論文の概要: Hardware-Matched Spiking Neural Networks for Real-Time Purkinje Cell Spike Classification

• arxiv url: http://arxiv.org/abs/2610.37104v1
• Date: Tue, 27 Oct 2026 12:05:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.267072
• Title: Hardware-Matched Spiking Neural Networks for Real-Time Purkinje Cell Spike Classification
• Title（参考訳）: リアルタイムPurkinjeセルスパイク分類のためのハードウェアマッチングスパイクニューラルネットワーク
• Abstract要約: この研究は、ターゲットハードウェアと一致する2つのコンパクトスパイクニューラルネットワーク(SNN)を提示する。 マイクロコントローラでは、MVPアクセラレーションはConvSNNのレイテンシを62.3%削減し、推定バッテリー寿命を50mAhのバッテリーで33.73時間に延長する。 SKY130では、StreamSNNは0.173mm$2$を占め、1イベントあたり0.46$Jを消費し、8.3msのエンドツーエンドのレイテンシで0.2msの計算を行う。
• 参考スコア（独自算出の注目度）: 0.10993800728351738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distinguishing Purkinje cell (PC) simple spikes (SSs) from complex spikes (CSs) is key to studying cerebellar function. PC recordings commonly rely on wired headstages, whose tethers restrict natural movement in freely behaving animals. Untethered headstages remove this constraint, but cannot continuously transmit raw recordings within their power budgets, making on-headstage spike classification an attractive form of compression, provided it runs accurately in real time on constrained hardware. This work presents two compact spiking neural networks (SNNs) matched to their target hardware: ConvSNN, which maps to the Matrix Vector Processor (MVP) of an EFM32PG28 microcontroller, and StreamSNN, which processes one waveform value per timestep using learned time constants and fixed synaptic delays for a dedicated SKY130 circuit. Evaluated on cells unseen during training, ConvSNN achieves a CS F1 of 0.873 with 1,018 parameters and StreamSNN 0.837 with 527 parameters, both with eight-bit weights. On the microcontroller, MVP acceleration reduces ConvSNN latency by 62.3\% and extends estimated battery life to 33.73~hours on a 50~mAh battery. In SKY130, StreamSNN occupies 0.173~mm$^2$ and consumes 0.46~$μ$J per event, with 0.2~ms of computation within an 8.3~ms end-to-end latency.
• Abstract（参考訳）: 複雑なスパイク (CS) からプルキンエ細胞 (PC) の単純なスパイク (SS) を除去することが小脳機能の研究の鍵となる。 PC録音は通常、有線ヘッドステージに頼り、テザーは自由に動く動物の自然な動きを制限する。 非テザリングヘッドステージは、この制約を除去するが、その電力予算内で生記録を継続的に送信することはできず、制約されたハードウェア上で正確に動作する場合、ヘッドステージスパイク分類を魅力的な圧縮形式にする。 本研究では,EMF32PG28マイクロコントローラの行列ベクトルプロセッサ(MVP)にマップするConvSNNと,専用SKY130回路の学習時間定数と固定シナプス遅延を用いて,タイムステップ毎の波形値を処理するStreamSNNという2つの小型スパイクニューラルネットワーク(SNN)を提案する。 ConvSNNはトレーニング中に見つからない細胞で評価され、1,018パラメータのCS F1と527パラメータのStreamSNN 0.837と8ビット重みのCS F1を達成している。 マイクロコントローラでは、MVPアクセラレーションはConvSNNのレイテンシを62.3\%削減し、推定バッテリー寿命を50~mAhのバッテリーで33.73〜24時間に延長する。 SKY130では、StreamSNNは0.173〜mm$^2$を占め、1イベントあたり0.46〜μ$Jを消費し、8.3〜msのエンドツーエンドレイテンシで0.2〜msの計算を行う。

