适应性神经网络;光子DAC;热磁发电机。
适应性神经网络
神经网络会经历两个阶段:训练(基于数据集设置权重)和推理(基于这些权重评估新信息)。但是麻省理工学院、奥地利科学技术研究所和维也纳理工大学的研究人员提出了一种新型的神经网络，可以在推理过程中学习，并调整其基础方程，以不断适应新的数据输入。
被称为“液体”网络研究人员认为，它们对随着时间变化的数据流尤其有用。“现实世界都是关于序列的。甚至我们的感知——你不是在感知图像，你是在感知图像的序列，”麻省理工学院计算机科学和人工智能实验室(CSAIL)的博士后Ramin Hasani说。“这是未来机器人控制、自然语言处理、视频处理——任何形式的时间序列数据处理的前进方向。潜力真的很大。”
在设计这个网络时，灵感来自秀丽隐杆线虫的神经元如何激活和相互交流。“它的神经系统中只有302个神经元，”哈萨尼说，“但它可以产生出乎意料的复杂动态。”在用于构造神经网络的方程中，参数可以根据一组嵌套的微分方程的结果随时间变化。
Hasani说，“液体”网络对意外数据或噪声数据更有弹性，也更易于解释。“只要改变神经元的表示方式，你就可以探索其他方法无法探索的复杂程度。模型本身在表现力方面更丰富。”少量的高表达神经元使我们更容易判断为什么网络会做出某种特征。
该团队表示，该网络与其他时间序列算法相比表现良好，准确预测了从大气化学到交通模式等数据集的未来值。“在许多应用程序中，我们看到性能可靠地高，”Hasani说，并指出小网络规模也意味着需要更少的计算资源。“每个人都在谈论扩大他们的网络。我们想要缩小规模，拥有更少但更丰富的节点。”
研究人员计划继续改进该系统，使其为商业应用做好准备。
光子DAC
乔治华盛顿大学和加州大学洛杉矶分校的研究人员开发了一种光子数模转换器(DAC)，不需要信号在电域进行转换。
研究人员认为，网络中的功耗和吞吐量瓶颈来自于电子到光学和光到电子的转换。
该团队为他们的相干并行光子二进制加权DAC的4位原型使用了硅光子芯片平台，并表示该结果有可能满足对高数据处理能力的需求，同时作用于光数据，与数字系统接口，并在紧凑的空间内执行，具有短信号延迟和低功耗。
乔治华盛顿大学(George Washington University)电气与计算机工程副教授沃尔克·j·索尔杰(Volker J. Sorger)说:“我们找到了一种方法，可以无缝地弥合模拟和数字两个世界之间的差距。”“该设备是下一代数据处理硬件的关键跳板。”
DAC的工作速度和功耗受到负责将数字位编码到光学域的调制器性能的限制，但该团队认为未来将对此进行改进。
在纸研究人员补充说:“与其他并行光子DAC实现相比，这种相干光子DAC不需要在电域内转换信号，因此可以支持高通量应用程序的数据I/O接口，例如特定领域的计算加速、新兴的光子集成神经形态信号处理引擎以及网络边缘处理和数据路由平台。”
热磁发电机
卡尔斯鲁厄理工学院(KIT)和东北大学的研究人员正在努力通过增加每足迹的电力来在室温下收集废热热磁发电机．
当收集废热时，它的温度越高，就越容易捕获它的能量。热电发电机已经被使用，但研究人员表示，它们可能很昂贵，涉及有毒材料，而且效率很低。
相反，他们转向了热磁发生器。热磁发生器是基于具有温度依赖性磁性的合金。交变磁化在线圈中产生电压。
该团队的设备使用了镍锰镓赫斯勒合金，这是一种磁性金属间化合物。它们以薄膜的形式应用于热磁发生器中，并提供了一个大的温度依赖性的磁化变化和快速传热。共振振动被诱导，并能有效地转化为电能。
热磁发生器是基于具有高度温度依赖性的磁性薄膜。(照片:IMT /包)
他们发现合金薄膜厚度和器件占地面积对功率的影响方向相反，通过将合金薄膜厚度从5微米增加到40微米，每占地面积的功率可以增加3.4倍。
“基于我们的工作结果，热磁发电机现在第一次与现有的热电发电机竞争。有了这个，我们离在小温差下将废热转化为电能的目标又近了很多，”KIT微结构技术研究所智能材料与器件组负责人曼弗雷德·科尔教授说。
在3摄氏度的温度变化下，热磁发电机的最大功率达到了50微瓦/平方厘米。Kohl说:“这些结果为开发定制的并联热磁发电机铺平了道路，这种发电机可以利用接近室温的废热。”
接下来，研究人员说，需要进一步的材料开发和工程来提高产生的能量。
|
|
|
|
|
|
|
|
|
|
留下回复