رایانه ها و هوش مصنوعی در تغییرات عمده در شیوه خرید مردم همچنان مؤثر هستند. آموزش یک مغز ربات برای ایجاد یک لیست خرید نسبتاً آسان است ، اما اطمینان حاصل شود که خریدار رباتیک به راحتی می تواند تفاوت بین هزاران محصول موجود در فروشگاه را بگوید؟
محققان و متخصصان دانشگاه پوردو در محاسبات با محور مغز فکر می کنند که بخشی از پاسخ ممکن است در آهن ربا باشد. محققان روشی را برای استفاده از مغناطیسی با شبکه های شبیه به مغز تهیه کرده اند تا بتوانند از دستگاه هایی مانند روبات های شخصی ، اتومبیل های خودران و هواپیماهای بدون سرنشین برای برنامه ریزی و آموزش بهتر برای تعمیم بهتر اشیاء مختلف استفاده کنند.
كاوشیك روی ، ادوارد جی تیودمن جونیور پوردو ، استاد برجسته مهندسی برق و کامپیوتر گفت: "شبکه های عصبی تصادفی ما تلاش می كنند از فعالیتهای خاصی از مغز انسان تقلید كرده و از طریق اتصال نورونها و سیناپسها محاسبه كنند." "این به مغز رایانه اجازه می دهد تا نه تنها اطلاعات را ذخیره کند بلکه در مورد اشیاء نیز تعمیم خوبی داشته باشد و سپس به استنتاج برسد تا در تمایز بهتر بین اشیاء عملکرد بهتری داشته باشد."
بیشتر بخوانید: پمپ های وکیوم خلاء برای تبخیر چرخشی
روی این فناوری را در کنفرانس سالانه علوم فیزیکی آلمان در اوایل این ماه در آلمان ارائه داد. این اثر همچنین در ظاهر شد .
دینامیک سوئیچینگ یک نانو آهنربا شبیه به دینامیک الکتریکی نورون ها است. دستگاه های اتصال تونل مغناطیسی رفتار سوئیچینگ را نشان می دهند که در نوع خود تصادفی است.
دستگاه های اتصال تونل مغناطیسی رفتار سوئیچینگ را نشان می دهند که در نوع خود تصادفی است. اعتبار: دانشگاه پوردو
رفتار تعویض تصادفی نماینده یک رفتار تعویض سیگموئید یک نورون است. چنین اتصالات تونلی مغناطیسی همچنین می تواند برای ذخیره وزنه سیناپسی استفاده شود.
گروه Purdue یک الگوریتم آموزش تصادفی جدید برای سیناپس ها با استفاده از انعطاف پذیری وابسته به زمانبندی سنبله (STDP) ، با نام پیشنهاد کرد ، که به صورت تجربی در هیپوکامپ موش مشاهده شده است. رفتار تصادفی ذاتی آهنربا برای تغییر حالت های مغناطش تصادفی بر اساس الگوریتم پیشنهادی برای یادگیری بازنمایی های مختلف شی مورد استفاده قرار گرفت.
وزنه های سیناپسی آموزش دیده ، که به صورت قطعی در حالت مغناطش نانو آهنرباها رمزگذاری می شوند ، در هنگام استنباط استفاده می شوند. به نفع ، استفاده از آهنرباهای مانع پرانرژی (30-40KT در جایی که K ثابت بولتزمن و دمای دمای T است) نه تنها به ابتدایی تصادفی جمع و جور اجازه می دهد ، بلکه امکان استفاده از همان دستگاه را به عنوان یک عنصر حافظه پایدار فراهم می کند. نیاز به حفظ با این حال ، ارتفاع مانع از نانو آهنرباها مورد استفاده برای انجام محاسبات عصبی مانند سیگموئید می تواند برای بهره وری انرژی بالاتر به 20KT کاهش یابد.
روی ، مدیر مرکز Purdue برای محاسبات مغزی که قادر است هوش خودمختار را هدایت کند ، گفت: "بزرگترین مزیت فن آوری آهنربایی است که ما توسعه داده ایم. ما یک شبکه ساده تر ایجاد کرده ایم که نورون ها و سیناپس ها را همزمان با فشرده سازی مقدار حافظه و انرژی مورد نیاز برای انجام کارهایی مشابه محاسبات مغز ایجاد می کند. "
روی گفت شبکه های مغز مانند در حل مشکلات دشوار نیز از جمله مشکلات بهینه سازی ترکیبی مانند مشکل فروشنده مسافر و رنگ آمیزی نمودار استفاده های دیگری دارند. دستگاههای تصادفی پیشنهادی می توانند به عنوان "آنیلر طبیعی" عمل کنند و به الگوریتم های کمکی محلی کمک می کنند.
