chinese直男口爆体育生外卖, 99久久er热在这里只有精品99, 又色又爽又黄18禁美女裸身无遮挡, gogogo高清免费观看日本电视,私密按摩师高清版在线,人妻视频毛茸茸,91论坛 兴趣闲谈,欧美 亚洲 精品 8区,国产精品久久久久精品免费

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

研發(fā)的新型超導(dǎo)神經(jīng)元,在很多方面都更加接近一個(gè)真實(shí)的神經(jīng)元

hl5C_deeptechch ? 來(lái)源:xx ? 2019-07-27 09:07 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

雖然與以千兆赫速度運(yùn)行的現(xiàn)代微處理器相比,人腦的運(yùn)行速度只有幾赫茲,簡(jiǎn)直就像蝸牛一樣,但毋庸置疑的是,人類(lèi)大腦是迄今為止已知的最偉大的計(jì)算設(shè)備。人類(lèi)大腦的強(qiáng)大之處在于,能夠同時(shí)進(jìn)行每秒十億次的計(jì)算,這種并行性使得它能夠輕松地解決傳統(tǒng)計(jì)算機(jī)尚未解決的問(wèn)題,比如駕駛、行走、交談等等。而更不可思議的是,這每秒十億次的計(jì)算背后,大腦所需要的能量來(lái)源可能僅為一碗稀飯。相比之下,一臺(tái)超級(jí)計(jì)算機(jī)所需要的電力要超過(guò)一座大城市的電力消耗,遠(yuǎn)遠(yuǎn)多于大腦幾個(gè)數(shù)量級(jí)。這就是為什么計(jì)算機(jī)科學(xué)家,一心想要使用神經(jīng)網(wǎng)絡(luò)作為計(jì)算工具,以模擬人類(lèi)大腦的計(jì)算性能。但說(shuō)起來(lái)容易做起來(lái)難。雖然通過(guò)普通芯片也可以編入類(lèi)似于神經(jīng)網(wǎng)絡(luò)的程序,但這需要大量的計(jì)算和能量消耗。

于是,計(jì)算機(jī)科學(xué)家嘗試創(chuàng)建人工神經(jīng)元,并將它們連接成類(lèi)似大腦的網(wǎng)絡(luò)。不過(guò)一直以來(lái),并沒(méi)有人提出一個(gè)設(shè)計(jì)能夠接近大腦的計(jì)算性能和運(yùn)行效率。近日,麻省理工學(xué)院的 Emily Toomey 和他的同事設(shè)計(jì)了一個(gè)由納米線組成的超導(dǎo)神經(jīng)元,在很多方面都更加接近一個(gè)真實(shí)的神經(jīng)元。研究成果以預(yù)印本的形式發(fā)表在 arxiv.org 網(wǎng)站上。研究人員表示,他們的設(shè)備與大腦的能量效率相匹配(至少在理論上是這樣),并且是新一代超導(dǎo)神經(jīng)網(wǎng)絡(luò)的基石,該超導(dǎo)神經(jīng)網(wǎng)絡(luò)的效率將遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的計(jì)算設(shè)備。首先,我們了解一些背景知識(shí)。神經(jīng)元以電脈沖或動(dòng)作電位的形式編碼信息,這些電脈沖或動(dòng)作電位沿著神經(jīng)纖維傳播,神經(jīng)元之間通過(guò)突觸的結(jié)構(gòu)進(jìn)行彼此分隔和信號(hào)傳遞。一個(gè)神經(jīng)元可以通過(guò)突觸影響其它神經(jīng)元,傳遞的神經(jīng)信號(hào)可以激活或抑制下游神經(jīng)元。事實(shí)上,突觸的存在可以使神經(jīng)元之間像邏輯門(mén)一樣工作,對(duì)多個(gè)輸入信號(hào)產(chǎn)生一個(gè)輸出響應(yīng)。在生物神經(jīng)元中,的確有許多重要的特性,比如除非輸入信號(hào)超過(guò)某個(gè)閾值水平,否則信號(hào)不會(huì)激活,而且在經(jīng)過(guò)一段時(shí)間(稱為不應(yīng)期)之前,它們不能被再次激活;此外,突起沿軸突移動(dòng)的時(shí)間也很重要,因?yàn)樗幋a了突起已經(jīng)移動(dòng)的距離。因此,人工神經(jīng)元必須能夠盡可能多地復(fù)制這些生物特征,而這也需要一些更復(fù)雜的電路設(shè)計(jì)。Toomey 和他的同事指出,超導(dǎo)納米線具有一種特殊的非線性特性,使得它們可以像神經(jīng)元一樣工作。這種特性的產(chǎn)生是因?yàn)楫?dāng)流過(guò)納米線的電流超過(guò)某個(gè)閾值時(shí),納米線的超導(dǎo)性就會(huì)崩潰,此時(shí)電阻突然增大,產(chǎn)生了一個(gè)類(lèi)似于神經(jīng)元?jiǎng)幼麟娢坏碾妷好}沖。用這種電壓脈沖來(lái)調(diào)制另一根超導(dǎo)納米線產(chǎn)生的另一個(gè)脈沖,使得對(duì)生物神經(jīng)元的模擬更加真實(shí),相當(dāng)于創(chuàng)造了一個(gè)具有許多生物神經(jīng)元特性的簡(jiǎn)單超導(dǎo)電路。研究人員也已經(jīng)證明超導(dǎo)神經(jīng)元具有觸發(fā)閾值、不應(yīng)期,以及可以根據(jù)電路特性進(jìn)行調(diào)整的傳播時(shí)間等特性。

