(資料圖片僅供參考)
在《自然·機器智能》雜志上發表的一項新研究中，荷蘭國家數學與計算機科學研究所(CWI)科學家展示了類腦神經元如何與新穎的學習方法相結合，能夠大規模訓練快速節能的尖峰神經網絡。潛在的應用包括可穿戴人工智能(AI)、語音識別、增強現實等諸多領域。
這種尖峰神經網絡，可在稱為神經形態硬件的芯片中實現，有望使AI程序更貼近用戶。這一解決方案有利于保護隱私、提高穩健度和響應能力，其應用范圍從電器中的語音識別、醫療保健監控、無人機導航，到本地監控設備。
就像標準的人工神經網絡一樣，尖峰神經網絡也需要訓練才能流暢地執行這些任務。然而，這種網絡通信方式也帶來了嚴峻的訓練挑戰，因為它們無法與人類大腦的學習能力相提并論：大腦可以很容易地從新體驗中完成學習，改變連接，甚至建立新的連接；大腦所需的“范本”很少，但學到的卻很多；大腦學習新事物時也非常節能。
為了達到與人類大腦接近的程度，新的在線學習算法可直接從數據中學習，實現更大的峰值神經網絡。在研究人員展示中，底層尖峰神經網絡SPYv4經過訓練，可在阿姆斯特丹一條繁忙的街道上區分騎行者、步行者和汽車，并準確指示它們的位置。
研究人員表示，以前，他們可訓練超過10000個神經元的神經網絡；現在，對于擁有超過6百萬個神經元的網絡，他們也能很容易地訓練。
有了基于尖峰神經網絡的強大AI解決方案，研究人員正在開發能以非常低的功率運行這些人工智能程序的芯片，這些芯片最終將出現在許多智能設備中，如助聽器和增強/虛擬現實眼鏡。
現代人工神經網絡是當前AI革命的支柱，但它們實際上是受到真實生物神經元網絡(如人類大腦)啟發的產物。誠然，大腦是目前任何AI也無法比擬的——網絡更大、工作起來更節能，并且在被外部事件觸發時，能更快地作出反應。如何更貼近真實的大腦？那就是更逼真地效仿生物神經元的工作。科學家們發現，人類神經系統的神經元通過交換電脈沖進行通信，而尖峰神經網絡憑借著對這一點的模仿，成為了本研究中特殊類型的神經網絡。
責任編輯：Rex_10
營業執照公示信息