神经网络在单片机;照亮了人工智能;小忆阻器。
神经网络在单片机
麻省理工学院的研究人员正在努力使神经网络物联网设备。团队的MCUNet神经网络是一个系统设计紧凑的深度学习在微控制器的内存和处理能力有限。
MCUNet由两部分组成。一个推理引擎TinyEngine,引导资源管理。TinyEngine优化运行一个特定的神经网络结构,由MCUNet选定的其他组件,TinyNAS,神经结构搜索算法。
现有的神经结构搜索技术从一个大池可能的网络结构基于预定义的模板,然后逐渐找到高精度和低成本。虽然这个方法是可行的,这不是最有效的。“这对gpu可以很好地工作或智能手机,“吉林说,博士生在麻省理工学院的电气工程和计算机科学。“但这是很难直接应用这些技术小微控制器,因为他们太小了。”
TinyNAS可以创建自定义的网络。“我们有很多的微控制器,带有不同的权力能力和不同的内存大小,”林说,“所以我们开发了算法(TinyNAS)优化的搜索空间不同的微控制器。然后我们提供最终的、高效的微控制器模型。”
TinyEngine生成必要的代码需要运行TinyNAS定制的神经网络。任何无谓的代码被丢弃,这减少了编译时。说:“我们只保留我们需要的歌曲汉,助理教授在麻省理工学院的电气工程和计算机科学。“因为我们设计的神经网络,我们知道我们需要什么。这是系统算法的优势合作设计”。
TinyEngine集团的测试,编译后的二进制代码的大小是1.9至5倍小于可比单片机推理引擎从谷歌和手臂。TinyEngine还包含创新,减少运行时,包括卷积就地深度方面,他们认为削减高峰内存使用了近一半。
在测试中,ImageNet数据库被用来训练系统标记图像,然后测试其小说的分类的能力。在商业单片机测试,MCUNet成功分类70.7%的小说图像,在不同的微控制器速度保持稳定。
照亮了人工智能
皇家墨尔本理工大学的研究人员从科罗拉多州立大学,东北师范大学,加州大学伯克利分校light-modulated神经形态设备结合记忆和信号处理能力。
“我们的新技术从根本上提高效率和准确性将多个组件和功能到一个平台,”说苏密特生活,RMIT副教授也该功能材料和微系统研究小组。“这是让我们更接近一个一体化的智能设备的灵感来自大自然最伟大的计算创新——人类的大脑。我们的目标是复制大脑如何学习的核心功能,通过印迹视觉记忆。我们开发的原型是一个重大的飞跃向neurorobotics,更好的人机交互技术和可伸缩的仿生系统。”
受光遗传学的启发,芯片是基于分层黑磷,从而改变电阻,以应对不同的波长的光。功能成像或内存存储等通过芯片上的不同颜色的光。
团队表示,新样机一起旨在整合电子硬件和情报提供现场快速决策。
“想象一个破折号凸轮等结合的汽车neuro-inspired硬件——它可以识别灯,标志、对象和即时做出决定,而无需连接互联网,“生活的说。”,将它放入一个芯片,我们可以提供前所未有的效率和速度在自治和AI-driven决策。”
芯片可以捕获和自动增强图像,分类号码,和被训练识别模式和图像的准确率超过90%。研究人员说这也容易与现有的电子和硅技术兼容。
小忆阻器
德克萨斯大学奥斯汀分校的研究人员,国立成功大学,橡树岭国家实验室,贝尔法斯特女王大学创建了一个小忆阻器内存设备截面面积一平方纳米。
该团队使用二硫化钼(监理)作为主要的纳米材料。缺陷或漏洞高密度存储材料的关键。
“当一个额外的金属原子进入纳米孔和填充它,它赋予一些导电性材料,这导致改变或记忆效应,”德记公司Akinwande说,教授奥斯汀德州大学电子与计算机工程系。
以前,研究人员开发了一个忆阻器设备只有一个原子厚。这种“atomristor”是新的工作重点的基础截面面积萎缩。“科学的圣杯的比例下降到单个原子控制记忆功能,这就是我们在新的研究中,完成“Akinwande说。
“这项工作的结果为开发下一代应用程序感兴趣的国防部,如超密度储存、神经形态计算系统,射频通信系统,“Pani瓦拉纳西说,项目经理为美国陆军研究办公室,资助这项研究。
团队说,新的记忆电阻可以提供的集油能力大约为每平方厘米25位和所使用的技术并不局限于二硫化钼但是可以应用到数以百计的相关自动薄材料。
|
|
|
|
|
|
|
|
|
|
留下一个回复