能耗降低93.3%，復(fù)旦、港大團(tuán)隊開發(fā)受大腦啟發(fā)的動態(tài)神經(jīng)網(wǎng)絡(luò)，實現(xiàn)超強(qiáng)2D、3D視覺

AIGC動態(tài)歡迎閱讀

原標(biāo)題：能耗降低93.3%，復(fù)旦、港大團(tuán)隊開發(fā)受大腦啟發(fā)的動態(tài)神經(jīng)網(wǎng)絡(luò)，實現(xiàn)超強(qiáng)2D、3D視覺
關(guān)鍵字：大腦,語義,噪聲,動態(tài),記憶
文章來源：人工智能學(xué)家
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

將 ScienceAI設(shè)為星標(biāo)
第一時間掌握
新鮮的 AI for Science 資訊編輯 | 蘿卜皮
大腦運(yùn)算是動態(tài)的、具有聯(lián)想能力的、高效的。它通過將輸入與過去的經(jīng)驗聯(lián)系起來，將記憶和處理融合在一起，從而進(jìn)行重新配置。
相比之下，人工智能模型是靜態(tài)的，無法將輸入與過去的經(jīng)驗聯(lián)系起來，并且在具有物理分離的記憶和處理的數(shù)字計算機(jī)上運(yùn)行。
復(fù)旦大學(xué)、香港大學(xué)、中國科學(xué)院等機(jī)構(gòu)組成的聯(lián)合團(tuán)隊提出了一種軟硬件協(xié)同設(shè)計方案，即使用憶阻器的基于語義記憶的動態(tài)神經(jīng)網(wǎng)絡(luò)。
該網(wǎng)絡(luò)將傳入的數(shù)據(jù)與存儲為語義向量的過去經(jīng)驗相關(guān)聯(lián)。網(wǎng)絡(luò)和語義存儲器分別在基于抗噪三元憶阻器的內(nèi)存計算 (CIM) 和內(nèi)容可尋址存儲器 (CAM) 電路上物理實現(xiàn)。
研究人員使用 40 納米憶阻器宏在 ResNet 和 PointNet++ 上驗證了該設(shè)計，用于對 MNIST 和 ModelNet 數(shù)據(jù)集中的圖像和三維點進(jìn)行分類，這不僅實現(xiàn)了與軟件相當(dāng)?shù)臏?zhǔn)確度，而且還將計算預(yù)算減少了 48.1% 和 15.9%。此外，它還降低了 77.6% 和 93.3% 的能耗。
該研究以「Semantic memory–based dyna

原文鏈接：能耗降低93.3%，復(fù)旦、港大團(tuán)隊開發(fā)受大腦啟發(fā)的動態(tài)神經(jīng)網(wǎng)絡(luò)，實現(xiàn)超強(qiáng)2D、3D視覺