圖 | 超導(dǎo)納米線中的松弛振蕩,是納米線神經(jīng)元中脈沖形成的基礎(chǔ)(來(lái)源:arxiv.prg)至關(guān)重要的是,這種超導(dǎo)神經(jīng)元還可以用來(lái)觸發(fā)或抑制其它神經(jīng)元。這種“分列”屬性是創(chuàng)建神經(jīng)網(wǎng)絡(luò)的關(guān)鍵,也是其它超導(dǎo)神經(jīng)元設(shè)計(jì)從未實(shí)現(xiàn)的。Toomey 和同事的計(jì)算表明,由于超導(dǎo)電路耗電量很小,這種超導(dǎo)神經(jīng)網(wǎng)絡(luò)可以與生物神經(jīng)網(wǎng)絡(luò)的效率相媲美。神經(jīng)網(wǎng)絡(luò)中每秒使用 1 瓦特能量可以執(zhí)行的突觸運(yùn)行數(shù)量,是衡量計(jì)算性能的指標(biāo)。Toomey 表示,他們提出的神經(jīng)網(wǎng)絡(luò)應(yīng)該能夠達(dá)到每秒每瓦特 10^14 個(gè)突觸運(yùn)行,與人類(lèi)大腦大致相當(dāng)?!皬墓β屎退俣鹊慕嵌葋?lái)看,納米線神經(jīng)元可能是一項(xiàng)極具競(jìng)爭(zhēng)力的技術(shù)。”他們說(shuō)。當(dāng)然,納米線神經(jīng)元也存在一些局限。與大腦相比,超導(dǎo)神經(jīng)元最大的差距就是只能連接少數(shù)其它神經(jīng)元,相比之下,人類(lèi)大腦中的每個(gè)神經(jīng)元都與成千上萬(wàn)的神經(jīng)元相連。而且,目前 Toomey 等人的超導(dǎo)神經(jīng)網(wǎng)絡(luò)還只是一個(gè)設(shè)計(jì)。盡管如此,模擬結(jié)果還是很有希望的。研究人員表示,目前的分析表明,納米線神經(jīng)元是低功耗人工神經(jīng)網(wǎng)絡(luò)發(fā)展的一個(gè)有希望的候選對(duì)象,而且潛力是巨大的。研究人員認(rèn)為,超導(dǎo)神經(jīng)網(wǎng)絡(luò)可能成為全新計(jì)算機(jī)硬件的基礎(chǔ),這些芯片可以通過(guò)超導(dǎo)互連連接在一起,也就沒(méi)有散熱的問(wèn)題?!捌浣Y(jié)果將是一個(gè)大規(guī)模的神經(jīng)形態(tài)處理器,它可以被訓(xùn)練成一個(gè)脈沖神經(jīng)網(wǎng)絡(luò)(spiking neural network),執(zhí)行模式識(shí)別之類(lèi)的任務(wù)或用于模擬大型生物仿真網(wǎng)絡(luò)的脈沖動(dòng)力學(xué)?!睙o(wú)論如何,這是一項(xiàng)有趣的工作,盡管在興奮之前還需要進(jìn)行概念驗(yàn)證演示。

