详细内容或原文请订阅后点击阅览
深度神经网络——基于硅忆阻突触的神经网络
研究人员最近创建了一种支持深度信念神经网络（DBN）的新型神经形态计算系统 - 一种生成和图形化的深度学习模型。
来源:Qudata深度神经网络——基于硅忆阻突触的神经网络
最近，神经网络模型变得更加精确和复杂，这导致在传统计算机上训练和使用时能耗增加。来自世界各地的开发人员正在研究替代的“类脑”硬件，以便在高计算负荷下为人工智能系统提供更好的性能。
来自以色列理工学院和彭程实验室的研究人员最近创建了一种新的神经形态计算系统，该系统支持生成和基于图形的深度学习模型，并能够与深度信念神经网络 (DBN) 协同工作。
科学家的研究成果发表在《自然电子》杂志上。该系统基于硅忆阻器。这些是用于存储和处理信息的节能设备。之前我们已经提到过忆阻器在人工智能领域的应用。科学界已经研究神经形态计算很长时间了，忆阻器的使用似乎非常有前景。
Nature Electronics 提及忆阻器是一种电子元件，可以切换或调节电路中的电流流动，也可以存储通过电路的电荷。它们非常适合运行人工智能模型，因为它们的功能和结构更像人脑中的突触，而不是传统的内存块和处理器。
但目前，忆阻器仍然主要用于模拟计算，在人工智能设计中的应用则要小得多。由于使用忆阻器的成本仍然很高，因此忆阻技术尚未在神经形态领域普及。
硅突触具有许多优点：模拟导电性、高耐磨性、长保留时间，以及可预测的循环退化和适度的设备间差异。
github