論文の概要: Real-Time Neuromorphic Spectrum Intelligence Simulator

• arxiv url: http://arxiv.org/abs/2609.00585v1
• Date: Tue, 01 Sep 2026 02:27:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.241806
• Title: Real-Time Neuromorphic Spectrum Intelligence Simulator
• Title（参考訳）: リアルタイムニューロモルフィックスペクトルインテリジェンスシミュレータ
• Authors: Navaneetha Krishnan Kamalakannan,
• Abstract要約: 本稿では、スパイキングニューラルネットワーク(SNN)とmemristor-inspireed agentを用いた動的スペクトルアクセスのためのモジュラーフレームワークであるReal-Time Neuromorphic Spectrum Intelligence Simulator (RT-NuSIS)を紹介する。 シミュレーションを数学的に定式化し、有界性を証明し、平均フィールド対向しきい値を示し、ステップごとの複雑性を分析し、エネルギー毎の推論、レイテンシ、メトリクスの再現可能なベンチマークハーネスを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the Real-Time Neuromorphic Spectrum Intelligence Simulator (RT-NuSIS), a modular framework to study spiking neural network (SNN) and memristor-inspired agents for dynamic spectrum access under constrained energy budgets and adversarial conditions. RT-NuSIS couples leaky integrate-and-fire neuronal dynamics, memristive synaptic models, physics-informed energy-harvesting models (triboelectric and RF), and adversary models including jamming and Byzantine behavior. We formalize the simulator mathematically, prove boundedness, present a mean-field adversary threshold, analyze per-step complexity, and provide a reproducible benchmark harness for energy-per-inference, latency, and robustness metrics. The codebase is modular, deterministic by seed, and designed for large-scale event-driven simulations.
• Abstract（参考訳）: 本稿では, 実時間ニューロモルフィック・インテリジェンス・シミュレーター(RT-NuSIS)について紹介する。これはスパイキングニューラルネットワーク(SNN)とメムリスタにインスパイアされた動的スペクトルアクセスのためのモジュラー・フレームワークで, 制約されたエネルギー予算と敵の条件下での動的スペクトルアクセスについて検討する。 RT-NuSISは、漏れやすい統合とファイアの神経力学、旋律シナプスモデル、物理インフォームドエネルギーハーベスティングモデル(三誘電体とRF)、ジャミングやビザンチンの振る舞いを含む敵対モデルとを結合している。 シミュレーションを数学的に定式化し、有界性を証明し、平均フィールド対向しきい値を示し、ステップごとの複雑性を分析し、エネルギー毎の推論、レイテンシ、ロバストネス測定のための再現可能なベンチマークハーネスを提供する。 コードベースはモジュール化されており、シードによって決定論的であり、大規模なイベント駆動シミュレーション用に設計されている。

関連論文リスト

• Neural Modular Physics for Elastic Simulation [36.621915661902115]
  本稿では, 弾性シミュレーションのためのニューラルモジュラー物理(NMP)を提案する。 NMPは、ニューラルネットワークの近似能力と従来のシミュレータの物理的信頼性を組み合わせる。 特殊なアーキテクチャとトレーニング戦略により,計算フローをモジュール型ニューラルシミュレータに変換する。
  論文  参考訳（メタデータ） (2025-12-17T05:02:03Z)
• BrainSymphony: A Transformer-Driven Fusion of fMRI Time Series and Structural Connectivity [2.3486335708866606]
  BrainSymphonyは、ニューロイメージングのための軽量でパラメータ効率の良い基礎モデルである。 かなり小さなパブリックデータセットで事前トレーニングされた状態で、最先端のパフォーマンスを実現する。 BrainSymphonyは、アーキテクチャを意識したマルチモーダルモデルがより大きなモデルを上回る可能性があることを証明している。
  論文  参考訳（メタデータ） (2025-06-23T06:00:21Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。 得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• Autaptic Synaptic Circuit Enhances Spatio-temporal Predictive Learning of Spiking Neural Networks [23.613277062707844]
  Spiking Neural Networks (SNNs) は、生物学的ニューロンで見られる統合ファイアリーク機構をエミュレートする。 既存のSNNは、主にIntegrate-and-Fire Leaky(LIF)モデルに依存している。 本稿では,S-patioTemporal Circuit (STC) モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-01T11:17:27Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。