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 網(wǎng)絡(luò)
    +關(guān)注

    關(guān)注

    14

    文章

    7815

    瀏覽量

    90967
  • 神經(jīng)元
    +關(guān)注

    關(guān)注

    1

    文章

    368

    瀏覽量

    18841
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    無(wú)刷直流電機(jī)單神經(jīng)元自適應(yīng)智能控制系統(tǒng)

    摘要:針對(duì)無(wú)刷直流電機(jī)(BLDCM)設(shè)計(jì)了種可在線學(xué)習(xí)的單神經(jīng)元自適應(yīng)比例-積分-微分(PID)智能控制器,通過(guò)有監(jiān)督的 Hebb學(xué)習(xí)規(guī)則調(diào)整權(quán)值,每次采樣根據(jù)反饋誤差對(duì)神經(jīng)元權(quán)值進(jìn)行調(diào)整,以實(shí)現(xiàn)
    發(fā)表于 06-26 13:36

    無(wú)刷直流電機(jī)單神經(jīng)元PI控制器的設(shè)計(jì)

    摘要:研究了種基于專家系統(tǒng)的單神經(jīng)元PI控制器,并將其應(yīng)用于無(wú)刷直流電機(jī)調(diào)速系統(tǒng)中??刂破鲗?shí)現(xiàn)了PI參數(shù)的在線調(diào)整,具有PID控制器良好動(dòng)態(tài)性能的同時(shí),減少微分項(xiàng)對(duì)系統(tǒng)穩(wěn)態(tài)運(yùn)行時(shí)的影響,并較好
    發(fā)表于 06-26 13:34

    蚌埠:傳感“神經(jīng)元”激活產(chǎn)業(yè)新脈動(dòng),智能傳感器產(chǎn)業(yè)邁向千億新征程

    的"神經(jīng)元",用微小身軀傳遞著海量信號(hào)。而在安徽蚌埠,場(chǎng)關(guān)于"感知"的產(chǎn)業(yè)革命正澎湃上演。 ? 群賢畢至探"智感",第七屆智能傳感器產(chǎn)業(yè)發(fā)展大會(huì)啟幕 ? 5月24日,淮河之畔的蚌埠迎來(lái)場(chǎng)科技盛宴——以"芯聚江淮 智感世界"為
    的頭像 發(fā)表于 05-28 18:09 ?338次閱讀

    BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)原則

    ,僅作為數(shù)據(jù)輸入的接口。輸入層的神經(jīng)元個(gè)數(shù)通常與輸入數(shù)據(jù)的特征數(shù)量相對(duì)應(yīng)。 隱藏層 :對(duì)輸入信號(hào)進(jìn)行非線性變換,是神經(jīng)網(wǎng)絡(luò)的核心部分,負(fù)責(zé)學(xué)習(xí)輸入與輸出之間的復(fù)雜映射關(guān)系。隱藏層可以有層或多層,層數(shù)和
    的頭像 發(fā)表于 02-12 16:41 ?743次閱讀

    BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較

    多層。 每層都由若干個(gè)神經(jīng)元構(gòu)成,神經(jīng)元之間通過(guò)權(quán)重連接。信號(hào)神經(jīng)網(wǎng)絡(luò)中是前向傳播的,而誤差是反向傳播的。 卷積
    的頭像 發(fā)表于 02-12 15:53 ?668次閱讀

    什么是BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法

    神經(jīng)網(wǎng)絡(luò)(即反向傳播神經(jīng)網(wǎng)絡(luò))的核心,它建立梯度下降法的基礎(chǔ)上,是種適合于多層神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)算法。該算法通過(guò)計(jì)算每層網(wǎng)絡(luò)的誤差,并將這
    的頭像 發(fā)表于 02-12 15:18 ?769次閱讀

    如何訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型

    從輸入層向輸出層傳播的過(guò)程。具體來(lái)說(shuō),輸入層的信號(hào)經(jīng)過(guò)加權(quán)和運(yùn)算后傳遞給隱藏層,隱藏層的神經(jīng)元接收來(lái)自前層的信號(hào),經(jīng)過(guò)激活函數(shù)處理后再傳遞給下層,直到最終到達(dá)輸出層。每層的輸出都
    的頭像 發(fā)表于 02-12 15:10 ?922次閱讀

