Loading...
机构名称:
¥ 1.0

剑桥大学 - 认知与脑科学单位博士生(全日制)研究,研究了数字媒体与福祉之间关系的风险和韧性的认知签名,结合了计算建模和纵向方法。监督:艾米·奥本(Amy Orben)。剑桥大学 - 认知与脑科学单元研究生研究助理(全日制)研究重点是数字技术对福祉的影响,检查大型社交媒体数据集中的增强学习,习惯倾向和隔离。监督:艾米·奥本(Amy Orben)。牛津大学研究助理(兼职)研究精神病患者的选择性注意和学习缺陷以及对决策和行为抑制的潜在下游后果。监督:Elaine Fox和Robin Murphy。阿姆斯特丹大学助教(兼职)课程:成瘾和强迫性疾病,科学写作和表现,阿姆斯特丹荟萃分析 - 习惯实验室研究助理(兼职)管理和共同领导的大型纵向协作,研究了阿姆斯特丹,剑桥,Helsinki和Konstan和Konstan和Konstan和Konstan的Habits的发展轨迹。从事研究习惯及其与社交媒体使用和临床状况相关的项目。监督:阿姆斯特丹萨恩·德·威特大学 - 谎言实验室研究助理和实习生(兼职)关于反社会行为,眼神训练以及对社区和罪犯样本中谎言发现的研究。监督:Bruno Verschuere。

Lukas J. Gunschera

Lukas J. GunscheraPDF文件第1页

Lukas J. GunscheraPDF文件第2页

Lukas J. GunscheraPDF文件第3页

相关文件推荐

2021 年

用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系,邮编 K7L 3N6 2 普林斯顿大学电气工程系,邮编 新泽西州普林斯顿 08544,美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系,邮编 BC 温哥华,邮编 V6T 1Z4 shastri@ieee.org 摘要:由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器,其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此,这催生了对新型大脑启发算法和应用程序的研究,这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务,同时消耗更少的能量。我们假设 [3],我们可以利用光子学的高并行性和速度,将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用,而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合,光子神经网络有可能比最先进的电子处理器快至少一万倍,同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制;这是一项非常具有挑战性的任务,涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用,因为没有通用硬件能够处理微秒级的环境变化 [5]。

¥1.0