論文の概要: SuperNeuroMAT: An Efficient Matrix-based Simulator for Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2608.08479v1
- Date: Sun, 09 Aug 2026 04:54:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.840756
- Title: SuperNeuroMAT: An Efficient Matrix-based Simulator for Spiking Neural Networks
- Title（参考訳）: SuperNeuroMAT: スパイキングニューラルネットワークのための効率的なマトリックスベースシミュレータ
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、エネルギー効率の高いAIと脳にインスパイアされたコンピューティングへの有望な経路を提供する。
我々は,オープンソースのスケーラブルで高効率なPythonベースのSNNシミュレータであるSuperNeuroMATを紹介する。
SuperNeuroMATは4つのSNNシミュレータを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 1.7793189224904296
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spiking neural networks (SNNs) offer a promising pathway to energy-efficient AI and brain-inspired computing. However, their widespread adoption is hindered by a lack of fast, accessible, and versatile simulation frameworks. In this paper, we introduce SuperNeuroMAT, an open-source, scalable, and highly efficient Python-based SNN simulator. We devise a novel matrix-based approach to model the leaky integrate-and-fire (LIF) neuron dynamics and natively support dense and sparse execution modes. This enables fast simulation of approximately 10,000 neurons in dense mode and 100,000 neurons in sparse mode on standard laptops and desktops without requiring specialized hardware. We demonstrate that SuperNeuroMAT consistently outperforms four established SNN simulators---NEST, Brian2, BindsNET, and snnTorch---on two performance metrics (execution speed and peak resident memory) and across various network sizes and connection probabilities. Furthermore, we demonstrate SuperNeuroMAT's applicability across a diverse set of problems. SuperNeuroMAT can efficiently handle conventional machine learning benchmarks such as the Digits and citation network datasets as well as neuromorphic event-based vision tasks such as N-CARS and ASL-DVS. Moreover, it can be extended beyond machine learning workloads and facilitate general-purpose workloads. We validated this by implementing the neuromorphic shortest path algorithm and two arithmetic primitives (addition and multiplication). SuperNeuroMAT can be installed via the Python Package Index (PyPI), thereby lowering the barrier to entry into the field of neuromorphic computing and accelerating the broader development of neuromorphic algorithms.
- Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、エネルギー効率の高いAIと脳にインスパイアされたコンピューティングへの有望な経路を提供する。
しかし、彼らの広く採用されているのは、高速でアクセシブルで汎用的なシミュレーションフレームワークが欠如しているためである。
本稿では,オープンソースのスケーラブルで高効率なPythonベースのSNNシミュレータであるSuperNeuroMATを紹介する。
本研究では, 漏洩型統合火災(LIF)ニューロンのダイナミクスをモデル化し, 密度とスパース実行モードをネイティブにサポートするための, 行列ベースの新しいアプローチを提案する。
これにより、特定のハードウェアを必要とせずに、高密度モードで約10,000のニューロンを、標準のラップトップやデスクトップでスパースモードで10万のニューロンを高速にシミュレーションすることができる。
SuperNeuroMATは、NEST、Brian2、BidsNET、snnTorchの4つのSNNシミュレータを一貫して上回り、ネットワークサイズと接続確率の異なる2つのパフォーマンス指標(実行速度とピーク常駐メモリ)で上回ります。
さらに,SuperNeuroMATの適用性を様々な問題に適用可能であることを示す。
SuperNeuroMATは、Digitsや引用ネットワークデータセットなどの従来の機械学習ベンチマークや、N-CARSやASL-DVSといったニューロモルフィックなイベントベースのビジョンタスクを効率的に扱うことができる。
