論文の概要: Migrate Computation, Not Data: Fault Recovery in Neuromorphic Many-Core Systems

• arxiv url: http://arxiv.org/abs/2610.26985v1
• Date: Mon, 19 Oct 2026 04:59:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.413462
• Title: Migrate Computation, Not Data: Fault Recovery in Neuromorphic Many-Core Systems
• Title（参考訳）: データではなくミグレート計算:ニューロモルフィック多コアシステムにおける故障回復
• Abstract要約: SpikeRelayは、診断された計算ユニット障害に対するオンラインリカバリフレームワークである。 多くのニューロモルフィックコアにおいて、計算データパス、局所計算、ルータは異なるモジュールであるという事実を利用する。 SpikeRelayは92.2%で100%回復し、50%のフォールトレートを維持し、最高のベースラインは22.1%しか達成していない。
• 参考スコア（独自算出の注目度）: 24.949194975096486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As neuromorphic systems scale to thousands of near-memory cores, aging-induced permanent faults in neuron-update datapaths become an important obstacle to long-term deployment. Existing online recovery methods typically retire a faulty core and migrate its neurons, along with their weights and membrane states, to healthy cores. This whole-core treatment incurs high recovery traffic and makes recovery depend on scarce destinations; at high utilization, there may be enough surviving compute capacity but insufficient free storage to copy the affected neuron context. This paper presents SpikeRelay, an online recovery framework for diagnosed compute-unit faults. SpikeRelay exploits the fact that, in many neuromorphic cores, the compute datapath, local SRAM, and router are distinct modules: a compute fault need not destroy stored weights and states or disconnect the core from the NoC. Instead of retiring a faulty core and migrating its neuron data, SpikeRelay converts the faulty core into a storage-and-forwarding node while offloading neuron-update computation to a healthy rescue core. This decoupling of storage and computation eliminates recovery-time data migration and greatly reduces spare-SRAM requirements. Consequently, SpikeRelay sustains 100\% recovery at 92.2\% SRAM utilization and a 50\% fault rate, whereas the best baseline achieves only 22.1\%.
• Abstract（参考訳）: ニューロモルフィックシステムは数千のニアメモリコアにスケールするので、ニューロン更新データパスの老化によって引き起こされる永久障害は、長期展開にとって重要な障害となる。 既存のオンラインリカバリ手法は通常、欠陥のあるコアをリタイアし、その重みや膜状態とともにニューロンを健康なコアに移行させる。 この中心的な治療は、高い回復トラフィックを発生させ、ほとんど行き先に依存するが、高い利用率では、影響したニューロンのコンテキストをコピーするのに十分な計算能力しか持たない。 本稿では,コンピュータユニット故障診断のためのオンラインリカバリフレームワークであるSpikeRelayを提案する。 SpikeRelayは、多くのニューロモルフィックコアにおいて、計算データパス、ローカルSRAM、ルータが異なるモジュールであるという事実を利用している。 欠陥のあるコアをリタイアして、そのニューロンデータを移行する代わりに、SpikeRelayは、障害のあるコアを、正常な救済コアにニューロン更新計算をオフロードしながら、ストレージとフォワードのノードに変換する。 このストレージと計算の分離は、リカバリ時のデータマイグレーションをなくし、予備SRAM要求を大幅に削減する。 その結果、SpikeRelayは92.2\%のSRAM利用率で100\%のリカバリと50\%のフォールトレートを維持し、最高のベースラインは22.1\%しか達成していない。

関連論文リスト

• Gated KalmaNet: A Fading Memory Layer Through Test-Time Ridge Regression [53.48692193399171]
  Gated KalmaNet(GKA)は、次のトークンを予測する際に、すべての過去を説明することによってギャップを低減するレイヤである。 テスト時間におけるオンラインリッジ回帰問題を一定メモリと線形計算コストで解決する。 ロングコンテキストでは、GKAは現実世界のRAGタスクとLongQAタスクを最大128kトークンまで拡張し、他の薄型メモリベースラインよりも10ドル%以上の相対的な改善を実現している。
  論文  参考訳（メタデータ） (2025-11-26T03:26:37Z)
• A Recovery Guarantee for Sparse Neural Networks [55.65046795628564]
  我々はReLUニューラルネットワークにおけるスパースリカバリの最初の保証を証明した。 性能は高いがメモリ非効率なベースラインと競合し、しばしば上回っている。
  論文  参考訳（メタデータ） (2025-09-24T17:10:48Z)
• AR-LIF: Adaptive reset leaky integrate-and-fire neuron for spiking neural networks [19.595600625488004]
  スパイクニューラルネットワークは、イベント駆動性のため、低エネルギー消費を提供する。 我々は、入力、出力、リセットの関係を確立する適応リセットニューロンを設計する。 実験結果から, 省エネ性を維持しつつ, 優れた性能が得られた。
  論文  参考訳（メタデータ） (2025-07-28T11:54:48Z)
• Multi Part Deployment of Neural Network [0.17205106391379024]
  本稿では,複数のサーバにまたがるニューラルネットワークを分割する分散システムアーキテクチャを提案する。 Multi-Part Neural Network Execution Engineは、分散パーティション間のシームレスな実行とトレーニングを容易にする。 Neuron Distributorモジュールは、ニューロン数、パーセンテージ、識別子、ネットワーク層に基づく柔軟なパーティショニング戦略を可能にする。
  論文  参考訳（メタデータ） (2025-06-02T07:24:29Z)
• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• EMN: Brain-inspired Elastic Memory Network for Quick Domain Adaptive Feature Mapping [57.197694698750404]
  本稿では,特徴と予測のマッピングを高速に微調整するための,勾配のない新しいElastic Memory Networkを提案する。 EMNはランダムに結合したニューロンを用いて特徴とラベルの関連を記憶し、ネットワーク内のシグナルはインパルスとして伝播する。 EMNは、従来のドメイン適応手法の1%以下のタイミングコストしか必要とせず、最大10%の性能向上を達成することができる。
  論文  参考訳（メタデータ） (2024-02-04T09:58:17Z)
• NeuralFuse: Learning to Recover the Accuracy of Access-Limited Neural Network Inference in Low-Voltage Regimes [50.00272243518593]
  ディープラーニング(Deep Neural Network, DNN)は、機械学習においてユビキタスになったが、そのエネルギー消費は問題の多いままである。 我々は低電圧状態におけるエネルギー精度のトレードオフを処理する新しいアドオンモジュールであるNeuralFuseを開発した。 1%のビットエラー率で、NeuralFuseはアクセスエネルギーを最大24%削減し、精度を最大57%向上させることができる。
  論文  参考訳（メタデータ） (2023-06-29T11:38:22Z)
• FreshGNN: Reducing Memory Access via Stable Historical Embeddings for Graph Neural Network Training [41.85974344854774]
  大規模で現実的なグラフ上でグラフニューラルネットワーク(GNN)モデルをトレーニングする際の重要なパフォーマンスボトルネックは、ノード機能をGPUにロードすることだ。 本稿では,GNNノードの埋め込みを格納・再利用するための履歴キャッシュを活用する,汎用的なGNNミニバッチトレーニングフレームワークであるFreshGNNを提案する。 FreshGNNはogbn-papers100MやMAG240Mなどのグラフデータセットのトレーニング速度を3.4倍から20.5倍に高速化し、メモリアクセスを59%削減する。
  論文  参考訳（メタデータ） (2023-01-18T12:51:13Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。