論文の概要: DVA-Neurons: Design and Verification of Adaptive LIF Neurons: From Single-Neuron Dynamics to Multi-Neuron Spiking Networks

• arxiv url: http://arxiv.org/abs/2609.22775v1
• Date: Sat, 19 Sep 2026 05:18:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.900505
• Title: DVA-Neurons: Design and Verification of Adaptive LIF Neurons: From Single-Neuron Dynamics to Multi-Neuron Spiking Networks
• Title（参考訳）: DVA-Neurons:適応LIFニューロンの設計と検証:シングルネロンダイナミクスからマルチネロンスパイクネットワークへ
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、超低消費電力人工知能推論への有望な道を提供する。 この研究は、よりリッチな時間的ダイナミクスのための2段階のシナプスフィルタリングを持つ2階ニューロン、重量(100から5)を持つ完全に接続された6つのニューロンスパイクネットワーク、重みに基づくインターニューラル通信を示す。
• 参考スコア（独自算出の注目度）: 0.5801044612920815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spiking Neural Networks (SNNs) offer a promising path toward ultra-low-power artificial intelligence inference by emulating the event-driven computation of biological neurons. However, two challenges limit their practical deployment. First, fixed-parameter Leaky Integrate-and-Fire (LIF) neurons lack the adaptation mechanisms observed in biology, where neurons modulate their excitability based on firing history. Second, scaling from single neurons to multi-neuron networks introduces challenges in synaptic weight distribution and inter-neuron spike routing that are absent in isolated designs. This paper addresses both issues through the extension, verification, and physical implementation of adaptive LIF neurons at three architectural scales. This work contributes: a 2nd-order neuron with two-stage synaptic filtering for richer temporal dynamics; a fully-connected 6-neuron spiking network with configurable weights (100 to 5) demonstrating weight-based inter-neuron communication; and a direct verification methodology enabling per-cycle observation of all internal states. All designs were synthesized targeting Selected Area Electron Diffraction (SAED) 14 nm Complementary Metal-Oxide-Semiconductor (CMOS) technology at 1 GHz and verified with Cocotb-based Python testbenches under pulsed current stimuli (amplitude 80, ISI=3). The results show that adaptation effectively modulates firing: 31% suppression in the 2nd-order neuron (25 vs.\ 36 spikes) and 31% reduction in postsynaptic firing in the network (18 vs.\ 26 spikes). Physically, the 2nd-order neuron costs 1.77x more area and 1.52x more power than the 1st-order baseline, while the 6-neuron network demonstrates near-linear scaling (5.7x area, 5.3x power). Seven verification bugs spanning testbench connectivity, fixed-point overflow, and Verilog expression-width semantics are documented.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンの事象駆動計算をエミュレートすることで、超低消費電力人工知能推論への有望な道を提供する。 しかし、2つの課題は実践的な展開を制限する。 第一に、固定パラメータLeaky Integrate-and-Fire(LIF)ニューロンは、生物において観察される適応機構を欠き、ニューロンは発射履歴に基づいて興奮性を調節する。 第二に、単一ニューロンからマルチニューロンネットワークへのスケーリングは、独立した設計では欠落しているシナプス量分布とニューロン間スパイクルーティングの課題をもたらす。 本稿では,適応LIFニューロンを3つのアーキテクチャスケールで拡張し,検証し,物理的実装することで,両問題に対処する。 この研究は、よりリッチな時間力学のための2段階のシナプスフィルタリングを持つ2次ニューロン、重み付け可能な重量(100から5)を持つ完全に接続された6つのニューロンスパイクネットワーク、および全ての内部状態のサイクルごとの観察を可能にする直接的検証手法に寄与する。 全ての設計は、選択領域電子回折(SAED)14nmの相補的金属酸化物半導体(CMOS)技術を1GHzでターゲットとして合成され、パルス電流刺激下でCocotbベースのPythonテストベンチ(振幅80, ISI=3)で検証された。 その結果、適応は発火を効果的に調節し、第2次ニューロンの31%の抑制(25対0。 36発のスパイク)と31%のシナプス後発火(18。 26のスパイク)。 物理的には、第2次ニューロンは第1次ベースラインよりも1.77倍、第1次ベースラインより1.52倍のコストがかかる。 テストベンチ接続、固定ポイントオーバーフロー、Verilog式幅セマンティクスにまたがる7つの検証バグが文書化されている。

関連論文リスト

• Catwalk: Unary Top-K for Efficient Ramp-No-Leak Neuron Design for Temporal Neural Networks [3.0670569650183928]
  本研究では、スパイクボレー内のスパイクを一元的トップkを介してソートされたサブセットクラスタとして移動させることにより、キャットウォークニューロンの実装を提案する。 キャットウォークは、既存の0-RNLニューロンと比較して、それぞれ1.39倍と1.86倍の面積とパワーを持つ。
  論文  参考訳（メタデータ） (2025-08-28T23:50:36Z)
• Co-learning synaptic delays, weights and adaptation in spiking neural networks [0.0]
  スパイキングニューラルネットワーク(SNN)は、固有の時間処理とスパイクベースの計算のため、人工知能ニューラルネットワーク(ANN)と区別する。 スパイクニューロンを用いたデータ処理は、他の2つの生物学的にインスピレーションを受けたニューロンの特徴と接続重みを協調学習することで向上できることを示す。
  論文  参考訳（メタデータ） (2023-09-12T09:13:26Z)
• Increasing biases can be more efficient than increasing weights [33.05856234084821]
  ユニットは、あるユニットから次のユニットに渡されるときに、非破壊的な情報を保存することの重要性を強調します。 重みよりもバイアスの増加に焦点を当てることで、ニューラルネットワークモデルの性能が大幅に向上する可能性があることを示す。
  論文  参考訳（メタデータ） (2023-01-03T01:36:31Z)
• 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)
• Population-coding and Dynamic-neurons improved Spiking Actor Network for Reinforcement Learning [10.957578424267757]
  スパイキングニューラルネットワーク(SNN)は、スパイキングニューロンの多様な集団を含み、空間的および時間的情報による状態表現に自然に強力である。 本稿では,2つの異なるスケールからの効率的な状態表現を実現するために,PDSAN(Population-coding and Dynamic-neurons improve Spiking Actor Network)を提案する。 我々のTD3-PDSANモデルは,4つのOpenAIジムベンチマークタスクにおける最先端モデルよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-06-15T03:14:41Z)
• And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
  ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。 そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。 MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-15T08:19:05Z)
• Compiling Spiking Neural Networks to Mitigate Neuromorphic Hardware Constraints [0.30458514384586394]
  スパイキングニューラルネットワーク(SNN)は、資源制約と電力制約のあるプラットフォーム上での計算制約付きパターン認識を効率的に行う。 ニューロモルフィックハードウェア上で実行されるSNNは、これらのプラットフォームのエネルギー消費をさらに削減することができる。
  論文  参考訳（メタデータ） (2020-11-27T19:10:23Z)
• 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。