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,人類大腦是迄今為止已知的最偉大的計(jì)算設(shè)備。人類大腦的強(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,以模擬人類大腦的計(jì)算性能。但說起來容易做起來難。雖然通過普通芯片也可以編入類似于神經(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,并將它們連接成類似大腦的網(wǎng)絡(luò)。不過一直以來,并沒有人提出一個(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)超過某個(gè)閾值水平,否則信號(hào)不會(huì)激活,而且在經(jīng)過一段時(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)流過納米線的電流超過某個(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)類似于神經(jīng)元?jiǎng)幼麟娢坏碾妷好}沖。用這種電壓脈沖來調(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)(來源:arxiv.prg)至關(guān)重要的是,這種超導(dǎo)神經(jīng)元還可以用來觸發(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,與人類大腦大致相當(dāng)。“從功率和速度的角度來看,納米線神經(jīng)元可能是一項(xiàng)極具競(jìng)爭(zhēng)力的技術(shù)?!彼麄冋f。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,人類大腦中的每個(gè)神經(jīng)元都與成千上萬的神經(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),這些芯片可以通過超導(dǎo)互連連接在一起,也就沒有散熱的問題?!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

    8026

    瀏覽量

    92213
  • 神經(jīng)元
    +關(guān)注

    關(guān)注

    1

    文章

    368

    瀏覽量

    19034
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

    液態(tài)神經(jīng)網(wǎng)絡(luò)(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)

    1.算法簡(jiǎn)介液態(tài)神經(jīng)網(wǎng)絡(luò)(LiquidNeuralNetworks,LNN)是新型神經(jīng)網(wǎng)絡(luò)架構(gòu),其設(shè)計(jì)理念借鑒自生物神經(jīng)系統(tǒng),特別是秀
    的頭像 發(fā)表于 09-28 10:03 ?315次閱讀
    液態(tài)<b class='flag-5'>神經(jīng)</b>網(wǎng)絡(luò)(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的<b class='flag-5'>神經(jīng)</b>網(wǎng)絡(luò)

    【「AI芯片:科技探索與AGI愿景」閱讀體驗(yàn)】+神經(jīng)形態(tài)計(jì)算、類腦芯片

    的大規(guī)?;ミB。在這方面,超導(dǎo)體和超導(dǎo)器件具有無損耗特性,可用作神經(jīng)形態(tài)網(wǎng)絡(luò)中的低功耗互連器件。此外,超導(dǎo)器件還具有前所未有的低功耗和超高速開
    發(fā)表于 09-17 16:43

    絕對(duì)值光柵編碼器:工業(yè)精密控制的“數(shù)字神經(jīng)元

    的“數(shù)字神經(jīng)元”,正以毫米級(jí)甚至微米級(jí)的定位能力,重新定義精密制造的邊界。 突破傳統(tǒng):從“相對(duì)計(jì)數(shù)”到“絕對(duì)定位”的革命 傳統(tǒng)增量式編碼器通過脈沖計(jì)數(shù)實(shí)現(xiàn)位置反饋,但存在致命缺陷:斷電后需重新校準(zhǔn)零點(diǎn),抗干擾能力
    的頭像 發(fā)表于 08-19 08:41 ?355次閱讀
    絕對(duì)值光柵編碼器:工業(yè)精密控制的“數(shù)字<b class='flag-5'>神經(jīng)元</b>”

    神經(jīng)擬態(tài)類腦計(jì)算機(jī)“悟空”發(fā)布,神經(jīng)元數(shù)量超20億

    電子發(fā)燒友網(wǎng)綜合報(bào)道 8月2日,浙江大學(xué)腦機(jī)智能全國重點(diǎn)實(shí)驗(yàn)室發(fā)布新神經(jīng)擬態(tài)類腦計(jì)算機(jī)——Darwin Monkey(中文名“悟空”)。 ? “悟空”堪稱國際首臺(tái)神經(jīng)元規(guī)模超20億、基于專用
    的頭像 發(fā)表于 08-06 07:57 ?7068次閱讀
    新<b class='flag-5'>一</b>代<b class='flag-5'>神經(jīng)</b>擬態(tài)類腦計(jì)算機(jī)“悟空”發(fā)布,<b class='flag-5'>神經(jīng)元</b>數(shù)量超20億

    無刷直流電機(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

    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 ?1047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 ?1038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 ?1073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程。具體來說,輸入層的信號(hào)經(jīng)過加權(quán)和運(yùn)算后傳遞給隱藏層,隱藏層的神經(jīng)元接收來自前層的信號(hào),經(jīng)過激活函數(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 ?1220次閱讀

    深度學(xué)習(xí)入門: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 ?710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,由于
    的頭像 發(fā)表于 01-09 10:24 ?1784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

    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 ?2249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 ?1796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