論文の概要: FPGAFly: A 166.7k-Neuron Fruit-Fly Connectome on One FPGA via Deferred Spike Expansion and Shared-Codeword States
- arxiv url: http://arxiv.org/abs/2610.38118v1
- Date: Wed, 28 Oct 2026 00:53:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 18:51:47.825658
- Title: FPGAFly: A 166.7k-Neuron Fruit-Fly Connectome on One FPGA via Deferred Spike Expansion and Shared-Codeword States
- Title（参考訳）: FPGAFly:Deferred Spike ExpansionとShared-Codeword Statesによる1つのFPGA上の166.7kのFruit-Fly Connectome
- Abstract要約: FPGAFlyは166.7k-neuron、25.6M-connection integration-and-fire male central nervous system (CNS) Connectomeを1つのFPGA上で動作させる。
Gowin5 GWAST-LV138の80MHzでは、平均86.83ms、2000テストで93.05msの範囲で100msのウィンドウが終了する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Synapse-resolution fruit-fly (Drosophila) connectomes enable neuron-by-neuron simulation of entire insect nervous systems, yet whole-brain models still require computationally demanding software or multiple neuromorphic chips, and single FPGAs support only small or statistical networks. Scaling to the full connectome, per-synapse spike expansion scales queue traffic with fan-out up to 11.2k, while 41-bit neuron states require 6.83 Mbit, exceeding the 6.27 Mbit on-chip block static RAM (BSRAM) of the target device. FPGAFly runs the 166.7k-neuron, 25.6M-connection leaky integrate-and-fire male central nervous system (CNS) connectome on one FPGA. Order-preserving deferred expansion queues one 64-bit descriptor per spike in source-ID order, cutting external memory traffic by 54.5%-57.9% and peak queue data by 95.6%-96.5% with bit-identical results. A 24-bit encoding shares codewords across normal, refractory, and quantized out-of-range states, reducing BSRAM usage from 438 to 270 with 1245 extra LUTs and zero changes across 10,000 MNIST predictions. At 80 MHz on a Gowin GW5AST-LV138, each 100 ms window finishes in 86.83 ms on average and within 93.05 ms across 2000 tests, realizing the first complete Drosophila CNS connectome simulation on one FPGA.
- Abstract（参考訳）: シナプス分解能のあるショウジョウバエ(ショウジョウバエ)コネクトームは、全昆虫神経系のニューロン・バイ・ニューロンシミュレーションを可能にするが、全脳モデルでは計算要求のソフトウェアや複数のニューロモルフィックチップが必要であり、単一のFPGAは小さなネットワークや統計ネットワークのみをサポートする。
完全なコネクトームへのスケーリングでは、シナプスごとのスパイク展開はファンアウトで11.2kまでのキュートラフィックをスケールするが、41ビットのニューロン状態は6.83Mbitを必要とし、ターゲットデバイスの6.27Mbitオンチップブロック静的RAM(BSRAM)を超える。
FPGAFlyは166.7k-neuron、25.6M-connection leaky integration-and-fire male central nervous system (CNS) Connectomeを1つのFPGA上で動作させる。
順序保存遅延拡張キューは、ソースIDのスパイク毎の64ビットディスクリプタを1つ、外部メモリトラフィックを54.5%-57.9%、ピークキューデータを95.6%-96.5%削減する。
24ビット符号化は、通常の、屈折、量子化されたアウト・オブ・レンジの状態をコードワードで共有し、BSRAMの使用を438から270に減らし、1245のLUTと1万のMNIST予測をゼロに変更した。
Gowin GW5AST-LV138上の80MHzでは、100msのウィンドウは平均86.83msで終了し、2000テストで93.05ms以内で終了し、1つのFPGA上で最初の完全なショウジョウバエCNSコネクトームシミュレーションを実現する。
関連論文リスト
- Experimental Benchmarking of a 256-Qubit Room-Temperature NV-Diamond Quantum Processor with an Optically Programmable Biomolecular Quantum Bus [0.6999740786886536]
ゼウス256(Zeus-256)は、室温窒素空洞(NV)ダイアモンドプロセッサで、256個のアクティブなプロセッサレベルの論理量子ビットを持つ。
各論理量子ビットは、NV電子スピンアンサンブルと核スピンメモリと補助資源を結合する。
