフィック・エナジー・アウェアラーニング
• Abstract要約: 我々は,強化学習報酬に直接アクチュエーターエネルギーを取り入れたエネルギー認識学習を導入する。 ディープスパイクQネットワークは、連続DBSに対する刺激電荷を80.0%減少させながら、病理的なα-ベータ振動を45.2%抑制することを学ぶ。
• 参考スコア（独自算出の注目度）: 4.473282674280195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuromorphic and edge computing research has focused on reducing the inference cost of neural network controllers, yet in physical closed-loop systems the actuator can rival or exceed an efficient controller in energy. An efficient controller is therefore necessary but not sufficient, because the actuator becomes the cost worth reducing once inference no longer dominates it. Here, we introduce energy-aware learning, an approach that incorporates actuator energy directly into the reinforcement learning reward, and demonstrate it in closed-loop deep brain stimulation (DBS) for Parkinson's disease. A deep spiking Q-network, trained in a biophysical cortico-basal ganglia-thalamic circuit model, learns to suppress pathological alpha-beta oscillations by 45.2% while reducing stimulation charge by 80.0% relative to continuous DBS. Sparsity-constrained knowledge distillation compresses the policy onto the SynSense XyloAudio 3 neuromorphic processor at 0.52 mW inference power, yielding 28.1x lower energy per inference than an equivalent artificial neural network on conventional edge hardware. By co-optimizing stimulation energy and inference efficiency, the framework addresses both major power demands in implantable neuromodulation.
• Abstract（参考訳）: ニューロモルフィックとエッジコンピューティングの研究は、ニューラルネットワークコントローラの推論コストの削減に重点を置いているが、物理的なクローズドループシステムでは、アクチュエーターはエネルギーの効率的なコントローラと競合したり、超えたりすることができる。 したがって、効率的な制御装置は必要だが十分ではない。なぜなら、アクチュエータは、推論がもはや支配されなくなると、削減する価値のあるコストとなるからである。 本稿では,運動エネルギーを直接強化学習報酬に組み込んだエネルギー認識学習を導入し,パーキンソン病に対する閉ループ深部脳刺激(DBS)で実証する。 生体物理学的皮質基底核-視床回路モデルで訓練された深層スパイクQネットワークは、連続DBSに対する刺激電荷を80.0%減少させながら、病理的α-β振動を45.2%抑制することを学ぶ。 スペーサ性に制約のある知識蒸留は、SynSense XyloAudio 3ニューロモルフィックプロセッサに0.52mWの推論パワーでポリシーを圧縮し、従来のエッジハードウェア上の同等の人工知能ニューラルネットワークよりも28.1倍低いエネルギーを得る。 刺激エネルギーと推論効率の共最適化により、このフレームワークは移植可能な神経調節における主要な電力需要の両方に対処する。

関連論文リスト

• General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。 本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。 この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
  論文  参考訳（メタデータ） (2026-01-29T15:08:48Z)
• Training Deep Normalization-Free Spiking Neural Networks with Lateral Inhibition [52.59263087086756]
  深層ニューラルネットワーク(SNN)のトレーニングは、バッチ正規化のような明示的な正規化スキームに依存している。 本研究では,皮質回路にインスパイアされた側方抑制を取り入れた正規化自由学習フレームワークを提案する。 本稿では,生物リアリズムを持つ深層SNNの安定的学習を可能にするとともに,明示的な正規化に頼らずに競争性能を達成できることを述べる。
  論文  参考訳（メタデータ） (2025-09-27T11:11:30Z)
• Adaptive Spiking with Plasticity for Energy Aware Neuromorphic Systems [6.435407289576424]
  ASPENはニューロモルフィックシステムのエネルギーを意識した技術で、インテリジェントで常時オン、超低消費電力、低バーデンのウェアラブルの未来を解き放つことができる。 本研究の目的は,ウェアラブルにおけるニューロモルフィックコンピューティングの実現可能性を探究し,オープンな研究方向を同定し,エネルギーを意識した計算に適応的なスパイキング技術を開発する可能性を示すことである。
  論文  参考訳（メタデータ） (2025-08-11T21:25:17Z)
• Neurophysiologically Realistic Environment for Comparing Adaptive Deep Brain Stimulation Algorithms in Parkinson Disease [1.45543311565555]
  aDBSでは、外科的に配置された電極が神経生理学的フィードバックに基づいて動的に変化した刺激を脳に送る。 我々は,そのモデルを比較するために,最初の神経生理学的に現実的なベンチマークを導入する。 我々は,ディープラーニング(RL)アルゴリズムを学習し,評価するための構造化環境として,我々のフレームワークを構築した。
  論文  参考訳（メタデータ） (2025-04-26T09:44:44Z)
• Adaptively Pruned Spiking Neural Networks for Energy-Efficient Intracortical Neural Decoding [0.06181089784338582]
  ニューロモルフィックハードウェア上でのニューラルネットワーク(SNN)のスパイキングは、ニューラルデコーディングにおいて顕著な効率性を示している。 本稿では,脳皮質内神経復号をターゲットとした,高アクティベーション領域を有するSNNを対象とした適応型プルーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-15T19:16:34Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Single Neuromorphic Memristor closely Emulates Multiple Synaptic Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
  我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。 これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
  論文  参考訳（メタデータ） (2024-02-26T15:01:54Z)
• An Adiabatic Capacitive Artificial Neuron with RRAM-based Threshold Detection for Energy-Efficient Neuromorphic Computing [62.997667081978825]
  神経細胞の体細胞膜電位を誘導するために, 断熱性シナプスコンデンサを特徴とする人工ニューロンを提案する。 最初の4-bit adiabaticacacitive neuron proof-of-conceptの例では、90%のシナプスエネルギーが節約された。
  論文  参考訳（メタデータ） (2022-02-02T17:12:22Z)
• Deep Reinforcement Learning with Spiking Q-learning [51.386945803485084]
  スパイクニューラルネットワーク(SNN)は、少ないエネルギー消費で人工知能(AI)を実現することが期待されている。 SNNと深部強化学習(RL)を組み合わせることで、現実的な制御タスクに有望なエネルギー効率の方法を提供する。
  論文  参考訳（メタデータ） (2022-01-21T16:42:11Z)
• SpikeDyn: A Framework for Energy-Efficient Spiking Neural Networks with Continual and Unsupervised Learning Capabilities in Dynamic Environments [14.727296040550392]
  スパイキングニューラルネットワーク(SNN)は、生物学的妥当性のため、効率的な教師なしおよび継続的な学習能力の可能性を秘めている。 動的環境下での継続学習と教師なし学習機能を備えたエネルギー効率の高いSNNのためのフレームワークであるSpikeDynを提案する。
  論文  参考訳（メタデータ） (2021-02-28T08:26:23Z)

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。