論文の概要: Memory-Native Non-Terrestrial Networks for Embodied Intelligence

• arxiv url: http://arxiv.org/abs/2607.00029v1
• Date: Mon, 22 Jun 2026 04:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.582522
• Title: Memory-Native Non-Terrestrial Networks for Embodied Intelligence
• Title（参考訳）: 身体情報のためのメモリ負非地上ネットワーク
• Abstract要約: 非地球ネットワーク(EIN)は、エンボディインテリジェンス(EIN)のためのユビキタス接続を提供する 決定はローカルチャネル条件とサービス要求によって駆動されるため、既存のメモリレスプロトコルは非効率になる。 本稿では,メモリ拡張システムの最適化に長軸コンテキストを利用するメモリネイティブ(MemNTN)パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 43.40095048299562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-terrestrial networks (NTN) provide ubiquitous connectivity for embodied intelligence (EI), enabling robots in wilderness to leverage cloud resources or report critical information to remote centers. However, the synergy is nontrivial due to the highly-dynamic, resource-constrained, topology-varying, and task-oriented environment. Existing memoryless NTN protocols become inefficient, since the decisions are driven by local channel conditions and instantaneous service demands. To address these limitations, this paper proposes the memory-native NTN (MemNTN) paradigm that leverages long-horizon contexts for memory augmented system optimization. To realize this paradigm shift, we establish a dual-memory architecture that distinguishes between physical memory representing the state of the world and digital memory encoding historical network experience. We develop memory acquisition, compression, valuation, update, and utilization mechanisms that facilitate cross-layer, memory-native decision-making, spanning from the physical and access layers up to the network and application layers. Experiments in satellite embodied question answering (SEQA) demonstrate that the proposed MemNTN significantly outperforms conventional stateless NTN and terrestrial approaches.
• Abstract（参考訳）: 非地球ネットワーク(NTN)は、エンボディインテリジェンス(EI)のためのユビキタス接続を提供し、荒野のロボットがクラウドリソースを活用したり、リモートセンターに重要な情報を報告することを可能にする。 しかし、この相乗効果は、高度に動的でリソースに制約のあるトポロジに変化し、タスク指向の環境のため、非自明である。 既存のメモリレスNTNプロトコルは、ローカルチャネル条件と即時サービス要求によって決定されるため、非効率になる。 これらの制約に対処するため,メモリ拡張システムの最適化に長軸コンテキストを利用するメモリネイティブNTN(MemNTN)パラダイムを提案する。 このパラダイムシフトを実現するために、世界の状態を表す物理メモリと、歴史的ネットワーク体験を符号化するデジタルメモリを区別するデュアルメモリアーキテクチャを構築した。 メモリの取得、圧縮、バリュエーション、更新、利用メカニズムを開発し、ネットワーク層とアプリケーション層までの物理層とアクセス層にまたがるクロスレイヤ、メモリネイティブな意思決定を容易にする。 衛星実施型質問応答(SEQA)の実験では、提案されたMemNTNは従来のNTNや地球上のアプローチよりも大幅に優れていた。

