導讀：IT之家 9 月 1 日消息，中國科學院微電子研究所等將人工神經(jīng)網(wǎng)絡(luò)與大腦的動態(tài)可重構(gòu)性相結(jié)合，開發(fā)出基于語義記憶的動態(tài)神經(jīng)網(wǎng)絡(luò)。 ▲基于語義記憶的腦啟發(fā)動態(tài)神經(jīng)網(wǎng)絡(luò)硬件軟件協(xié)同設(shè)計 大腦神經(jīng)網(wǎng)絡(luò)具有復雜的語義記憶和動態(tài)連接性，可將不斷變化的輸入與...
IT之家 9 月 1 日消息，中國科學院微電子研究所等將人工神經(jīng)網(wǎng)絡(luò)與大腦的動態(tài)可重構(gòu)性相結(jié)合，開發(fā)出基于語義記憶的動態(tài)神經(jīng)網(wǎng)絡(luò)。
▲基于語義記憶的腦啟發(fā)動態(tài)神經(jīng)網(wǎng)絡(luò)硬件軟件協(xié)同設(shè)計
大腦神經(jīng)網(wǎng)絡(luò)具有復雜的語義記憶和動態(tài)連接性，可將不斷變化的輸入與龐大記憶中的經(jīng)驗聯(lián)系起來，高效執(zhí)行復雜多變的任務(wù)。
目前，人工智能系統(tǒng)廣泛應用的神經(jīng)網(wǎng)絡(luò)模型多是靜態(tài)的。隨著數(shù)據(jù)量不斷增長，它在傳統(tǒng)數(shù)字計算系統(tǒng)中產(chǎn)生大量能耗和時間開銷，難以適應外界環(huán)境的變化。
與靜態(tài)網(wǎng)絡(luò)相比，語義記憶動態(tài)神經(jīng)網(wǎng)絡(luò)能夠根據(jù)計算資源權(quán)衡識別準確性和計算效率，可在資源受限設(shè)備或分布式計算環(huán)境中展現(xiàn)出色的性能。
IT之家獲悉，在對 2D 圖像數(shù)據(jù)集 MNIST 和 3D 點云數(shù)據(jù)集 ModelNet 的分類任務(wù)中，該設(shè)計實現(xiàn)了與軟件相當?shù)臏蚀_率，相比于靜態(tài)神經(jīng)網(wǎng)絡(luò)減少了 48.1% 和 15.9% 的計算量，相比傳統(tǒng)數(shù)字硬件系統(tǒng)降低了計算能耗。