OpenQASM 2.0回路はRFSoC制御マイクロ波、高周波、光、タイミング、測定、バス構成シーケンスに変換される。
論文 参考訳（メタデータ） (2026-10-13T12:10:06Z) - Universal Fractal Natural Language Decision Map: Real-Time Edge Triage Across Heterogeneous Domains [0.0]
拡張マンデルブロットフラクタル神経合成(Dagli et al., 2026)
本稿では,Werrマシンネイティブエッジ反射ランタイムと実運用対応プラットフォームを通じて実現されたユニバーサルフラクタル自然言語決定マップを提案する。
エンジンは、24バイトの座標シードを動的に変調することで、決定論的決定(-noul (Boolean))、選択(カテゴリ)、スコア(ordinal)を合成する。
論文 参考訳（メタデータ） (2026-09-21T23:57:31Z) - Adaptive AI: Energy Efficient Multi-exit TinyML on Intelligent Vision Systems at the Edge [46.72621664884568]
エッジデバイス向けの従来のTinyMLシステムは、一定数の乗算累積(MAC)演算を必要とする固定深度モデルに依存することにより、高い精度を達成する。
このアプローチは、バッテリ駆動のIoT(Internet-of-Things)デバイスにおいて重要なリソースを無駄にし、エッジサイバー物理システムのリアルタイムパフォーマンスを制限する。
我々は、ImageNet-100分類タスクのためのMobileNetV2畳み込みニューラルネットワーク(CNN)上で、新しいマルチエクイット計算方式を導入する。
論文 参考訳（メタデータ） (2026-07-07T08:48:19Z) - ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems [51.56484100374058]
LongMemEval-500では、ZenBrainは長いコンテキストのオラクルのバイナリ・ジャッジの精度を4.5pp以内と一致させる。
ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
論文 参考訳（メタデータ） (2026-04-26T20:39:19Z) - Making Room for AI: Multi-GPU Molecular Dynamics with Deep Potentials in GROMACS [0.050188155804360805]
MDスループットでほぼ量子精度を追求するAI駆動の原子間ポテンシャルは、現在大きな課題となっている。
MLIPフレームワークであるDeePMD-kitをGROMACSに統合し、ドメイン分解GPU高速化推論を可能にする。
強いスケーリング効率は16デバイスで66%、32デバイスで40%、弱いスケーリング効率は80%から16デバイスで48%(MI250x)、32デバイスで40%(A100)に達する。
論文 参考訳（メタデータ） (2026-04-08T16:40:08Z) - FlashSchNet: Fast and Accurate Coarse-Grained Neural Network Molecular Dynamics [36.3434800328807]
SchNetのようなグラフニューラルネットワーク(GNN)のポテンシャルは、分子動力学(MD)シミュレーションの精度と伝達性を改善する。
我々は,高帯域メモリ(HBM)とオンチップ間の読み書きを慎重に考慮し,GNN-MD IOを意識する原理を欠いていることを示す。
提案するFlashSchNetは,4つの技術をベースに構築された,効率よく正確なIO対応GNN-MDフレームワークである。
論文 参考訳（メタデータ） (2026-02-13T17:49:12Z) - LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。
本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。
本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文 参考訳（メタデータ） (2026-01-18T12:08:38Z) - DarwinWafer: A Wafer-Scale Neuromorphic Chip [43.876109856399886]
我々は,300mmシリコンインターポーサ上に64個のDarwin3チップレットを高密度に統合し,オフチップ配線をウェハスケールで置き換えるハイパースケールシステム・オン・ウェハを提案する。
各チップレット内のGALS NoCと階層的な時間ステップ同期を備えたAERベースの非同期ウエハファブリックは、ウエハをまたいだ低レイテンシでコヒーレントな動作を提供する。
DarwinWaferは100Wを消費し、64TSOPSピークスループット(0.64TSOPS/W)で4.9pJ/SOPを達成する。
論文 参考訳（メタデータ） (2025-08-30T00:22:09Z) - Sound Event Detection with Binary Neural Networks on Tightly
Power-Constrained IoT Devices [20.349809458335532]
サウンドイベント検出(SED)は、消費者およびスマートシティアプリケーションのホットトピックです。
Deep Neural Networksに基づく既存のアプローチは非常に効果的ですが、メモリ、電力、スループットの面で非常に要求が高いです。
本稿では,高エネルギー効率なRISC-V(8+1)コアGAP8マイクロコントローラと,極端量子化と小プリントバイナリニューラルネットワーク(BNN)の組み合わせについて検討する。
論文 参考訳（メタデータ） (2021-01-12T12:38:23Z) - Q-EEGNet: an Energy-Efficient 8-bit Quantized Parallel EEGNet
Implementation for Edge Motor-Imagery Brain--Machine Interfaces [16.381467082472515]
運動画像脳-機械インタフェース(MI-BMI)は、人間の脳と機械間の直接的かつアクセス可能なコミュニケーションをプロミットする。
脳波信号を分類するためのディープラーニングモデルが登場した。
これらのモデルは、メモリと計算要求のため、エッジデバイスの限界を超えることが多い。
論文 参考訳（メタデータ） (2020-04-24T12:29:03Z)
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。