論文の概要: NeuroFlex: Lossless Element-Level ANN-SNN Co-Execution for Efficient Sparse Inference

• arxiv url: http://arxiv.org/abs/2609.14092v1
• Date: Sat, 12 Sep 2026 18:27:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.669497
• Title: NeuroFlex: Lossless Element-Level ANN-SNN Co-Execution for Efficient Sparse Inference
• Title（参考訳）: NeuroFlex: 効率的なスパース推論のためのロスレス要素レベルANN-SNN共同実行
• Abstract要約: NeuroFlexは、すべての出力要素をANNまたはSNN実行モードに独立に割り当てる最初のアクセラレータである。 オフラインのコスト誘導スケジューラは、その限界エネルギー遅延トレードオフによって各要素をスコアし、PE間で動作し、97-99%のPE利用を達成する。 当社のコスト誘導スケジューラは、ビジョン、言語、トランスフォーマーワークロード間のランダムな要素割り当てよりも、スループットを16-19%向上させています。
• 参考スコア（独自算出の注目度）: 0.49521576068307877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparse DNN accelerators specialize in ANN or SNN execution, leaving energy or latency on the table when workload characteristics vary within a layer. Hybrid accelerator designs that switch modes at layer or tile granularity suffer from low PE utilization since one core type idles whenever the other is active. NeuroFlex is the first accelerator to assign every output element independently to ANN or SNN execution mode with zero accuracy loss. We extend integer-exact ANN-SNN equivalence from layers to individual output elements, thereby enabling mode switching with no conversion error. An offline cost-guided scheduler scores each element by its marginal energy-delay trade-off and packs work across PEs, achieving 97-99% PE utilization compared to 40-45% for layer-wise hybrids. NeuroFlex reduces EDP by 57-67% over a strong ANN-only baseline and delivers up to 2.5x speedup over a dual-sparse SNN-only baseline. Our cost-guided scheduler improves throughput by 16-19% over random element assignment across vision, language, and transformer workloads.
• Abstract（参考訳）: スパースDNNアクセラレータは、ANNやSNNの実行に特化しており、ワークロード特性が層内で変化すると、テーブルにエネルギーや遅延が残される。 層やタイルの粒度のモードを切り替えるハイブリッド加速器の設計は、一方のコア型アイドルがもう一方のコア型アイドルがアクティブになるたびに発生するため、低PE利用に悩まされる。 NeuroFlexは、すべての出力要素をANNまたはSNN実行モードに独立に割り当てる最初のアクセラレータである。 整数エクササイズ ANN-SNN の等価性を各出力要素に拡張することにより,変換誤差のないモード切替が可能となる。 オフラインのコスト誘導スケジューラは、各要素を限界エネルギー遅延トレードオフでスコアし、PE間でのパッキングを行い、レイヤワイドハイブリッドの40-45%に対して97-99%のPE利用を達成する。 NeuroFlexは、強力なANNのみのベースラインでEDPを57-67%削減し、デュアルスパースSNNのみのベースラインで最大2.5倍のスピードアップを提供する。 当社のコスト誘導スケジューラは、ビジョン、言語、トランスフォーマーワークロード間のランダムな要素割り当てよりも、スループットを16-19%向上させています。

