A Low-Energy Implementation of Finite Automata by Optimal-Size Neural Nets

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F13%3A00392404" target="_blank" >RIV/67985807:_____/13:00392404 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-642-40728-4_15" target="_blank" >http://dx.doi.org/10.1007/978-3-642-40728-4_15</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-40728-4_15" target="_blank" >10.1007/978-3-642-40728-4_15</a>

Jazyk výsledku

angličtina

Název v původním jazyce

A Low-Energy Implementation of Finite Automata by Optimal-Size Neural Nets

Popis výsledku v původním jazyce

Recently, a new so-called energy complexity measure has been introduced and studied for feedforward perceptron networks. This measure is inspired by the fact that biological neurons require more energy to transmit a spike than not to fire and the activity of neurons in the brain is quite sparse, with only about 1% of neurons firing. We investigate the energy complexity for recurrent networks which bounds the number of active neurons at any time instant of a computation. We prove that any deterministic finite automaton with m states can be simulated by a neural network of optimal size s=Theta(sqrt{m}) with time overhead O(s/e) per one input bit, using the energy O(e), for any e=Omega(log s) and e=O(s), which shows the time-energy tradeoff in recurrent networks.

Název v anglickém jazyce

A Low-Energy Implementation of Finite Automata by Optimal-Size Neural Nets

Popis výsledku anglicky

Recently, a new so-called energy complexity measure has been introduced and studied for feedforward perceptron networks. This measure is inspired by the fact that biological neurons require more energy to transmit a spike than not to fire and the activity of neurons in the brain is quite sparse, with only about 1% of neurons firing. We investigate the energy complexity for recurrent networks which bounds the number of active neurons at any time instant of a computation. We prove that any deterministic finite automaton with m states can be simulated by a neural network of optimal size s=Theta(sqrt{m}) with time overhead O(s/e) per one input bit, using the energy O(e), for any e=Omega(log s) and e=O(s), which shows the time-energy tradeoff in recurrent networks.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GAP202%2F10%2F1333" target="_blank" >GAP202/10/1333: NoSCoM: Nestandardní výpočetní modely a jejich aplikace ve složitosti, lingvistice a učení</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Artificial Neural Networks and Machine Learning - ICANN 2013

ISBN

978-3-642-40727-7

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

8

Strana od-do

114-121

Název nakladatele

Springer

Místo vydání

Berlin

Místo konání akce

Sofia

Datum konání akce

10. 9. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—