中文 英语

标签:强化神经网络

神经形态计算:挑战、机遇包括材料、算法、设备和道德
通过技术论文链接- 06年7月,2022 -评论:0

这个新的研究论文题为“2022路线图神经形态计算和工程”是由许多丹麦技术大学的研究人员,学院Microelectronica de塞维利亚CSIC,塞维利亚大学和许多其他人。部分摘要:“本路线图的目的是提出一个快照的神经形态技术的现状,并提供一个意见chall……»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

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

Edge-Inference架构增殖
通过布来安梅奥- 04年2月,2021 -评论:0

第一部分两部分组成。第二部分将深入基本建筑特点。去年有大量的宣布新的边缘推理机器学习(ML)架构。卸下了需要支持培训,但负责低延迟,设备表现出极其多样毫升推理方法。“建筑是改变在comp……»阅读更多

神经网络没有矩阵数学
通过凯瑟琳德比郡- 9月17日,2020 -评论:0

加快的挑战AI系统通常意味着增加更多的处理元素和修剪算法,但是这些方法并不是唯一的前进道路。几乎所有的商业机器学习应用程序依赖于人工神经网络的训练使用大型数据集和反向传播算法。网络分析一个训练的例子,通常分配……»阅读更多

集中精力研究了生物计算
通过凯瑟琳德比郡8月- 20,2020 -评论:0

人工神经网络需要复制飙升生物神经元兴奋性和抑制性为了模仿生物大脑的神经激活模式。这样做与cmos的设计是具有挑战性的,因为大电路所需的足迹。然而,惠普实验室的研究人员发现一个生物合理的模型,Hodgkins-Huxley模型,数学…»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