さらに、機械学習ワークロードを超えて拡張し、汎用ワークロードを容易にすることも可能だ。
我々は、ニューロモルフィックな最短経路アルゴリズムと2つの算術的プリミティブ(加算と乗算)を実装してこれを検証した。
SuperNeuroMATはPython Package Index (PyPI)を介してインストールすることができ、ニューロモルフィック・コンピューティングの分野への参入障壁を低くし、ニューロモルフィック・アルゴリズムの幅広い発展を加速させる。
関連論文リスト
- S$^2$NN: Sub-bit Spiking Neural Networks [53.08060832135342]
スパイキングニューラルネットワーク(SNN)は、マシンインテリジェンスにエネルギー効率のよいパラダイムを提供する。
最近のバイナリSNNの進歩にもかかわらず、大規模ネットワークではストレージと計算の要求が相当に大きい。
1ビット未満の重みを表すサブビットスパイキングニューラルネットワーク(S$2$NNs)を提案する。
論文 参考訳（メタデータ） (2025-09-29T04:17:44Z) - Multiplication-Free Parallelizable Spiking Neurons with Efficient Spatio-Temporal Dynamics [40.43988645674521]
スパイキングニューラルネットワーク(SNN)は、生物学的ニューラルネットワークにインスパイアされた複雑な神経力学とスパースバイナリアクティベーション(スパイクス)によって、ニューラルネットワーク(ANN)と区別される。
従来のニューロンモデルは反復的なステップバイステップのダイナミクスを使用し、シリアル計算とSNNの遅いトレーニング速度をもたらす。
近年、SNNの訓練を加速するために、グラフィックス処理ユニットの大規模並列計算能力をフル活用するために並列化可能なスパイクニューロンモデルが提案されている。
論文 参考訳（メタデータ） (2025-01-24T13:44:08Z) - Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。
計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。
大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文 参考訳（メタデータ） (2024-10-08T14:27:28Z) - Fully Spiking Actor Network with Intra-layer Connections for
Reinforcement Learning [51.386945803485084]
エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。
既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。
浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
論文 参考訳（メタデータ） (2024-01-09T07:31:34Z) - SparseProp: Efficient Event-Based Simulation and Training of Sparse
Recurrent Spiking Neural Networks [4.532517021515834]
Spiking Neural Networks(SNN)は、生物学的にインスパイアされたモデルであり、アクションポテンシャルのストリームで情報を処理できる。
SparsePropはスパースSNNをシミュレートし、訓練するための新しいイベントベースアルゴリズムである。
論文 参考訳（メタデータ） (2023-12-28T18:48:10Z) - NeuralMatrix: Compute the Entire Neural Networks with Linear Matrix Operations for Efficient Inference [20.404864470321897]
本稿では,ディープニューラルネットワーク(DNN)モデル全体の計算を線形行列演算に弾性的に変換するニューラルマトリックスを提案する。
CNNとトランスフォーマーベースのモデルによる実験は、広範囲のDNNモデルを正確かつ効率的に実行するためのNeuralMatrixの可能性を実証している。
このレベルの効率性は通常、特定のニューラルネットワーク用に設計されたアクセラレータでのみ達成できる。
論文 参考訳（メタデータ） (2023-05-23T12:03:51Z) - SuperNeuro: A Fast and Scalable Simulator for Neuromorphic Computing [0.0]
SuperNeuroはニューロモルフィックコンピューティングのための高速でスケーラブルなシミュレータである。
我々は,SuperNeuroが,他のスパルスネットワークシミュレータの約10～300倍の速度で動作可能であることを示した。
論文 参考訳（メタデータ） (2023-05-04T02:43:01Z) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳（メタデータ） (2022-11-19T15:44:08Z) - HyBNN and FedHyBNN: (Federated) Hybrid Binary Neural Networks [0.0]
新しいハイブリッドニューラルネットワークアーキテクチャHybrid Binary Neural Network (Hybrid Binary Neural Network, HyBNN)を導入する。
HyBNNは、タスク非依存、一般、完全精度の変動型オートエンコーダと、タスク固有のバイナリニューラルネットワークで構成されている。
提案システムは,入力バイナライゼーションにより,バニラバイナリニューラルネットワークを著しく上回る性能を有することを示す。
論文 参考訳（メタデータ） (2022-05-19T20:27:01Z) - Quantized Neural Networks via {-1, +1} Encoding Decomposition and
Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。
本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:11:15Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-02-02T21:09:39Z)
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。