Focus on benchmarks for neuromorphic computing
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
Neuromorphic (brain-inspired) computing technology has been of interest to researchers since its origins in the work by a group at CalTech led by Carver Mead in the 1980s. More recently this interest has extended into the commercial domain with major industrial players such as IBM and Intel exploring the technology, and start-up companies commercializing neuromorphic solutions to applications such as inference in low-power edge systems through to datacentre-scale alternatives to GPUs for large language models and deep learning. With this growing commercial interest it is increasingly important to be able to compare and contrast the strengths and weaknesses of alternative neuromorphic offerings that range from the sub-threshold analogue circuits favoured by Mead's seminal work through novel device technologies such as memristors that offer physical in-memory compute capabilities, all the way up to large-scale many-core digital systems based upon conventional (and highly manufacturable) digital technologies. Such comparisons require benchmarks as the basis for comparison, but the sheer diversity of current neuromorphic technologies creates difficulties for prospective benchmarks. This Focus Issue aims to pull together some early thinking on neuromorphic benchmarking. This comes in various forms, including comparing the same application on two different neuromorphic platforms and seeing which applications demonstrate a neuromorphic advantage over conventional solutions. The collected papers represent early perspectives on the neuromorphic benchmarking challenge but they are far from the last words on the matter—there is still a great deal left to do here!
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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