関連論文リスト

• Bridging the Cognitive Gap: A Unified Memory Paradigm for 6G Agentic AI-RAN [62.429669462281645]
  6Gは、知覚、推論、進化が可能なエージェントAIを受け入れるために、従来の自動化を超越しなければならない。 この記事では、インターフェースバウンドからメモリ中心アーキテクチャへのシフトを想定します。 メッセージパッシングをゼロコピーオブザーバビリティに置き換えることで、AIエージェントがリアルタイムの応答性と長時間のコンテキストの間のギャップを埋めることができます。
  論文  参考訳（メタデータ） (2026-05-11T06:04:10Z)
• Neural Dynamics Self-Attention for Spiking Transformers [59.57278823240336]
  TransformerアーキテクチャによるSNN(Spike Neural Networks)は、エネルギー効率とパフォーマンスのバランスをとるための、有望な経路を提供する。 既存のスパイキングトランスフォーマーは、(i)ニューラルネットワーク(ANN)と(ii)推論時の高メモリオーバーヘッドと比較して、大幅なパフォーマンスギャップがあるという2つの重要な課題に直面している。 本稿では、局所受容野を持つスパイキングニューロンを用いて、メモリ要求を減らしながら注意を計算するLRF-Dynを提案する。
  論文  参考訳（メタデータ） (2026-03-09T12:23:37Z)
• Algorithm-hardware co-design of neuromorphic networks with dual memory pathways [8.49692039836696]
  イベント駆動センシングでは、スパイクニューラルネットワークが優れている。 長期にわたるタスク関連コンテキストの維持は、この分野における中核的な課題である。 我々は,新しいアルゴリズムとハードウェアの共同設計を通じて,この問題に対処する。
  論文  参考訳（メタデータ） (2025-12-08T14:50:26Z)
• MemOS: A Memory OS for AI System [116.87568350346537]
  大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。 既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
  論文  参考訳（メタデータ） (2025-07-04T17:21:46Z)
• EMN: Brain-inspired Elastic Memory Network for Quick Domain Adaptive Feature Mapping [57.197694698750404]
  本稿では,特徴と予測のマッピングを高速に微調整するための,勾配のない新しいElastic Memory Networkを提案する。 EMNはランダムに結合したニューロンを用いて特徴とラベルの関連を記憶し、ネットワーク内のシグナルはインパルスとして伝播する。 EMNは、従来のドメイン適応手法の1%以下のタイミングコストしか必要とせず、最大10%の性能向上を達成することができる。
  論文  参考訳（メタデータ） (2024-02-04T09:58:17Z)
• Topology-aware Embedding Memory for Continual Learning on Expanding Networks [63.35819388164267]
  本稿では,メモリリプレイ技術を用いて,メモリ爆発問題に対処する枠組みを提案する。 Topology-aware Embedding Memory (TEM) を用いたPDGNNは最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2024-01-24T03:03:17Z)
• Towards Memory-Efficient Neural Networks via Multi-Level in situ Generation [10.563649948220371]
  ディープニューラルネットワーク(DNN)は、様々なタスクにおいて優れたパフォーマンスを示している。 それらが急速に進化するにつれて、そのエスカレーション計算とメモリ要求により、リソースに制約のあるエッジデバイスへのデプロイが困難になる。 超高速なオンチップ計算で高価なメモリトランザクションを交換するための汎用的で統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-25T18:50:24Z)
• Neural Storage: A New Paradigm of Elastic Memory [4.307341575886927]
  コンピュータメモリ内のデータの保存と検索は、システム性能において大きな役割を果たす。 我々は、脳にインスパイアされた学習記憶パラダイムであるNeural Storage(NS)を導入し、メモリをフレキシブルなニューラルメモリネットワークとして構成する。 NSは2つの代表アプリケーションに対してメモリアクセス性能を大幅に改善する。
  論文  参考訳（メタデータ） (2021-01-07T19:19:25Z)
• DESCNet: Developing Efficient Scratchpad Memories for Capsule Network Hardware [12.26801463167931]
  Capsule Networks(CapsNets)は、Deep Neural Networks(DNNs)と比較して、一般化能力を改善した。 CapsNetは計算とメモリの要求がかなり高く、そのエネルギー効率のよい推論は難しい課題である。 本稿では,ハードウェアアクセラレーターが高速なCapsNets推論を実行する際の(オンチップ)メモリの設計と管理に関する課題を,初めて詳細に分析する。
  論文  参考訳（メタデータ） (2020-10-12T14:50:59Z)
• Robust High-dimensional Memory-augmented Neural Networks [13.82206983716435]
  メモリ拡張ニューラルネットワークは、これらの問題を克服するために、明示的なメモリでニューラルネットワークを強化する。 この明示的なメモリへのアクセスは、各個々のメモリエントリを含むソフト読み取りおよび書き込み操作を介して行われる。 本稿では,高次元(HD)ベクトル上でのアナログインメモリ計算を行う明示メモリとして,計算メモリユニットを用いた頑健なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-10-05T12:01:56Z)

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。