中文 英语

制造比特:4月27日

下一代神经形态计算;机器视觉;地震检测。

人气

下一代神经形态计算
欧洲联盟(欧盟)推出了一个新的项目来开发下一代设备神经形态计算系统。

该项目,被称为mem-scales,计划开发一种新颖的算法,设备和电路,可再现生物神经系统的多时间尺度处理。结果将用于构建可以实时处理现实世界感官信号和数据的神经形态计算系统。这些系统可以驻留在网络的边缘上。

CEA-Leti正在协调该计划。其他成员包括IMEC,IBM,苏黎世大学,CSIS,CNR,Synsense和UOG。

神经形态计算是众多形式的ai之一。今天最常见的AI类型被称为机器学习。机器学习在系统中使用神经网络,这缩短了大量数据并识别模式。然后,网络匹配某些模式并了解哪些属性是重要的。今天许多基于机器学习的系统使用传统的芯片架构,如GPU,SRAM等。

该行业也一直致力于一种叫做神经形态计算的非传统方法,仍然是几年的距离被实现。神经形态计算也可以使用神经网络。差异是行业正在试图复制硅中的大脑。目标是模拟使用精确定时脉冲处理信息的方式。

这里有很多努力。例如,例如,Leti在使用RERAM,下一代内存类型的开发有关开发集成尖峰神经网络(SNN)芯片的论文。其他人正在使用基于模拟的非易失性存储方法。SNN在网络中包含时间的概念。

Mem-Scales项目类似于SNN的工作,具有扭曲。它希望为边缘和其他应用程序开发一类新的设备。

如今,PC,智能手机和其他系统会产生大量数据。大百分比的数据在大数据中心中的服务器中处理。这些系统需要快速和耗电的芯片。

有一段时间,该行业一直在研究可以从数据中心卸载一些处理和AI函数的设备。这些设备用于系统,它会坐在网络边缘。根据Linley Group的说法,Edge设备包括为汽车市场开发的芯片,以及用于汽车市场的芯片,以及无人机,安全摄像机,智能门铃和语音助手。

MEM-SCALES项目将为边缘启用新颖的解决方案。将来,大百分比计算将从中央服务器卸载,并将其委派给网络边缘的小型控制器和智能传感器。据该组织说:“这些物联网系统必须能够可靠地工作,而不会中断并且能量需求非常低。“该项目还将为不需要连接到云的应用程序开发边缘计算处理系统。”

MEM-SCALES项目希望开发新的存储器和设备技术,例如RERAM,薄膜晶体管(TFT)技术和其他技术。将制造这些产品,以支持多个时间尺度的片上学习。

“MEM-SCALES项目旨在将模拟尖峰微处理器中的神经形态计算提升到完全新的性能水平,”CEA-Leti的AI计划经理和Mem-Scales项目的协调员Elisa Vianello表示。“这些跨学科努力将导致创新硬件/软件平台的制造作为与强大的认知计算能力相结合的未来产品的基础。这种新的计算技术将开辟新的观点;例如,对于高维分布环境监测,可植入的医疗诊断微芯片,可穿戴电子产品和人机接口。“

机器视觉
加州大学在洛杉矶(UCLA)和加州纳米系统研究所(CNSI)已经开发出一种新的,单像素机视觉技术用于机器学习应用程序。

该技术克服了传统机器视觉系统的低效率。

机器视觉系统用于多种应用中。在操作中,这些系统使用基于光学组件来拍摄各种事件的图像。一旦图像被拍摄,然后处理数据。使用机器学习算法,数据用于对对象进行分类和识别对象。

这个过程有时是效率低效。在响应中,UCLA和CNSI设计了新的机器视觉解决方案。在实验室中,研究人员使用该技术来分类手写数字。

“与机器视觉系统中使用的传统光学组件不同,我们使用由二维(2D)的无源像素组成的衍射层,其中各个像素的复值传输或反射系数是由使用的独立学习参数。通过深入学习和错误反向化的计算机,“加州大学州的研究员京西李说科学推进,技术期刊。其他人贡献了这项工作。

“使用基于等离子体纳米纳尼纳的探测器,我们通过检测十个不同波长的衍射光的频谱功率来专用地验证了在太赫兹频谱上的单像素机器视觉框架,以光学分类了手写数字的图像,每个波长的衍射光的频谱功率,每个都表示一个类/数字李说,““这种单像素机视觉框架也可以扩展到其他光谱域测量系统,以实现与基于衍射网络的频谱编码集成的新的3D成像和感应模态。”

地震检测
LOS Alamos National实验室已开发出地区原子原,这是一种新的机器学习模式,承诺改善地震检测。

地震原能够产生高质量的合成地震波形。该技术可以在地震检测中节省乏味和密集的手动标记努力。

“为了验证我们的生成模式的E FFI Cency,我们将其应用于俄克拉荷马州的地震何国收集的地震,”洛杉矶阿拉莫斯国家实验室地球物理集团和项目主要调查员的计算科学家。“通过一系列定性和定量的测试和基准测试,我们看到我们的模型可以产生高质量的合成波形并改善基于机器的地震检测算法。”



发表评论


(注意:此名称将被公开显示)