HyperSNN: A new efficient and robust deep learning model for resource constrained control applications

要約

インテリジェント家具、ロボット工学、スマート ホームなどの分野でエッジ コンピューティングの採用が増加していることを考慮して、このホワイト ペーパーでは、スパイキング ニューラル ネットワーク (SNN) と超次元コンピューティングを組み合わせて使用​​する、タスクを制御するための革新的な方法である HyperSNN を紹介します。
HyperSNN は、高価な 32 ビット浮動小数点乗算を 8 ビット整数の加算に置き換えることで、エネルギー消費を削減しながら堅牢性を高め、精度を向上させる可能性があります。
私たちのモデルは、Cartpole、Acrobot、MountainCar、Lunar Lander などの AI Gym ベンチマークでテストされました。
HyperSNN は、従来の機械学習手法と同等の制御精度を実現しますが、エネルギー消費量はわずか 1.36% ～ 9.96% です。
さらに、私たちの実験では、HyperSNN を使用すると堅牢性が向上することがわかりました。
私たちは、HyperSNN がインタラクティブ、モバイル、ウェアラブル デバイスに特に適しており、エネルギー効率が高く堅牢なシステム設計を促進すると考えています。
さらに、現実世界の産業シナリオにおけるモデル予測制御 (MPC) などの複雑なアルゴリズムの実用的な実装への道を開きます。

要約(オリジナル)

In light of the increasing adoption of edge computing in areas such as intelligent furniture, robotics, and smart homes, this paper introduces HyperSNN, an innovative method for control tasks that uses spiking neural networks (SNNs) in combination with hyperdimensional computing. HyperSNN substitutes expensive 32-bit floating point multiplications with 8-bit integer additions, resulting in reduced energy consumption while enhancing robustness and potentially improving accuracy. Our model was tested on AI Gym benchmarks, including Cartpole, Acrobot, MountainCar, and Lunar Lander. HyperSNN achieves control accuracies that are on par with conventional machine learning methods but with only 1.36% to 9.96% of the energy expenditure. Furthermore, our experiments showed increased robustness when using HyperSNN. We believe that HyperSNN is especially suitable for interactive, mobile, and wearable devices, promoting energy-efficient and robust system design. Furthermore, it paves the way for the practical implementation of complex algorithms like model predictive control (MPC) in real-world industrial scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google