    深度學(xué)習(xí)入門(mén):簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的構(gòu)建與實(shí)現(xiàn)

    深度學(xué)習(xí)中,神經(jīng)網(wǎng)絡(luò)是核心模型。今天我們用 Python 和 NumPy 構(gòu)建個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)由多個(gè)
    的頭像 發(fā)表于 01-23 13:52 ?530次閱讀

    人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法

    所擬合的數(shù)學(xué)模型的形式受到大腦中神經(jīng)元的連接和行為的啟發(fā),最初是為了研究大腦功能而設(shè)計(jì)的。然而,數(shù)據(jù)科學(xué)中常用的神經(jīng)網(wǎng)絡(luò)作為大腦模型已經(jīng)過(guò)時(shí),現(xiàn)在它們只是能夠某些應(yīng)用中提供最先進(jìn)性能的機(jī)器學(xué)習(xí)模型。近年來(lái),由于
    的頭像 發(fā)表于 01-09 10:24 ?1195次閱讀
    人工<b class='flag-5'>神經(jīng)</b>網(wǎng)絡(luò)的原理和多種<b class='flag-5'>神經(jīng)</b>網(wǎng)絡(luò)架構(gòu)方法

    請(qǐng)問(wèn)ADS1298稱為生理信號(hào)測(cè)量轉(zhuǎn)換器,和傳統(tǒng)AD轉(zhuǎn)換器有什么區(qū)別?

    請(qǐng)問(wèn)ADS1298稱為生理信號(hào)測(cè)量轉(zhuǎn)換器,和傳統(tǒng)AD轉(zhuǎn)換器有什么區(qū)別。我想使用其作為神經(jīng)元和肌肉細(xì)胞信號(hào)的檢測(cè),精度要達(dá)到0.1mV以下,不知道是否合適。
    發(fā)表于 01-01 06:39

    卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較

    神經(jīng)網(wǎng)絡(luò),也稱為全連接神經(jīng)網(wǎng)絡(luò)(Fully Connected Neural Networks,F(xiàn)CNs),其特點(diǎn)是每層的每個(gè)神經(jīng)元都與下
    的頭像 發(fā)表于 11-15 14:53 ?1872次閱讀

    RNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別

    傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(前饋神經(jīng)網(wǎng)絡(luò)) 2.1 結(jié)構(gòu) 傳統(tǒng)神經(jīng)網(wǎng)絡(luò),通常指的是前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Networks, FNN),是
    的頭像 發(fā)表于 11-15 09:42 ?1129次閱讀

    關(guān)于卷積神經(jīng)網(wǎng)絡(luò),這些概念你厘清了么~

    個(gè)小型網(wǎng)絡(luò),它包含個(gè)具有三個(gè)輸入的輸入層、個(gè)
    發(fā)表于 10-24 13:56

    光遺傳學(xué) – 用光控制細(xì)胞和動(dòng)物

    利用光遺傳學(xué)技術(shù),研究人員只需使用光(通常來(lái)自激光器)就能激活、失活和操控神經(jīng)細(xì)胞。 三百多年前,路易吉·伽伐尼發(fā)現(xiàn)青蛙的腿通電后會(huì)產(chǎn)生抽搐。 這是因?yàn)?b class='flag-5'>神經(jīng)細(xì)胞(神經(jīng)元)是通過(guò)產(chǎn)生電
    的頭像 發(fā)表于 08-23 06:24 ?501次閱讀
    光遺傳學(xué) – 用光控制細(xì)胞和動(dòng)物

    Python自動(dòng)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)

    人工神經(jīng)網(wǎng)絡(luò)(ANN)是機(jī)器學(xué)習(xí)中種重要的模型,它模仿了人腦神經(jīng)元的工作方式,通過(guò)多層節(jié)點(diǎn)(神經(jīng)元)之間的連接和權(quán)重調(diào)整來(lái)學(xué)習(xí)和解決問(wèn)題。Python由于其強(qiáng)大的庫(kù)支持(如Tenso
    的頭像 發(fā)表于 07-19 11:54 ?703次閱讀