Neuroevolving Electronic Dynamical Networks

要約

ニューロ進化は、進化的アルゴリズムを適用して、自然選択を通じて人工ニューラル ネットワークのパフォーマンスを向上させる強力な方法です。
ただし、これらのネットワークの適合性評価は、特に微分方程式のシミュレーションが必要な連続時間リカレント ニューラル ネットワーク (CTRNN) の場合、時間がかかり、計算コストが高くなる可能性があります。
この課題を克服するために、フィールド プログラマブル ゲート アレイ (FPGA) は、その高性能と低消費電力により、ますます人気のあるソリューションとして台頭しています。
さらに、動的かつ部分的な再構成が可能であるため、CTRNN の適合性を極めて迅速に評価でき、進化可能なハードウェアの従来の方法に伴うボトルネックに効果的に対処できます。
FPGAのプログラマブルロジックにフィットネス評価を直接組み込むことで超並列評価が可能となり、評価時間を大幅に短縮します。
この FPGA の固有の並列性により、神経進化プロセス全体が数桁加速され、最適なソリューションへのより迅速な収束が促進されます。
この研究で発表された研究は、神経進化する動的ニューラル ネットワークの強力なプラットフォームとして、有能な FPGA 上で動的部分再構成を利用できる可能性を示しています。

要約(オリジナル)

Neuroevolution is a powerful method of applying an evolutionary algorithm to refine the performance of artificial neural networks through natural selection; however, the fitness evaluation of these networks can be time-consuming and computationally expensive, particularly for continuous time recurrent neural networks (CTRNNs) that necessitate the simulation of differential equations. To overcome this challenge, field programmable gate arrays (FPGAs) have emerged as an increasingly popular solution, due to their high performance and low power consumption. Further, their ability to undergo dynamic and partial reconfiguration enables the extremely rapid evaluation of the fitness of CTRNNs, effectively addressing the bottleneck associated with conventional methods of evolvable hardware. By incorporating fitness evaluation directly upon the programmable logic of the FPGA, hyper-parallel evaluation becomes feasible, dramatically reducing the time required for assessment. This inherent parallelism of FPGAs accelerates the entire neuroevolutionary process by several orders of magnitude, facilitating faster convergence to an optimal solution. The work presented in this study demonstrates the potential of utilizing dynamic and partial reconfiguration on capable FPGAs as a powerful platform for neuroevolving dynamic neural networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google