論文の概要: Scaled Hippocampus-inspired Neural Networks on Neuromorphic Memristive Hardware
- arxiv url: http://arxiv.org/abs/2609.16429v1
- Date: Mon, 14 Sep 2026 23:14:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.259861
- Title: Scaled Hippocampus-inspired Neural Networks on Neuromorphic Memristive Hardware
- Title（参考訳）: 大型海馬誘発ニューラルネットによるニューロモルフィック・メムリシティブ・ハードウェアの研究
- Abstract要約: メムリスタハードウェアで実証された,ニューロンの多様性と生物学的リアリスティックな静止状態のダイナミクスを備えた最初のスパイクニューラルネットワークを開発した。
小型ネットワークは、greedyアルゴリズムと18,316 memristorを用いてFPGA/memristorプラットフォームにマッピングされる。
この研究は、ニューロモルフィックコンピューティングの新たなハードウェアにおける生物学的現実性アルゴリズムの可能性を示している。
- 参考スコア（独自算出の注目度）: 1.2359191853651021
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The hippocampus, a key brain region for learning and memory, exhibits rich structural diversity, sparse communication, and robust dynamics with incredible energy efficiency. It offers promising insights for novel computing capabilities, particularly when co-designed with emerging hardware technologies. In this work, we draw inspiration from the rodent CA3 hippocampal subregion to develop the first spiking neural network with neuronal diversity and biologically-realistic resting state dynamics demonstrated on memristor hardware. We propose a network downscaling methodology utilizing a 4-prong objective function and demonstrate a small-scale CA3-inspired network with 179 Izhikevich-modeled neurons, 3 neuronal types and 17,996 synapses with similar resting-state dynamics as the orders-of-magnitude larger full-scale network. The small-scale network is mapped to an FPGA/memristor platform using a greedy algorithm and 18,316 memristors. Benefiting from memristor noise, the hardware implementation shows continuous periodic behavior, outperforming simulated hardware. This work showcases the potential of biologically-realistic algorithms on emerging hardware for neuromorphic computing.
- Abstract（参考訳）: 海馬は学習と記憶のための重要な脳の領域であり、豊富な構造的多様性、疎通、そして信じられないほどエネルギー効率の強い堅牢なダイナミクスを示す。
これは、特に新興ハードウェア技術との共同設計時に、新しいコンピューティング機能に対する有望な洞察を提供する。
本研究は,脳神経の多様性と,メムリスタハードウェア上で実証された生物学的に現実的な静止状態のダイナミクスを持つ最初のスパイクニューラルネットワークを開発するために,脳海馬サブリージョン(CA3)からインスピレーションを得たものである。
本研究では,4つの目的関数を応用したネットワークダウンスケーリング手法を提案する。また,179個のIzhikevichモデルニューロン,3つのニューロンタイプ,17,996個のシナプスを持つ小型CA3インスパイアされたネットワークを,より大規模ネットワークのオーダー・オブ・マグニチュード・オブ・マグニチュードとして,同様の静止状態ダイナミクスを持つネットワークダウンスケーリング手法を提案する。
小型ネットワークは、greedyアルゴリズムと18,316 memristorを用いてFPGA/memristorプラットフォームにマッピングされる。
メムリスタノイズにより、ハードウェア実装は、連続的な周期的挙動を示し、シミュレーションされたハードウェアよりも優れた性能を示す。
この研究は、ニューロモルフィックコンピューティングの新たなハードウェアにおける生物学的現実性アルゴリズムの可能性を示している。
関連論文リスト
- Algorithm-hardware co-design of neuromorphic networks with dual memory pathways [8.49692039836696]
イベント駆動センシングでは、スパイクニューラルネットワークが優れている。
長期にわたるタスク関連コンテキストの維持は、この分野における中核的な課題である。
我々は,新しいアルゴリズムとハードウェアの共同設計を通じて,この問題に対処する。
論文 参考訳（メタデータ） (2025-12-08T14:50:26Z) - Threshold Neuron: A Brain-inspired Artificial Neuron for Efficient On-device Inference [17.95548501630064]
本稿では,新しい人工ニューロンモデルThreshold Neuronsを提案する。
従来の人工ニューロンと同様のニューラルネットワークを構築しながら,ハードウェア実装の複雑さを大幅に低減する。
本研究では,Threshold Neuronsを用いたニューラルネットワークの有効性を検証し,カーネルレベルでは7.51倍から8.19倍の省電力を実現し,カーネルレベルでは3.89倍から4.33倍の省電力を実現した。
論文 参考訳（メタデータ） (2024-12-18T14:42:43Z) - Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳（メタデータ） (2024-09-17T04:48:45Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - Functional Connectome: Approximating Brain Networks with Artificial
Neural Networks [1.952097552284465]
訓練されたディープニューラルネットワークは、合成生物学的ネットワークによって実行される計算を高精度に捉えることができることを示す。
訓練されたディープニューラルネットワークは、新しい環境でゼロショットの一般化を実行可能であることを示す。
本研究は, システム神経科学における新規かつ有望な方向性を明らかにする。
論文 参考訳（メタデータ） (2022-11-23T13:12:13Z) - 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) - The BrainScaleS-2 accelerated neuromorphic system with hybrid plasticity [0.0]
本稿では,BrainScaleSニューロモルフィックアーキテクチャの第2世代について述べる。
バイオインスパイアされたスパイクニューラルネットワークプリミティブの、加速された物理的エミュレーションをサポートするカスタムアクセラレータコアと、密結合されたデジタルプロセッサと、イベントルーティングネットワークを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-01-26T17:13:46Z) - WaveSense: Efficient Temporal Convolutions with Spiking Neural Networks
for Keyword Spotting [1.0152838128195467]
拡張時間畳み込みの自然な代替としてスパイキングニューラルダイナミクスを提案する。
このアイデアをWaveNetアーキテクチャにインスパイアされたスパイクニューラルネットワークであるWaveSenseに拡張します。
論文 参考訳（メタデータ） (2021-11-02T09:38:22Z) - 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) - Reservoir Memory Machines as Neural Computers [70.5993855765376]
微分可能なニューラルネットワークは、干渉することなく明示的なメモリで人工ニューラルネットワークを拡張する。
我々は、非常に効率的に訓練できるモデルを用いて、微分可能なニューラルネットワークの計算能力を実現する。
論文 参考訳（メタデータ） (2020-09-14T12:01:30Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z)
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。