Reconfigurable Neuromorphic Neural Network Architecture
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Neural network (NN), also known as artificial neural network (ANN), provides efficient results in every computation, whether it is pattern recognition, forecasting, customer research, data validation, risk management, data mining, etc. In each computation, NN requires a specific dataset, and according to the datasets, a new NN structure is used to compute the results. Thus, these NN structures mostly depend upon the type of datasets. The current study presents a method that comprises a dedicated architecture known as neuromorphic neural network (NNN), which is made up of optical waveguides that enable high communication and data processing speed at the same time. We have also proposed three algorithms for configuring and building distinct ANN structures from the same architecture. These dedicated structures are not dependent on the datasets and employ the necessary processing element (PE) nodes to function as neurons in the hidden layer. Because specialized resources will be employed to perform operations in the hidden layer, these designs may produce more efficient outcomes than the present logical NN. Furthermore, we assessed our proposed architecture in terms of communication latency, deadlock prevention, energy consumption, and power usage. The simulation results show that deadlocks are avoided to the greatest extent possible, power consumption is reduced by up to 95%, and communicational latency is accomplished in the order of femtoseconds while conversing among PE nodes. The proposed architecture and simulation results promise an alternative for logical NN as well as improved results in terms of speed and efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle