論文の概要: Towards transferable lightweight neuromorphic computing through a model-free temporal-switch framework

• arxiv url: http://arxiv.org/abs/2607.02608v1
• Date: Wed, 01 Jul 2026 13:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.347782
• Title: Towards transferable lightweight neuromorphic computing through a model-free temporal-switch framework
• Title（参考訳）: モデルフリーの時間スウィッチフレームワークによる伝達可能な軽量ニューロモルフィックコンピューティングを目指して
• Authors: Zefeng Zhang, Chao Li, Siyao Chen, Pei Chen, Bo-Wei Qin, Xumeng Zhang, Wei Lin, Qi Liu,
• Abstract要約: モデルフリーの時間スウィッチ(TS)フレームワークを導入し,キャリブレーション後の調整や調整を行うことなく直接転送性能を向上させる。 メムリスタベースの貯水池計算を用いたバリデーションでは、直接転送された読み出しを持つ未確認デバイス上で高い性能を実現している。 その効果は、異なる膜分裂菌ファミリーとRC構成にまたがって検証される。
• 参考スコア（独自算出の注目度）: 13.485505622975424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lightweight neuromorphic computing offers a promising route to efficient AI, with particular benefits for resource-constrained edge deployments. However, its scalable deployment that can reliably transfer the expected performance has long been hindered by device-to-device variations, which necessitate costly and repeated re-training on new copies and undermine the practical advantages. To address this issue, we introduce a model-free temporal-switch (TS) framework to improve the direct transfer performance, without post-training calibration or adjustment. The TS framework provides a methodology to incorporate a broader spectrum of devices in the training process. In the validation using memristor-based reservoir computing, it enables high performance on unseen devices with a directly transferred readout. It achieves improved prediction in the representative Mackey--Glass benchmark, and the accuracy of 92.4% in spoken digit classification. Its efficacy is validated across different memristor families and RC configurations. Theoretical analysis not only reveals the general computational mechanism underlying its efficacy, but also underlines its potential applicability to other physical platforms.
• Abstract（参考訳）: 軽量なニューロモルフィックコンピューティングは、リソース制約のあるエッジデプロイメントに特にメリットがある、効率的なAIへの有望なルートを提供する。 しかし、期待されるパフォーマンスを確実に転送できるスケーラブルなデプロイメントは、デバイスからデバイスへのバリエーションによって長い間妨げられてきました。 この問題に対処するために,キャリブレーション後の調整や調整を伴わずに,直接転送性能を向上させるためのモデルフリー時間スイッチ(TS)フレームワークを導入する。 TSフレームワークは、トレーニングプロセスに幅広いデバイスを組み込むための方法論を提供する。 メムリスタベースの貯水池計算を用いたバリデーションでは、直接転送された読み出しを持つ未確認デバイス上で高い性能を実現している。 代表的なMackey-Glassベンチマークでは予測精度が92.4%向上し、音声桁分類では精度が92.4%向上した。 その効果は、異なる膜分裂菌ファミリーとRC構成にまたがって検証される。 理論的解析は、その効果の根底にある一般的な計算機構を明らかにするだけでなく、他の物理プラットフォームへの適用可能性も強調している。

関連論文リスト

• A KL Lens on Quantization: Fast, Forward-Only Sensitivity for Mixed-Precision SSM-Transformer Models [9.31160191200499]
  エッジデバイス上の大規模言語モデル(LLM)は、計算とメモリの厳しい制約に直面している。 量子化誘起劣化に最も敏感なハイブリッドSSM-トランスフォーマーコンポーネントを同定するための,軽量でバックプロパゲーションフリーなサロゲート型感度分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-15T03:40:30Z)
• POET-X: Memory-efficient LLM Training by Scaling Orthogonal Transformation [57.57816409869894]
  大規模言語モデルをトレーニングするためのスケーラブルでメモリ効率のよい変種であるPOET-Xを紹介する。 PoET-Xは、スループットとメモリ効率を大幅に改善しながら、PoETの一般化と安定性の利点を維持している。
  論文  参考訳（メタデータ） (2026-03-05T18:59:23Z)
• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• Efficient Online Learning with Predictive Coding Networks: Exploiting Temporal Correlations [26.073347035678342]
  Predictive Coding (PC)フレームワークは、ローカルなHebbianライクな更新ルールで生物学的に妥当な代替手段を提供する。 本稿では,時間的補正を伴う予測符号化ネットワーク(PCN-TA)について述べる。 COIL-20ロボット認識データセットの実験では、PCN-TAはバックプロパゲーションよりも10%少ない重量更新を達成した。
  論文  参考訳（メタデータ） (2025-10-29T22:09:53Z)
• Scaling Probabilistic Circuits via Monarch Matrices [109.65822339230853]
  確率回路(PC)は確率分布の抽出可能な表現である。 そこで本研究では,PCの和ブロックに対する新しいスパースパラメータと構造化パラメータ化を提案する。
  論文  参考訳（メタデータ） (2025-06-14T07:39:15Z)
• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• PointMT: Efficient Point Cloud Analysis with Hybrid MLP-Transformer Architecture [46.266960248570086]
  本研究は,効率的な特徴集約のための複雑局所的注意機構を導入することで,自己注意機構の二次的複雑さに取り組む。 また,各チャネルの注目重量分布を適応的に調整するパラメータフリーチャネル温度適応機構を導入する。 我々は,PointMTが性能と精度の最適なバランスを維持しつつ,最先端手法に匹敵する性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-08-10T10:16:03Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• Exploiting Activation Sparsity with Dense to Dynamic-k Mixture-of-Experts Conversion [4.716845031095804]
  トランスフォーマーモデルは、高い計算要求のため、実用的な制限に直面する可能性がある。 このようなモデルは、ネットワークの一部を等価なMixture-of-Experts (MoE)層に変換することで、推論コストを削減するために利用することができる。 本研究では,基本モデルの活性化間隔を適切に正規化することにより,変換効率を大幅に向上できることを実証する。
  論文  参考訳（メタデータ） (2023-10-06T16:34:51Z)

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。