660 पेपर
यह शोध पत्र एक SRAM-आधारित कंप्यूट-इन-मेमोरी एक्सेलेरेटर का प्रस्ताव करता है जो स्पाइकिंग न्यूरल नेटवर्क में स्टेट-अपडेट बॉटलनेक को समाप्त करने के लिए एक लीनियर-डिके न्यूरॉन एल्गोरिदम को इन-मेमोरी पैरेलल अपडेट स्कीम के साथ सह-अनुकूलित (co-optimize) करता है, जिससे नगण्य सटीकता हानि के साथ महत्वपूर्ण ऊर्जा दक्षता और विलंबता सुधार प्राप्त होता है।
यह शोधपत्र "बुलेट ट्रेन्स" (Bullet Trains) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो अनुक्रमिक स्पाइक प्रोसेसिंग को त्वरित करने के लिए समानांतर एसोसिएटिव स्कैन्स (parallel associative scans) और सटीक स्पाइक समय की गणना के लिए समय विविक्तीकरण (time discretization) के बिना विभेदनीय सॉल्वर (differentiable solvers) का उपयोग करके, कालानुक्रमिक रूप से सटीक, निरंतर-समय स्पाइकिंग न्यूरल नेटवर्क के कुशल, एंड-टू-एंड प्रशिक्षण को सक्षम बनाता है।
यह शोध पत्र मॉड्यूलर न्यूरल कंप्यूटर (MNC) का परिचय देता है, जो एक मेमोरी-ऑगमेंटेड आर्किटेक्चर है जो विश्लेषणात्मक रूप से निर्दिष्ट एल्गोरिदम को स्पष्ट कंट्रोल फ्लो और बाहरी मेमोरी वाले नियत न्यूरल घटकों में संकलित करता है ताकि परिवर्तनशील लंबाई वाले इनपुट पर सटीक गणना की जा सके।
यह शोध पत्र मोंटे कार्लो सिमुलेशन का उपयोग यह प्रदर्शित करने के लिए करता है कि जबकि log-sum-exp और log-sum-ReLU दोनों डेंस एसोसिएटिव मेमोरी कर्नेल समान शून्य-तापमान क्षमता साझा करते हैं, log-sum-ReLU कर्नेल बेहतर थर्मल मजबूती प्रदान करता है क्योंकि यह किसी भी तापमान पर लगभग संपूर्ण लोड रेंज में पूर्ण पुनर्प्राप्ति बनाए रखता है, जबकि log-sum-exp कर्नेल को उच्च तापमान पर पुनर्प्राप्ति बनाए रखने के लिए कम लोड की आवश्यकता होती है।
यह शोध पत्र प्रदर्शित करता है कि सिंगल-स्पाइक और मल्टी-स्पाइक स्पाइकिंग न्यूरल नेटवर्क सामान्य मशीन लर्निंग कार्यों के लिए समान सन्निकटन क्षमताएं (approximation capabilities) रखते हैं, क्योंकि एक के लिए किसी भी सन्निकटन सीमा (approximation bound) को न्यूरॉन्स की संख्या में केवल रैखिक वृद्धि के साथ दूसरे द्वारा मैच किया जा सकता है।
यह शोध पत्र प्रदर्शित करता है कि ब्रेनचिप अकिडा (BrainChip Akida) प्रोसेसर पर पदानुक्रमित टेम्पोरल डिफेंस (Hierarchical Temporal Defense) फ्रेमवर्क न्यूरोमॉर्फिक एज रोबोटिक्स में प्रतिकूल हमलों (adversarial attacks) को महत्वपूर्ण रूप से कम करता है और साथ ही प्रति अनुमान ऊर्जा खपत को लगभग 45 माइक्रो जूल तक कम करता है, जो यह सिद्ध करता है कि इवेंट-ड्रिवन स्पर्सिटी (event-driven sparsity) उच्च-आश्वासन सुदृढ़ता और ऊर्जा स्थिरता के बीच एक बेहतर संतुलन सक्षम करती है।
यह शोधपत्र मानकीय उपयुक्तता का एक समाज-प्रथम सिद्धांत प्रस्तावित करता है जो व्यक्तियों को एलएलएम (LLMs) के समान भविष्य कहने वाले पैटर्न-पूरा करने वाले एजेंटों के रूप में मॉडल करता है, जो बाहरी तर्क-विकल्प धारणाओं पर निर्भर हुए बिना सांस्कृतिक रूप से आकस्मिक औचित्य मानकों के पालन के रूप में मानवीय मानदंडों और तर्कसंगतता का एक संक्षिप्त विवरण प्रस्तुत करता है।
CatFormer एक स्केलेबल स्पाइकिंग ट्रांसफार्मर फ्रेमवर्क है जो संदर्भ-अनुकूली थ्रेशोल्ड (context-adaptive thresholds) वाले डायनेमिक थ्रेशोल्ड लीकी इंटीग्रेट-एंड-फायर न्यूरॉन मॉडल और एक गेटेड डायनेमिक हेड सिलेक्शन मैकेनिज्म का उपयोग करके क्लास-इन्क्रीमेंटल लर्निंग में कैटास्ट्रोफिक फॉरगेटिंग को रोकता है, जिससे बिना किसी रिहर्सल के स्टैटिक और न्यूरोमॉर्फिक दोनों डेटासेट्स पर उत्कृष्ट प्रदर्शन प्राप्त होता है।
यह शोध पत्र बीगल (Beagle) को प्रस्तुत करता है, जो सिम्बोलिक रिग्रेशन के लिए एक GPU-त्वरित फ्रेमवर्क है, जो जनसंख्या और फिटनेस केस प्रोसेसिंग के थ्रूपुट को अधिकतम करके फेनमैन डेटासेट पर StackGP और PySR जैसे अग्रणी CPU-आधारित सिस्टमों की तुलना में काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र प्रूनिंग (pruning) के तहत पूर्णतः-जुड़े (fully-connected) न्यूरल नेटवर्क में सीखने के तीन विशिष्ट चरणों की पहचान करता है—एयूमेंटिया (eumentia), डिमेंशिया (dementia), और एमेंटिया (amentia)—जो पावर-लॉ लॉस स्केलिंग (power-law loss scaling) और एक बेरेज़िंस्की-कोस्टरलिट्ज़-थौलेस जैसी संक्रमण (Berezinskii-Kosterlitz-Thouless-like transition) द्वारा अभिलक्षित हैं, जिससे न्यूरल नेटवर्क के व्यवहार को समझने के लिए एक सांख्यिकीय यांत्रिकी ढांचा स्थापित होता है।