論文の概要: Simulating Synchrony Loop Networks in the Open Source RISP Neuroprocessor

• arxiv url: http://arxiv.org/abs/2609.38432v1
• Date: Tue, 29 Sep 2026 19:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.654005
• Title: Simulating Synchrony Loop Networks in the Open Source RISP Neuroprocessor
• Title（参考訳）: オープンソースRISPニューロプロセッサにおける同期ループネットワークのシミュレーション
• Abstract要約: RISPニューロプロセッサ上でのSLPネットワークの実装を提案する。 教師なし楽器クラスタリング作業において,その性能を評価する。 その結果、SLPのコア機構は、効果的にニューロモルフィックアーキテクチャに変換できることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuromorphic spiking neural networks (SNNs) offer a promising alternative to conventional deep neural networks for tasks with computational resource or data constraints. However, their practical applications have been limited by comparatively weak performance on complex learning tasks. Experimental approaches such as Synchrony Loop Propagation (SLP) increasingly seek to address this problem through more sophisticated and heterogeneous neuron models, and have achieved encouraging initial results. However, these neuron models do not readily translate to standard neuromorphic systems designed to support simple leaky integrate-and-fire neurons. We present an implementation of an SLP network on the RISP neuroprocessor, an event-driven neuromorphic simulation platform, and evaluate its performance on an unsupervised musical instrument clustering task. The network achieves clustering accuracy comparable to the DBSCAN algorithm, while providing over an order of magnitude improvement in runtime speed and computational efficiency relative to a prior non-neuromorphic SLP implementation. These results demonstrate that SLP's core mechanisms can be effectively translated into a neuromorphic architecture to support complex unsupervised learning. More broadly, this work highlights the potential of heterogeneous and extensible neuron models to expand the design space of neuromorphic systems to more complex learning tasks.
• Abstract（参考訳）: ニューロモルフィックスパイクニューラルネットワーク(SNN)は、計算資源やデータ制約のあるタスクに対して、従来のディープニューラルネットワークに代わる有望な代替手段を提供する。 しかし、それらの実践的応用は、複雑な学習タスクにおける比較的弱い性能によって制限されてきた。 SLP(Synchrony Loop Propagation)のような実験的なアプローチは、より高度で異質なニューロンモデルを通じてこの問題に対処し、促進的な初期結果を実現している。 しかし、これらのニューロンモデルは、単純な漏れた集積と発火のニューロンをサポートするように設計された標準的なニューロモルフィックシステムに容易には翻訳されない。 本稿では、イベント駆動型ニューロモーフィックシミュレーションプラットフォームであるRISPニューロプロセッサ上でのSLPネットワークの実装と、教師なし楽器クラスタリングタスクの性能評価を行う。 ネットワークは、DBSCANアルゴリズムに匹敵するクラスタリング精度を達成し、以前の非ニューロモルフィックSLP実装と比較して、実行速度と計算効率を大幅に改善した。 これらの結果から, SLPのコア機構は, 複雑な教師なし学習を支援するために, 効果的にニューロモルフィックアーキテクチャに変換できることが示唆された。 より広範に、この研究はニューロモルフィックシステムの設計空間をより複雑な学習タスクへと拡張するヘテロジニアスおよび拡張可能なニューロンモデルの可能性を強調している。

関連論文リスト

• Neuronal Group Communication for Efficient Neural representation [85.36421257648294]
  本稿では, 効率的な, モジュラー, 解釈可能な表現を学習する, 大規模ニューラルシステムの構築方法に関する問題に対処する。 本稿では、ニューラルネットワークを相互作用する神経群の動的システムとして再認識する理論駆動型フレームワークである神経グループ通信(NGC)を提案する。 NGCは、重みを埋め込みのようなニューロン状態間の過渡的な相互作用として扱い、神経計算はニューロン群間の反復的なコミュニケーションを通じて展開する。
  論文  参考訳（メタデータ） (2025-10-19T14:23:35Z)
• Spiking World Model with Multi-Compartment Neurons for Model-based Reinforcement Learning [6.0483672878162515]
  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、アルゴリズムの設計と知覚の応用において大きな研究の注目を集めている。 しかし、意思決定領域におけるその可能性、特にモデルに基づく強化学習については、未解明のままである。 本稿では,複数の樹状体源からの情報を非線形に積分し,長い逐次入力を動的に処理できるマルチコンパートメントニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-02T03:40:10Z)
• 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)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• 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)
• Advancing Spatio-Temporal Processing in Spiking Neural Networks through Adaptation [6.233189707488025]
  ニューロモルフィックハードウェア上のニューラルネットワークは、非喫煙者よりも消費電力の少ないオーダーを約束する。 このようなシステム上でのスパイクベースの計算のための標準的なニューロンモデルは、長い間、統合と火災(LIF)ニューロンであった。 いわゆるアダプティブLIFニューロンの根源はよく分かっていない。
  論文  参考訳（メタデータ） (2024-08-14T12:49:58Z)
• 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)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。