論文の概要: A Spiking Sequence Generator for Polar Trajectories on Neuromorphic Hardware

• arxiv url: http://arxiv.org/abs/2607.02753v1
• Date: Thu, 02 Jul 2026 20:36:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 13:33:36.795594
• Title: A Spiking Sequence Generator for Polar Trajectories on Neuromorphic Hardware
• Title（参考訳）: ニューロモルフィックハードウェアを用いた極軌道用スパイクシーケンスジェネレータ
• Abstract要約: 本稿では,ニューラルアクティビティの制御トランジションを誘導するアプライアンスを持つワイパーテイクオール(WTA)アーキテクチャを用いて,極軌道生成のためのスパイキングニューラルネットワーク(SNN)アーキテクチャを提案する。 このネットワークをSpiNNaker2ニューロモルフィックプロセッサ上に実装し,従来の計算プラットフォームと比較して,ウォールクロックのステップタイムの2～3桁,エネルギー消費の3～4桁のスケールダウンを示す。
• 参考スコア（独自算出の注目度）: 0.44198435146063364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuromorphic controllers for size, weight, and power-constrained systems require neural architectures that are both energy-efficient and interpretable at the level of system dynamics. However, existing approaches either rely on end-to-end trained spiking networks with limited interpretability, or on converted classical controllers that fail to fully exploit neuromorphic dynamics. We present a spiking neural network (SNN) architecture for generating polar trajectories, using a winner-take-all (WTA) architecture with accessory populations that induce controlled transitions in neural activity. We demonstrate tuning rules for these population dynamics, and utilize a form of shunting inhibition to enable independent control of direction, speed, and radius of the resulting polar trajectories. We implement the network on the SpiNNaker2 neuromorphic processor, and demonstrate a two to three orders of magnitude reduction in wall-clock step time and three to four orders of magnitude reduction in energy expenditure when compared to conventional computing platforms.
• Abstract（参考訳）: サイズ、重量、電力制約のあるシステムのニューロモルフィックコントローラは、エネルギー効率が高く、システム力学のレベルで解釈可能なニューロアーキテクチャを必要とする。 しかし、既存のアプローチは、限定的な解釈可能性を持つエンドツーエンドの訓練されたスパイクネットワークや、ニューロモルフィックダイナミクスを完全に活用できない変換された古典的なコントローラに依存している。 本稿では,ニューラルアクティビティの制御トランジションを誘導するアプライアンスを持つワイパーテイクオール(WTA)アーキテクチャを用いて,極軌道生成のためのスパイキングニューラルネットワーク(SNN)アーキテクチャを提案する。 我々は,これらの個体群動態のチューニング則を実証し,その方向,速度,半径の独立制御を可能にするため,シャンティング阻害の形式を用いる。 このネットワークをSpiNNaker2ニューロモルフィックプロセッサ上に実装し,従来の計算プラットフォームと比較して,ウォールクロックのステップタイムの2～3桁,エネルギー消費の3～4桁のスケールダウンを示す。

関連論文リスト

• Dynamic neural manifolds for flexible closed-loop control on neuromorphic hardware [0.0]
  スパイキングネットワークモデルは、連続神経活動の側面と多様体幾何学の特徴を結びつける。 実時間閉ループ制御のためのSpiNNaker 2チップの実装について述べる。
  論文  参考訳（メタデータ） (2026-07-08T13:05:46Z)
• Topological Neural Dynamics: A Neuron-wise Framework for Sequence Modeling [55.07411490538404]
  トポロジカル・ニューラル・ダイナミクス(TND)は、トポロジカル・ニューラル・ダイナミクス(英語版) (TND) が階層的からニューロン的へと変化するシーケンス・モデリング・フレームワークである。 TNDは神経系を、有向ニューロングラフ、相互作用演算子、局所力学関数として表す。 我々はTNDをシングルプレイヤーPongにおける行動クローニングタスクのケーススタディとして評価した。
  論文  参考訳（メタデータ） (2026-06-19T10:18:24Z)
• Neuronal Group Communication for Efficient Neural representation [85.36421257648294]
  本稿では, 効率的な, モジュラー, 解釈可能な表現を学習する, 大規模ニューラルシステムの構築方法に関する問題に対処する。 本稿では、ニューラルネットワークを相互作用する神経群の動的システムとして再認識する理論駆動型フレームワークである神経グループ通信(NGC)を提案する。 NGCは、重みを埋め込みのようなニューロン状態間の過渡的な相互作用として扱い、神経計算はニューロン群間の反復的なコミュニケーションを通じて展開する。
  論文  参考訳（メタデータ） (2025-10-19T14:23:35Z)
• 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)
• Spiking neurons as predictive controllers of linear systems [1.773217790947073]
  現在のスパイク制御は、アナログ制御を近似するためにスパイク信号のフィルタリングに依存する。 本稿では,スパース神経活動を伴うタスク特異的スパイキング制御のためのスケーラブルな方法を提案する。 物理的に制約されたシステムでは、予測制御が必要であり、制御信号は最終的に下流システムの受動力学を利用して目標に到達する。
  論文  参考訳（メタデータ） (2025-07-22T11:50:11Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• NeurOptimisation: The Spiking Way to Evolve [0.3069335774032178]
  本稿では,神経形態に基づくメタヒューリスティックパラダイムを分散NCシステムによって実現した,完全なスパイクに基づくフレームワークを提案する。 We implement this framework on Intel's Lava platform, targeting the Loihi 2 chip, and evaluate it on the noiseless BBOB suite up to 40 dimensions。 提案手法は, 構造的人口動態, 一貫した収束, ミリワットレベルの電力実現可能性を示す。
  論文  参考訳（メタデータ） (2025-07-11T05:18:13Z)
• Scalable Network Emulation on Analog Neuromorphic Hardware [3.1934373544259813]
  本稿では,BrainScaleS-2アクセラレーション型ニューロモルフィックプラットフォームのための新しいソフトウェア機能を提案する。 大規模なスパイクニューラルネットワークの分割エミュレーションを容易にする。 単チップBrainScaleS-2システムの物理的サイズ制約を超える2つのディープスパイクニューラルネットワークモデルのトレーニングを実演する。
  論文  参考訳（メタデータ） (2024-01-30T09:27:05Z)
• Polariton lattices as binarized neuromorphic networks [0.0]
  本研究では, 励起子-偏光子縮合格子に基づく新規なニューロモルフィックネットワークアーキテクチャを導入し, 非共鳴光ポンピングにより複雑に相互接続し, エネルギー化する。 このネットワークは、ペア結合された凝縮体の空間コヒーレンスによって促進される各ニューロンがバイナリ操作を行うバイナリ・フレームワークを採用している。
  論文  参考訳（メタデータ） (2024-01-14T08:32:41Z)
• Spiking neural network for nonlinear regression [68.8204255655161]
  スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。 彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。 スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T13:04:45Z)
• Robust trajectory generation for robotic control on the neuromorphic research chip Loihi [0.0]
  我々は、最近開発されたスパイクニューラルネットワークモデル、いわゆる異方性ネットワークを利用する。 我々は,Loihi上の異方性ネットワークが神経活動の逐次パターンを確実に符号化していることを示す。 そこで本研究では,複雑なロボットの動きを生成できる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-26T16:02:39Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)
• Structural plasticity on an accelerated analog neuromorphic hardware system [0.46180371154032884]
  我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。 我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。 ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
  論文  参考訳（メタデータ） (2019-12-27T10:15:58Z)

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。