رایانه ها و هوش مصنوعی در تغییرات عمده در شیوه خرید مردم همچنان مؤثر هستند. آموزش یک مغز ربات برای ایجاد یک لیست خرید نسبتاً آسان است ، اما اطمینان حاصل شود که خریدار رباتیک به راحتی می تواند تفاوت بین هزاران محصول موجود در فروشگاه را بگوید؟
محققان و متخصصان دانشگاه پوردو در محاسبات با محور مغز فکر می کنند که بخشی از پاسخ ممکن است در آهن ربا باشد. محققان روشی را برای استفاده از مغناطیسی با شبکه های شبیه به مغز تهیه کرده اند تا بتوانند از دستگاه هایی مانند روبات های شخصی ، اتومبیل های خودران و هواپیماهای بدون سرنشین برای برنامه ریزی و آموزش بهتر برای تعمیم بهتر اشیاء مختلف استفاده کنند.
كاوشیك روی ، ادوارد جی تیودمن جونیور پوردو ، استاد برجسته مهندسی برق و کامپیوتر گفت: "شبکه های عصبی تصادفی ما تلاش می كنند از فعالیتهای خاصی از مغز انسان تقلید كرده و از طریق اتصال نورونها و سیناپسها محاسبه كنند." "این به مغز رایانه اجازه می دهد تا نه تنها اطلاعات را ذخیره کند بلکه در مورد اشیاء نیز تعمیم خوبی داشته باشد و سپس به استنتاج برسد تا در تمایز بهتر بین اشیاء عملکرد بهتری داشته باشد."
بیشتر بخوانید: پمپ های وکیوم خلاء برای تبخیر چرخشی
روی این فناوری را در کنفرانس سالانه علوم فیزیکی آلمان در اوایل این ماه در آلمان ارائه داد. این اثر همچنین در ظاهر شد .
دینامیک سوئیچینگ یک نانو آهنربا شبیه به دینامیک الکتریکی نورون ها است. دستگاه های اتصال تونل مغناطیسی رفتار سوئیچینگ را نشان می دهند که در نوع خود تصادفی است.
دستگاه های اتصال تونل مغناطیسی رفتار سوئیچینگ را نشان می دهند که در نوع خود تصادفی است. اعتبار: دانشگاه پوردو
رفتار تعویض تصادفی نماینده یک رفتار تعویض سیگموئید یک نورون است. چنین اتصالات تونلی مغناطیسی همچنین می تواند برای ذخیره وزنه سیناپسی استفاده شود.
گروه Purdue یک الگوریتم آموزش تصادفی جدید برای سیناپس ها با استفاده از انعطاف پذیری وابسته به زمانبندی سنبله (STDP) ، با نام پیشنهاد کرد ، که به صورت تجربی در هیپوکامپ موش مشاهده شده است. رفتار تصادفی ذاتی آهنربا برای تغییر حالت های مغناطش تصادفی بر اساس الگوریتم پیشنهادی برای یادگیری بازنمایی های مختلف شی مورد استفاده قرار گرفت.
وزنه های سیناپسی آموزش دیده ، که به صورت قطعی در حالت مغناطش نانو آهنرباها رمزگذاری می شوند ، در هنگام استنباط استفاده می شوند. به نفع ، استفاده از آهنرباهای مانع پرانرژی (30-40KT در جایی که K ثابت بولتزمن و دمای دمای T است) نه تنها به ابتدایی تصادفی جمع و جور اجازه می دهد ، بلکه امکان استفاده از همان دستگاه را به عنوان یک عنصر حافظه پایدار فراهم می کند. نیاز به حفظ با این حال ، ارتفاع مانع از نانو آهنرباها مورد استفاده برای انجام محاسبات عصبی مانند سیگموئید می تواند برای بهره وری انرژی بالاتر به 20KT کاهش یابد.
روی ، مدیر مرکز Purdue برای محاسبات مغزی که قادر است هوش خودمختار را هدایت کند ، گفت: "بزرگترین مزیت فن آوری آهنربایی است که ما توسعه داده ایم. ما یک شبکه ساده تر ایجاد کرده ایم که نورون ها و سیناپس ها را همزمان با فشرده سازی مقدار حافظه و انرژی مورد نیاز برای انجام کارهایی مشابه محاسبات مغز ایجاد می کند. "
روی گفت شبکه های مغز مانند در حل مشکلات دشوار نیز از جمله مشکلات بهینه سازی ترکیبی مانند مشکل فروشنده مسافر و رنگ آمیزی نمودار استفاده های دیگری دارند. دستگاههای تصادفی پیشنهادی می توانند به عنوان "آنیلر طبیعی" عمل کنند و به الگوریتم های کمکی محلی کمک می کنند.
مدل جدیدی برای تولید سؤال گفتگوی بصری