論文の概要: ChroNoC: A Tableless TDM Circuit-Switched NoC With Delay-Aware Deployment for Time-Sensitive Neuromorphic Computing

• arxiv url: http://arxiv.org/abs/2610.34083v1
• Date: Sun, 25 Oct 2026 05:51:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.531647
• Title: ChroNoC: A Tableless TDM Circuit-Switched NoC With Delay-Aware Deployment for Time-Sensitive Neuromorphic Computing
• Title（参考訳）: ChroNoC: 時間知覚ニューロモルフィックコンピューティングのための遅延対応のテーブルレスTDM回路スイッチングNoC
• Abstract要約: ChroNoCはテーブルレスのTDM NoCで、事前に計算された全グリッドの放送木を固定されたルーティング基板として組み合わせたロジックに埋め込む。 DARSAは軸索遅延を周期的なスケジューリングスラックからスタガーネットワークインジェクションに変換し、通信オーバーヘッドを低減する。
• 参考スコア（独自算出の注目度）: 0.5097809301149341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-sensitive neuromorphic architectures require predictable interconnects to preserve precise event timing. Statically scheduled time-division-multiplexed (TDM) circuit-switched networks-on-chip (NoCs) provide deterministic latency at the cost of linear configuration-memory scaling with schedule depth. Furthermore, jointly optimizing task placement, routing, and scheduling creates an intractable combinatorial search space. Existing deployment frameworks also ignore algorithmic axonal delays by forcing immediate spike injections that increase network contention. This paper proposes a hardware-software co-design to address these challenges. ChroNoC is a tableless TDM NoC that embeds precomputed full-grid broadcast trees into combinational logic as a fixed routing substrate. This fixed substrate reduces deployment to a spatial search via Delay-Aware Reservations and Spatial Annealing (DARSA). DARSA converts axonal delays into periodic scheduling slack to stagger network injections and reduce communication overhead. In a 130nm CMOS process, ChroNoC reduces per-hop energy consumption by more than 75% relative to the evaluated circuit- and packet-switched baselines. On UCI-HAR and N-MNIST workloads, DARSA reduces per-timestep communication cycles by approximately 60% and 45%, respectively, compared with immediate transmission, while also reducing provisioned communication memory. These results demonstrate how combining lightweight TDM switch design with delay-aware deployment improves both hardware efficiency and system-level communication performance while preserving neural event timing.
• Abstract（参考訳）: 時間に敏感なニューロモルフィックアーキテクチャは、正確なイベントタイミングを維持するために予測可能な相互接続を必要とする。 静的にスケジュールされた時間分割多重化(TDM)回路スイッチングネットワークオンチップ(NoCs)は、線形構成-メモリスケーリングとスケジュール深度を犠牲にして決定論的レイテンシを提供する。 さらに、タスク配置、ルーティング、スケジューリングを共同で最適化することで、難解な組合せ探索空間が生成される。 既存のデプロイメントフレームワークは、ネットワーク競合を増加させる即時スパイクインジェクションを強制することにより、アルゴリズムの軸索遅延も無視する。 本稿では,これらの課題に対処するハードウェア・ソフトウェア共同設計を提案する。 ChroNoCはテーブルレスのTDM NoCで、事前に計算された全グリッドの放送木を固定されたルーティング基板として組み合わせたロジックに埋め込む。 この固定基板は、DARSA(Delay-Aware Reservation and Spatial Annealing)を介して空間探索への展開を減らす。 DARSAは軸索遅延を周期的なスケジューリングスラックからスタガーネットワークインジェクションに変換し、通信オーバーヘッドを低減する。 130nmのCMOSプロセスでは、ChroNoCは評価された回路およびパケットスイッチングベースラインと比較してホップ当たりのエネルギー消費を75%以上削減する。 UCI-HARとN-MNISTのワークロードでは、DARSAは、即時送信と比較して、タイムステップ毎の通信サイクルを約60%と45%削減すると同時に、プロビジョニングされた通信メモリも削減する。 これらの結果は、軽量なTDMスイッチ設計と遅延対応デプロイメントを組み合わせることで、ニューラルイベントタイミングを保ちながら、ハードウェア効率とシステムレベルの通信性能が向上することを示す。

