中文 英语

标签:人工神经网络

基于2d材料的电子电路(KAUST和TSMC)
通过技术文件链接- 2022年12月6日-评论:0

KAUST材料科学与工程副教授Mario Lanza博士和TSMC公司研究员Iuliana Radu刚刚发表了一篇题为“由2D材料制成的电子电路”的特别版文章。这特刊涵盖了21篇文章，从领先的主题专家，从材料合成和他们的集成在微/纳米电子器件和c…»阅读更多

3新兴技术:忆阻器，自旋电子学和2D材料
通过技术文件链接- 2022年7月6日-评论:0

伦敦大学学院和剑桥大学的研究人员发表了题为“记忆、自旋电子和基于2d材料的设备以改进和补充计算硬件”的新技术论文。“在数据驱动的经济中，几乎所有行业都受益于信息技术的进步，强大的计算系统对快速技术更新至关重要。»阅读更多

AI-Powered验证
通过布莱恩•贝利- 2022年6月1日-评论

由于功能验证比设计花费更多的时间和精力，芯片行业正在寻找每一种可能的方法，使验证过程更有效、更高效。人工智能(AI)和机器学习(ML)正在接受测试，看看它们能产生多大的影响。虽然取得了一些进展，但似乎仍只是触及了问题的外围。»阅读更多

更简单、更快速地训练人工智能
通过布来安梅奥- 2021年11月4日-评论:0

训练一个人工智能模型需要大量的工作和数据。利用现有的培训可以节省时间和金钱，加速使用该模型的新产品的发布。但有几种方法可以做到这一点，最显著的是通过迁移和增量学习，每种方法都有其应用和权衡。迁移学习和增量学习都需要预…»阅读更多

机器学习不仅仅是cnn
通过布来安梅奥- 2021年6月9日-评论

神经网络——尤其是卷积神经网络(cnn)——在过去的几年里受到了大量的关注，但它们并不是唯一有用的机器学习结构。对于机器来说，学习如何解决问题还有许多其他的方法，并且还有替代机器学习结构的空间。“神经网络可以完成所有这些非常复杂的工作……»阅读更多

开发人员转向模拟神经网络
通过布来安梅奥- 2021年5月6日-意见

机器学习(ML)解决方案正在各种各样的行业中激增，但绝大多数的商业实现仍然依赖于数字逻辑的解决方案。除了内存计算之外，模拟解决方案大多局限于大学和神经形态计算的尝试。然而，这种情况正在开始改变。“Everyon…»阅读更多

理解新的边缘推断架构
通过布来安梅奥- 2021年3月4日-评论:0

新的边缘推理机器学习架构在去年以惊人的速度出现。理解所有这些都是一个挑战。首先，并不是所有的ML架构都是一样的。理解不同的机器学习架构的复杂因素之一是用于描述它们的术语。你会看到“macs海洋”、“收缩压……”»阅读更多

未来会有更好的机器训练方法吗?
通过布来安梅奥- 2020年7月1日-评论

我们生活在一个机器学习(ML)空前普及的时代，但它依赖于一种方法来训练人工神经网络(ann)中实现的模型——如此命名是因为它们不是神经形态的。但是其他的训练方法，其中一些比其他的更具仿生性，正在开发中。最大的问题是，它们中是否有任何一种会具有商业价值。»阅读更多

系统日期:9月24日
通过杰夫Dorsch- 2019年9月24日-评论:0

包括布法罗大学在内的许多公司和学术研究人员都在研究量子计算技术。UB报道，二维二硫化钨(WS2)的新研究可能为量子计算的进步打开大门。在9月13日发表在《自然通讯》杂志上的一篇论文中，科学家们报告说，他们可以操纵原子的电子性质。»阅读更多

优化嵌入式设备的深度学习推理
通过Silexica- 2019年2月27日-评论:0

深度人工神经网络(ann)已经成为各种任务的通用特征提取器，因为它们接近(在许多情况下超过)人类水平的性能。从网上商店推荐到自动驾驶汽车，它们已经成为几乎所有现代人工智能(AI)应用程序的基本组成部分。这份白皮书强调了不同的挑战与……»阅读更多

←老帖子

  • 赞助商

关于

导航

与我们联系

版权所有©2013-2023 SMG |服务条款|隐私政策
Baidu