論文の概要: Neuromorphic Pseudo-Random Number Generators with a Low Power Hardware Implementation

• arxiv url: http://arxiv.org/abs/2610.00719v1
• Date: Wed, 30 Sep 2026 21:10:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.768296
• Title: Neuromorphic Pseudo-Random Number Generators with a Low Power Hardware Implementation
• Title（参考訳）: 低消費電力ハードウェア実装によるニューロモルフィック擬似乱数発生装置
• Abstract要約: 擬似ランダム数生成は、数列を生成するために、品質、消費電力、帯域幅のトレードオフを必要とすることが多い。 本稿では、これらのカオス平衡状態の計算モデルが低消費電力ハードウェアにおけるニューロモルフィック擬似乱数発生器(NPRNG)に利用できるかどうかを検討する。 我々は,低消費電力FPGAで容易に実装可能な漏洩積分・発火ニューロンからなるバランスの取れたスパイクニューラルネットワークモデルの構築に成功した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pseudo-random number generation often requires trade-offs among quality, power consumption, and bandwidth to produce unpredictable sequences of numbers. The brain, on the other hand, efficiently generates unpredictable output complex network dynamics occurring in a high-dimensional state. This state, which is hypothesized to be chaotic, relies on the balance between excitation and inhibition. Here, we investigated if computational models of these chaotic balanced states can be harnessed for Neuromorphic Pseudo-Random Number Generators (NPRNGs) in low power hardware. We successfully constructed a balanced spiking neural network model consisting of leaky-integrate-and-fire neurons that could be readily implemented in low power FPGAs and used as a NPRNG. The prototyped NPRNG consumed 3.24 mW during operation and produced pseudo-random numbers at 120kbps. In both hardware and software instantiations, NPRNGs produce high-quality random numbers as validated by standard metrics for testing RNG quality.
• Abstract（参考訳）: 擬似ランダム数生成は、予測不可能な数列を生成するために、品質、消費電力、帯域幅のトレードオフを必要とすることが多い。 一方、脳は高次元状態で発生する予測不可能な出力複雑なネットワークダイナミクスを効率的に生成する。 この状態はカオスであると仮定され、励起と抑制のバランスに依存する。 本稿では,これらのカオス平衡状態の計算モデルが低消費電力ハードウェアにおけるニューロモルフィック擬似擬似乱数発生器(NPRNG)に利用できるかどうかを検討した。 我々は、低消費電力FPGAで容易に実装でき、NPRNGとして使用できる漏れ積分・発火ニューロンからなるバランスの取れたスパイクニューラルネットワークモデルの構築に成功した。 NPRNGは動作中に3.24mWを消費し、120kbpsで擬似ランダム数を生成する。 ハードウェアとソフトウェアの両方のインスタンス化において、NPRNGはRNGの品質をテストするための標準メトリクスによって検証されるような、高品質な乱数を生成する。

関連論文リスト

• Engineering a Phase-Noise-Based Quantum Random Number Generator for Real-Time Secure Applications: Design, Validation, and Scalability [0.0]
  本研究は,QRNG(Quantum Random Number Generators)システムを提案する。 単一周波数レーザーの量子位相ノイズをタップし、自然発振によるランダム性を持つ。 このシステムは、処理後開発レート1.0$Gbpsの動作を実現し、TRL 8に近づいた7の技術準備レベル(TRL)を達成する。
  論文  参考訳（メタデータ） (2026-04-01T11:12:31Z)
• Securing generative artificial intelligence with parallel magnetic tunnel junction true randomness [1.395525296189632]
  生成人工知能(GAI)モデルは、攻撃者による搾取に弱い予測可能なパターンを生成する。 そこで本研究では,スピントランスファートルク磁気トンネル接合(STT-MTJ)からハードウェア生成した真のランダムビットを埋め込み,その課題に対処する。 高並列なFPGA支援型プロトタイプコンピュータシステムでは、メガビット/秒の真の乱数が得られる。 CIFAR-10でトレーニングされた生成逆数ネットワーク(GAN)にハードウェアランダムビットを統合すると、低品質な乱数発生器(RNG)のベースラインに比べて、安全でない出力を最大18.6倍削減できる。
  論文  参考訳（メタデータ） (2025-10-02T02:26:48Z)
• Modulator-free, self-testing quantum random number generator [0.0]
  量子乱数生成器(QRNG)は、真のランダム性を生成するために、量子力学の固有の予測不可能性を使用する。 本研究では,信頼できない測定装置と部分的に特徴のあるソースで操作可能な,実用的で自己検査可能なQRNGを提案する。
  論文  参考訳（メタデータ） (2025-07-16T15:39:29Z)
• Noise-resistant adaptive Hamiltonian learning [30.632260870411177]
  データ解析と量子状態シミュレーションのための適応型ハミルトン学習(AHL)モデルを提案し、低効率性などの問題を克服する。 AHLに基づく雑音耐性量子ニューラルネットワーク(RQNN)を開発した。
  論文  参考訳（メタデータ） (2025-01-14T11:12:59Z)
• Data Analysis Methods Preliminaries for a Photon-based Hardware Random Number Generator [39.58317527488534]
  Minecraftはゲームには最適ですが、サイバーセキュリティ暗号化キー生成には向いていません。 PRNGは予測不可能な現象を数や文字列に定量化し、アルゴリズムに入力することでランダムな数を生成する。 ハードウェア乱数生成器(HRNG)を用いることで、PRNGの欠陥に影響を受けない乱数を高速に得ることができる。
  論文  参考訳（メタデータ） (2024-04-15T00:47:17Z)
• To what extent are multiple pendulum systems viable in pseudo-random number generation? [0.0]
  本稿では,代替擬似乱数生成器(PRNG)の開発と実現可能性について検討する。 従来のPRNG(特にJava.Randomクラスで実装されたもの)は、エクスプロイラビリティを引き起こす予測可能性に悩まされている。 本研究では,通常の微分方程式,物理モデリング,カオス理論を用いて設計された新しいPRNGを提案する。
  論文  参考訳（メタデータ） (2024-04-15T00:28:51Z)
• Partial Loopholes Free Device Independent Quantum Random Number Generator Using IBM's Quantum Computers [0.24578723416255752]
  本研究では、CHSHの不等式違反を利用して、デバイス独立な量子乱数を生成する方法を提案する。 CHSHテストに対する各量子コンピュータの性能をプロットし、評価した。 本研究は,量子コンピュータを用いた自己テストおよび半自己テストランダム数生成器の開発に向けた新たな方向性を提供する。
  論文  参考訳（メタデータ） (2023-09-11T08:34:45Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Quantum Random Number Generation using a Solid-State Single-Photon Source [89.24951036534168]
  量子乱数生成(QRNG)は、量子力学現象の固有乱数性を利用する。 六方晶窒化ホウ素の量子エミッタによるQRNGの実証を行った。 本研究は,オンチップ決定性乱数生成器の製作への新たな道を開くものである。
  論文  参考訳（メタデータ） (2020-01-28T22:47:43Z)

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。