関連論文リスト

• Beyond Model Size: Redesigning LiSenNet for embedded speech enhancement [1.5469452301122175]
  音声強調ネットワークはパラメータ数とMACを名目上マイクロコントローラに適したレベルに減らしている。 我々は、STM32N6570-DK Neural-ARTアクセラレータのために、37kパラメータのサブバンドデュアルパスモデルであるLiSenNetを再設計することで、このギャップに対処する。 我々は、リカレントボトルネックを畳み込み周波数と時間ミキサーに置き換え、非サポート操作を静的な int8互換プリミティブとして再構成し、量子化後の品質を維持するために有界デコーダアクティベーションを使用する。
  論文  参考訳（メタデータ） (2026-09-24T14:24:43Z)
• VC-Attention: Value Smoothing and Softmax Casting for Low-bit Attention [47.30761996669105]
  トレーニング不要な低ビットアテンションフレームワークであるVC-Attentionを提案する。 V-Smoothは、オンラインの軽量クラスタリングによってバリュートークンを再注文するので、融合ハードウェアブロック内のトークンは、共に量子化される。 ログドメインのスコアを直接E4M3確率符号に1つの融合乗算加算でマッピングし、FP32指数関数とフォーマット変換を排除した。
  論文  参考訳（メタデータ） (2026-09-14T16:17:35Z)
• DBNN: Neural Spike Classification Using a Deep Binarized Neural Network [1.0036312061637764]
  内蔵可能な脳-コンピュータインタフェースは、テレメトリの帯域幅と電力を削減するために、オンノードスパイクソートを必要とする。 本稿では,256個のニューロンを持つ2層隠れ層を有するハードウェア指向のディープバイナライズニューラルネットワーク(DBNN)スパイクソートシステムを提案する。 提案した分類器は、実装コストを削減するために16サンプルスパイク波形をコンパクトに動作させる。
  論文  参考訳（メタデータ） (2026-07-06T19:41:50Z)
• Compression and Inference of Spiking Neural Networks on Resource-Constrained Hardware [0.2226043394835212]
  スパイキングニューラルネットワーク(SNN)は、連続的なアクティベーションではなく、離散的なスパイクを介して時間内に通信する。 エッジデバイス上でのSNN推論のための軽量なC言語ランタイムを提案する。 我々は,無活動ニューロンやシナプスを刺激するスパーススパイク活性を利用して,上流の畳み込み層での計算を縮小する。
  論文  参考訳（メタデータ） (2025-11-15T10:02:23Z)
• Neural-HAR: A Dimension-Gated CNN Accelerator for Real-Time Radar Human Activity Recognition [5.400353553418959]
  本稿では,資源制約のあるプラットフォーム上でのリアルタイムレーダHARに適した次元ゲート型CNNアクセラレータを提案する。 GateCNNの精度は86.4%で、パラメータは2.7kで、推論あたり0.28M FLOPはCNN-BiGRUに匹敵する。 Xilinx Zynq-7000 Z-7007SのFPGAプロトタイプは、LUTベースのROMと分散RAMのみを使用した107.5$mu$sレイテンシと15mWのダイナミックパワーを実現しました。
  論文  参考訳（メタデータ） (2025-10-26T17:42:28Z)
• Towards High-performance Spiking Transformers from ANN to SNN Conversion [43.53538629484375]
  スパイクニューラルネットワーク(SNN)は、そのエネルギー効率、高速処理能力、ロバスト性によって大きな可能性を秘めている。 現在の変換方法は、主に畳み込みニューラルネットワーク(CNN)をSNNに変換することに焦点を当てている。 本稿では,変換の精度を維持するための期待補償モジュールを提案する。
  論文  参考訳（メタデータ） (2025-02-28T16:12:37Z)
• Spiker+: a framework for the generation of efficient Spiking Neural Networks FPGA accelerators for inference at the edge [49.42371633618761]
  Spiker+はFPGA上で、エッジでの推論のために効率よく、低消費電力で、低領域でカスタマイズされたSpking Neural Networks(SNN)アクセラレータを生成するためのフレームワークである。 Spiker+ は MNIST と Spiking Heidelberg Digits (SHD) の2つのベンチマークデータセットでテストされている。
  論文  参考訳（メタデータ） (2024-01-02T10:42:42Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• Sparse Compressed Spiking Neural Network Accelerator for Object Detection [0.1246030133914898]
  スパイキングニューラルネットワーク(SNN)は、人間の脳にインスパイアされ、バイナリスパイクと非常にスパースなアクティベーションマップを送信する。 本稿では, 活性化マップと重みの疎度を生かした, スパース圧縮スパイクニューラルネットワーク加速器を提案する。 ニューラルネットワークの実験結果は、71.5$%$mAPで、ISV 3clsデータセットの混合(1,3)タイムステップを示している。
  論文  参考訳（メタデータ） (2022-05-02T09:56:55Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• Event-Based Angular Velocity Regression with Spiking Networks [51.145071093099396]
  スパイキングニューラルネットワーク(SNN)は、数値ではなく時間スパイクとして伝達される情報を処理する。 本稿では,イベントカメラから与えられた事象の時間回帰問題を初めて提案する。 角速度回帰を行うためにSNNをうまく訓練できることが示される。
  論文  参考訳（メタデータ） (2020-03-05T17:37:16Z)

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。