机构名称：
¥ 1.0
摘要 - 主要由深神经网络驱动的人工intel-ligence（AI）的显着进步面临着围绕不可持续的计算传统，有限的鲁棒性和缺乏解释性的挑战。为了开发下一代认知AI系统，神经符号AI成为一种有希望的范式，融合了神经和象征性方法，以增强可解释性，鲁棒性和信任性，同时促进从较少数据的数据中促进学习。最近的神经符号系统在与推理和认知能力的协作人类方案中表现出了巨大的潜力。在本文中，我们旨在了解神经符号AI的工作量特征和潜在的架构。我们首先系统地对神经符号AI算法进行分类，然后通过实验评估和分析它们的运行时，记忆，计算运算符，稀疏性，稀疏性以及CPU，GPU和EDGE SOC的系统特征。我们的研究表明，由于矢量符号和逻辑操作的记忆性质，复杂的流量控制，数据依赖性，稀疏性变化以及有限的可伸缩性，神经符号模型的效率低下效率低下。基于分析见解，我们建议跨层优化解决方案，以提高神经符号计算的性能，效率和可扩展性。最后，我们从系统和建筑学的角度讨论了神经符号AI的挑战和未来方向。
神经符号AI
主要关键词
相关文件推荐