関連論文リスト

• Congestion-Aware Dynamic Axonal Delay for Spiking Neural Networks [11.139375968984156]
  スパイキングニューラルネットワーク(SNN)は、時間的およびイベント駆動の情報モデリングと処理のためのエネルギー効率のパラダイムとして広く見なされている。 本稿では,時間的構造化のためのチャネル単位の静的ベース遅延に遅延を分解するCADAD機構を提案する。 Spiking Heidelbergデータセットを含む音声ベンチマークの実験では、シナプス信号伝達における混雑を考慮した遅延が時間的タスクの精度を効果的に向上することを示した。
  論文  参考訳（メタデータ） (2026-05-02T07:00:54Z)
• Orchestrating Multimodal DNN Workloads in Wireless Neural Processing [57.510786937781866]
  エッジ推論では、無線リソース割り当てとアクセラレータディープ・ニューラル・コンピューティング(DNN)のスケジューリングはまだエンドツーエンドで共最適化されていない。 本稿では,無線伝送とマルチコア実行を一貫したエンドツーエンドパイプラインに統合するパラダイムについて検討する。
  論文  参考訳（メタデータ） (2026-03-02T17:25:43Z)
• Q-Learning-Based Time-Critical Data Aggregation Scheduling in IoT [3.361625512902259]
  Internet of Things(IoT)ネットワークにおける時間クリティカルなデータアグリゲーションは、効率的で衝突のないスケジューリングを必要とする。 二相木構築とスケジューリングの伝統的な手法は、しばしば高い計算オーバーヘッドと最適以下の遅延に悩まされる。 本稿では,集約木の構築とスケジューリングを統一する新しいQラーニングフレームワークを提案し,拡張性のためのハッシュ状態を持つマルコフ決定プロセス(MDP)としてプロセスをモデル化する。
  論文  参考訳（メタデータ） (2025-10-29T15:46:21Z)
• Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks (Journal Version) [50.894272363373126]
  密接な接続を特徴とする無線ネットワークでは、分散リンクスケジューリングアルゴリズムによって発生する重要な信号のオーバーヘッドは、混雑、エネルギー消費、無線フットプリント拡張といった問題を悪化させる可能性がある。 ネットワーク容量を維持しながら遅延耐性トラフィックのスケジューリングオーバーヘッドを低減するために,グラフニューラルネットワーク(GNN)を用いた分散リンクスカラー化方式を提案する。 GNNモジュールは、トラフィック統計とネットワークトポロジに基づいて、個々のリンクに対する競合しきい値を調整するように訓練されており、成功しそうもない場合には、リンクがスケジュール競合から撤退することを可能にする。
  論文  参考訳（メタデータ） (2025-09-05T18:59:14Z)
• Silentflow: Leveraging Trusted Execution for Resource-Limited MPC via Hardware-Algorithm Co-design [6.998260344481881]
  我々はCOT生成における通信を排除するプロトコルであるSilentflowを紹介する。 エンドツーエンドのレイテンシとリソース要求のバランスをとり、最先端のプロトコルよりも39.51倍のスピードアップを実現しています。
  論文  参考訳（メタデータ） (2025-08-18T21:00:10Z)
• CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
  本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。 提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2025-08-15T07:49:22Z)
• Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
  本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。 圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。 その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-03-17T08:37:22Z)
• EdgeBERT: Sentence-Level Energy Optimizations for Latency-Aware Multi-Task NLP Inference [82.1584439276834]
  BERTのようなトランスフォーマーベースの言語モデルでは、自然言語処理(NLP)タスクの精度が大幅に向上する。 We present EdgeBERT, a in-deepth algorithm- hardware co-design for latency-aware energy optimization for multi-task NLP。
  論文  参考訳（メタデータ） (2020-11-28T19:21:47Z)

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。