関連論文リスト

• Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングのコアアーキテクチャとして機能する。 ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。 既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
  論文  参考訳（メタデータ） (2026-08-14T04:46:03Z)
• AS-FedBridge: Pseudo-Spike Bridge Distillation for Heterogeneous ANN-SNN Federated Learning [56.2943018570345]
  従来のニューラルネットワーク(ANN)の代替として、スパイキングニューラルネットワーク(SNN)が登場した。 混合ANN-SNNクライアントに適した新しいフェデレート学習フレームワークであるAS-FedBridgeを提案する。
  論文  参考訳（メタデータ） (2026-08-04T08:32:30Z)
• NeuroFlex: Column-Exact ANN-SNN Co-Execution Accelerator with Cost-Guided Scheduling [0.49521576068307877]
  NeuroFlexは、人工ニューラルネットワークとスパイクニューラルネットワークを併用するカラムレベルのアクセラレータである。 設計は、QCFS ANN-SNN変換を層から独立した列に拡張する。
  論文  参考訳（メタデータ） (2025-11-07T13:12:24Z)
• One-Timestep is Enough: Achieving High-performance ANN-to-SNN Conversion via Scale-and-Fire Neurons [7.289542889212981]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)のエネルギー効率の良い代替品である 単段階ANN2SNNの理論的および実用的枠組みを提案する。 ImageNet-1Kの88.8%の精度を$T=1$で達成し、既存の変換手法を上回りました。
  論文  参考訳（メタデータ） (2025-10-27T14:35:14Z)
• 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)
• Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control [59.65431931190187]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上で低レイテンシかつエネルギー効率の意思決定を提供する。 連続制御のためのほとんどの連続制御アルゴリズムは、人工ニューラルネットワーク(ANN)のために設計されている。 このミスマッチはSNNのトレーニングを不安定にし、性能を劣化させる。 離散SNNと連続制御アルゴリズムのギャップを埋める新しいプロキシターゲットフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:08:03Z)
• PASCAL: Precise and Efficient ANN- SNN Conversion using Spike Accumulation and Adaptive Layerwise Activation [1.7889842797216122]
  Spiking Neural Networks(SNN)は、ニューラルネットワーク(ANN)に代わるエネルギー効率の高い代替手段として提案されている。 ANN-SNN変換は、ANNに匹敵する精度でディープSNNを実現するために広く使われている手法である。 本研究では,ANN-SNN変換を行うPASCALを提案し,結果のSNNがQCFSアクティベーションを持つANNと数学的に等価であることを示す。
  論文  参考訳（メタデータ） (2025-05-03T07:55:29Z)
• A Hybrid ANN-SNN Architecture for Low-Power and Low-Latency Visual Perception [27.144985031646932]
  Spiking Neural Networks(SNN)は、バイオインスパイアされたニューラルネットワークの一種で、エッジデバイスに低消費電力で低レイテンシな推論をもたらすことを約束する。 イベントベース2Dおよび3Dヒューマンポーズ推定の課題について,本手法では,ANNに比べて性能を4%低下させることなく,88%の消費電力を消費することを示した。
  論文  参考訳（メタデータ） (2023-03-24T17:38:45Z)
• SNN2ANN: A Fast and Memory-Efficient Training Framework for Spiking Neural Networks [117.56823277328803]
  スパイクニューラルネットワークは、低消費電力環境における効率的な計算モデルである。 本稿では,SNNを高速かつメモリ効率で学習するためのSNN-to-ANN(SNN2ANN)フレームワークを提案する。 実験結果から,SNN2ANNをベースとしたモデルがベンチマークデータセットで良好に動作することが示された。
  論文  参考訳（メタデータ） (2022-06-19T16:52:56Z)
• DIET-SNN: Direct Input Encoding With Leakage and Threshold Optimization in Deep Spiking Neural Networks [8.746046482977434]
  DIET-SNNは、膜漏れと発射閾値を最適化するために勾配降下で訓練された低深さスパイクネットワークである。 我々は,VGGおよびResNetアーキテクチャ上のCIFARおよびImageNetデータセットから画像分類タスクのDIET-SNNを評価する。 我々は、ImageNetデータセット上の5つのタイムステップ(推論レイテンシ)でトップ1の精度を69%達成し、同等の標準ANNよりも12倍少ない計算エネルギーを実現した。
  論文  参考訳（メタデータ） (2020-08-09T05:07:17Z)
• SmartExchange: Trading Higher-cost Memory Storage/Access for Lower-cost Computation [97.78417228445883]
  We present SmartExchange, a algorithm- hardware co-design framework for energy- efficient inference of Deep Neural Network (DNNs)。 そこで我々は,非零要素がすべてパワー・オブ・ツーである小さな基底行列と大きなスパース係数行列の積として,各重み行列を格納できる,特別に好ましいDNN重み構造を強制する新しいアルゴリズムを開発した。 さらに、SmartExchange強化重量をフル活用し、エネルギー効率と遅延性能の両方を改善するための専用のアクセラレータを設計する。
  論文  参考訳（メタデータ） (2020-05-07T12:12:49Z)
• Recognizing Images with at most one Spike per Neuron [1.7767466724342065]
  AMOS変換により、ImageNetのSNNの精度は74.60%から80.97%に向上した。 SNNのTop5精度は95.82%に引き上げられ、ANNのTop5パフォーマンスは97.2%に近づいた。
  論文  参考訳（メタデータ） (2019-12-30T16:28:11Z)

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。