A path to energy-efficient spiking delayed feedback reservoir computing system for brain-inspired neuromorphic processors

Bai, Kangjun; Bradley, Yang Yi

doi:10.1109/isqed.2018.8357307

Cited by 14 publications

(7 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Physical realizations of delay lines in a reservoir computing setting have been variously studied, for instance in optical computing (Appeltant et al, 2011) or using traveling spin waves (Watt, Kostylev, Ustinov, & Kalinikos, 2021). Reservoir-based delay lines have also been proposed for analog delay circuits in the electronic signal processing field (Bai & Yi, 2018).…”

Section: Tapped Delay Linesmentioning

confidence: 99%

Timescales: the choreography of classical and unconventional computing

Jaeger¹,

Catthoor²

2023

Preprint

View full text Add to dashboard Cite

Section: Tapped Delay Linesmentioning

confidence: 99%

Timescales: the choreography of classical and unconventional computing

Jaeger¹,

Catthoor²

2023

Preprint

View full text Add to dashboard Cite

“…Konfigurasi Disturbance Fault Recorder (DFR) adalah salah satu skema kontrol terpenting dalam jaringan distribusi untuk menganalisa gangguan yang terjadi pada pembangkit listrik [22]. Perancangan dan membuat sistem komputasi analog delay feedback reservoir (DFR) hemat energi, yang dibangun di atas skema pengkodean temporal, fungsi transfer nonlinier, dan penundaan dinamis dapat diamati dengan menggunakan DFR [23]. Perekam kesalahan pada DFR merupakan kemampuannya untuk memantau jumlah besar saluran analog pada tingkat pengambilan sampel yang tinggi.…”

Section: Pendahuluanunclassified

Analisa Disturbance Fault Recorder ( DFR ) Sebagai Alat Perekam Anomali Pada Gardu Induk Rangkas Baru

Mira

2022

energi

View full text Add to dashboard Cite

Gardu induk pada UPT Cilegon ULTG RANGKAS merupakan gardu induk tegangan tinggi dan ekstra tinggi (GI/GITET) dengan kapasitas trafo terpasang mencapai 3810 / 895,5 MVA serta 1.568 tower penghantar transmisi dengan panjang jaringan mencapai 858,92 km sirkit merupakan sebuah sub sistem dari sistem transimisi tenaga listrik. Sebuah gardu induk tentu memiliki peralatan-peralatan yang menunjang kinerjanya, salah satunya adalah peralatan proteksi. Pentingnya penelitian ini dilakuakan karena sering terjadinya gangguan ( Noise ) pada saluran transmisi hal ini disebabkan beberapa factor salah satunya factor lingkungan sekitar,bencana alam dan lain-lain. Pada gardu induk, terdapat sebuah peralatan yang memonitor anomali dari arus, tegangan maupun frekuensi pada gradu induk. Peralatan tersebut dinamakan Disturbance Fault Recorder (DFR). Tujuan penelitian ini adalah menganalisa penggunaaan DFR dalam memonitor arus, tergangan dan frekuensi sebelum, saat dan setelah terjadinya anomali pada arus, tegangan dan frekuensi pada gardu induk. Metode penelitian yang digunakan adalah pengamatan langsung pada Gardu induk rangkas , setelah melakukan pengamatan langsung penulis mencari sumber-sumber reverensi yang berkaiatan dengan DFR, setelah mencari referensi yang berkaitan penulis melakukan analisa di Gardu Induk Rangkasbitung . Setelah melakukan penelitian dapat disimpulkan bahwa penggunaan DFR pada Gardu Induk Rangkas Bitung dapat bekerja dengan baik hal ini dapat dilihat dari, nilai toleransi batas bawah pada pengaturan DFR adalah 46.4V. dan nilai toleransi batas atas pada pengaturan DFR adalah 69.6V.

show abstract

“…In recent years, an increasing number of researchers have started to implement neuromorphic computing using analog integrated circuits [46,47,49,50,71,[73][74][75][76][77][78][79]. Compared to digital implementation, analog implementation of neuromorphic computing is more energy efficient.…”

Section: Recent Progress In Neuromorphic Computingmentioning

confidence: 99%

Quantized Neural Networks and Neuromorphic Computing for Embedded Systems

Liu¹,

Yi²

2020

Intelligent System and Computing

View full text Add to dashboard Cite

Deep learning techniques have made great success in areas such as computer vision, speech recognition and natural language processing. Those breakthroughs made by deep learning techniques are changing every aspect of our lives. However, deep learning techniques have not realized their full potential in embedded systems such as mobiles, vehicles etc. because the high performance of deep learning techniques comes at the cost of high computation resource and energy consumption. Therefore, it is very challenging to deploy deep learning models in embedded systems because such systems have very limited computation resources and power constraints. Extensive research on deploying deep learning techniques in embedded systems has been conducted and considerable progress has been made. In this book chapter, we are going to introduce two approaches. The first approach is model compression, which is one of the very popular approaches proposed in recent years. Another approach is neuromorphic computing, which is a novel computing system that mimicks the human brain.

show abstract

A path to energy-efficient spiking delayed feedback reservoir computing system for brain-inspired neuromorphic processors

Cited by 14 publications

References 14 publications

Timescales: the choreography of classical and unconventional computing

Timescales: the choreography of classical and unconventional computing

Analisa Disturbance Fault Recorder ( DFR ) Sebagai Alat Perekam Anomali Pada Gardu Induk Rangkas Baru

Quantized Neural Networks and Neuromorphic Computing for Embedded Systems

Contact Info

Product

Resources

About