論文の概要: Input-dependent Neuromodulation Enhances Mixed-Signal Neuromorphic Hardware

• arxiv url: http://arxiv.org/abs/2610.41265v1
• Date: Fri, 30 Oct 2026 05:14:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.619527
• Title: Input-dependent Neuromodulation Enhances Mixed-Signal Neuromorphic Hardware
• Title（参考訳）: 入力依存型ニューロ変調は混合信号ニューロモルフィックハードウェアを促進する
• Abstract要約: 脳内では、神経調節はこの原理を用いて、神経回路を動的状態間で移動させる。 深層学習は入力依存ゲーティング(例えば、ゲート付きリカレントネットワークと自己注意)を利用する。 神経調節は、特にエッジにおける神経形プロセッサに対して有望である。
• 参考スコア（独自算出の注目度）: 1.3516036176252042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gating mechanisms allow a fixed neural network to adapt its computation to the current input by dynamically modulating its effective parameters. In the brain, neuromodulation uses this principle to move neural circuits between dynamical regimes, and deep learning exploits input-dependent gating, e.g., in gated recurrent networks and self-attention. Input-dependent modulation has also recently been shown to improve spiking neural networks, with particularly strong benefits in small, parameter-limited ones. This makes neuromodulation especially promising for neuromorphic processors at the edge, where area, memory and energy budgets constrain network size, while circuit physics limits parameter precision. Here we demonstrate input-dependent, within-trial neuromodulation of a spiking recurrent neural network on a mixed-signal neuromorphic processor. An off-chip modulator reads the on-chip network's input and activity and adjusts its population-level gains while the chip's analog circuits compute with the physics of the silicon. Neuromodulation raises binary spoken-digit classification accuracy by $+17.3 \pm 10.4$ percentage points, tested across five hardware network instantiations.
• Abstract（参考訳）: ゲーティング機構により、固定されたニューラルネットワークは、その有効パラメータを動的に調節することで、その計算を現在の入力に適応させることができる。 脳内では、神経調節はこの原理を用いて、動的レギュラー間の神経回路を移動させ、深層学習は入力依存的なゲーティング、例えば、ゲート型リカレントネットワークにおける入力依存性のゲーティングと自己アテンションを利用する。 入力依存変調も最近、スパイクニューラルネットワークを改善することが示されている。 これは特に、領域、メモリ、エネルギー予算がネットワークサイズを制限し、回路物理はパラメータの精度を制限しているエッジのニューロモーフィックプロセッサに期待できる。 ここでは、混合信号型ニューロモルフィックプロセッサ上でのスパイキングリカレントニューラルネットワークの入力依存性、心房内ニューロ変調を実証する。 オフチップ変調器はオンチップネットワークの入力と動作を読み出し、チップのアナログ回路がシリコンの物理で計算する間、その集団レベルの利得を調整する。 ニューロ変調は、5つのハードウェアネットワークインスタンスでテストされる2値の音声-デジタル分類精度を$+17.3 \pm 10.4$%に向上させる。

関連論文リスト

• A Spiking Neural Network Model of Elementary Self-Consciousness via Endogenous Default Mode Network Dynamics [0.0]
  Izhikevich 力学に基づく1万個のニューロンスパイクニューラルネットワーク(SNN)を組み込んだ大規模計算モデルを提案する。 内因性ペースメーカー活性が過渡性外部感覚摂動とどのように相互作用するかを示す。
  論文  参考訳（メタデータ） (2026-09-24T15:34:27Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• NeoHebbian Synapses to Accelerate Online Training of Neuromorphic Hardware [0.03377254151446239]
  ReRAMデバイスを用いた新しいネオヘビアン人工シナプスが提案され、実験的に検証されている。 様々なデバイスやシステムレベルの非理想を考慮に入れたシステムレベルのシミュレーションは、これらのシナプスがニューロモルフィックハードウェアにおける高度な学習規則の高速でコンパクトでエネルギー効率の高い実装に堅牢なソリューションを提供することを確認した。
  論文  参考訳（メタデータ） (2024-11-27T12:06:15Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Spiking neural network for nonlinear regression [68.8204255655161]
  スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。 彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。 スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T13:04:45Z)
• POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
  2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。 提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
  論文  参考訳（メタデータ） (2022-01-19T09:26:34Z)
• Inference with Artificial Neural Networks on Analog Neuromorphic Hardware [0.0]
  BrainScaleS-2 ASICは混合信号ニューロンとシナプス回路から構成される。 システムは、人工ニューラルネットワークのベクトル行列乗算と累積モードでも動作する。
  論文  参考訳（メタデータ） (2020-06-23T17:25:06Z)
• Structural plasticity on an accelerated analog neuromorphic hardware system [0.46180371154032884]
  我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。 我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。 ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
  論文  参考訳（メタデータ） (2019-12-27T10:15:58Z)

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。