中文 英语

标签:SNNs

基于MEMprop:梯度学习训练完全记忆性SNNs
通过技术论文链接- 04年7月,2022 -评论:0

基于新技术论文题为“梯度神经形态学习动力RRAM数组”从IEEE研究者。基于抽象的“我们现在MEMprop,采用梯度神经网络学习训练完全记忆性强化(MSNNs)。我们的方法利用固有设备动态触发自然产生电压峰值。这些记忆性动力学发出的峰值是肛交……»阅读更多

小说自旋电子Neuro-mimetic设备模拟生活神经元动力学w /高能源效率和紧凑的足迹
通过技术论文链接- 03年6月,2022 -评论:0

新技术论文题为“噪音弹性漏integrate-and-fire神经元基于多域自旋电子元件”来自普渡大学的研究人员。抽象”可以有效地模拟神经功能在硬件构建神经形态计算系统是至关重要的。在各种类型的neuro-mimetic设备进行了调查,仍然是具有挑战性的……»阅读更多

神经形态芯片和电力需求
通过技术论文链接2022年5月- 24 -评论:0

研究论文题为“人工智能应用程序的长期短期记忆Spike-based神经形态硬件,“从格拉茨大学的研究人员的技术和英特尔实验室。硬件抽象”Spike-based神经形态拥有承诺提供更多的能源效率的实现深层神经网络比标准硬件如gpu(款)。但这需要了解D…»阅读更多

记忆性突触设备基于天然有机material-honey飙升在可生物降解的神经形态神经网络系统
通过技术论文链接- 06年4月,2022 -评论:0

新的学术论文从华盛顿州立大学,由国家科学基金会的资助。文摘:“强化神经网络(SNN)在未来神经形态架构需要硬件设备不仅能够模仿spike-timing依赖等生物突触可塑性的基本功能(STDP)和spike-rate依赖性可塑性(SRDP)……»阅读更多

不间断Sub-Microwatt飙升神经网络基于Spike-Driven时钟,Power-Gating一种超低功耗的智能设备
通过技术论文链接- 12月21日,2021 -评论:0

文摘:“神经网络提出了一个新颖的飙升(SNN)分类器架构支持不间断人工智能(AI)功能,如关键字定位(KWS)和视觉唤醒,在超低功耗物联网(物联网)设备。这种不间断的硬件往往主导物联网设备的功率效率,因此它是至关重要的减少权力侮辱……»阅读更多

事件驱动和完全Synthesizable飙升神经网络架构
通过技术论文链接12月- 20,2021 -评论:0

文摘:“brain-inspired神经形态计算架构的发展作为人工智能(AI)范式的边缘是一个候选解决方案,能满足严格的能源和降低成本的限制物联网(物联网)应用领域。朝着这一目标,我们提出μBrain:第一个数字完全驱动没有时钟的架构,与本地…»阅读更多

基准飙升高度并行硬件神经网络在机器人
通过技术论文链接12月- 20,2021 -评论:0

文摘:“动物的大脑仍然比即使是最高性能机器以显著降低速度。尽管如此,令人印象深刻的进展在机器人领域的设想中,运动和路径规划在过去的几十年。Brain-inspired飙升神经网络(SNN)和必要的并行硬件开发他们的潜能为机器人应用前途的功能……»阅读更多

更容易、更快捷的方式来训练人工智能
通过布来安梅奥- 04年11月2021 -评论:0

训练一个AI模型需要大量的努力和数据。利用现有的训练可以节省时间和金钱,加速新产品的发布,使用模型。但是有一些方法可以做到这一点,尤其是通过转让和增量学习,和他们每个人都有其应用程序和权衡。转移学习和增量学习前……»阅读更多

11减少人工智能能量消耗的方法
通过布来安梅奥2021年5月- 13 -评论:1

随着机器学习行业的发展,重点已从过去仅仅解决问题更好地解决这个问题。“更好”常常意味着精度和速度,但随着数据中心能源预算爆炸和机器学习转移到边缘,取而代之的是能源消耗与精度和速度是一个关键问题。有很多方法神经……»阅读更多

使新的Edge-Inference架构
通过布来安梅奥- 04年3月,2021 -评论:0

新的edge-inference机器学习架构已经到达一个惊人的速度在过去的一年。要了解它们的意义都是一个挑战。首先,并不是所有的ML体系结构是一样的。的一个复杂的因素在理解不同的机器学习架构是术语用来描述他们。你会看到像“sea-of-MACs”、“收缩……»阅读更多

←旧的文章

  • 赞助商

关于

导航

与我们联系

版权©2013 - 2023 SMG |服务条款|隐私政策
Baidu