详细内容或原文请订阅后点击阅览
NIST 研究人员证明超导神经网络可以自行学习
通过详细的模拟，美国国家标准与技术研究所 (NIST) 的研究人员及其合作者证明了一类神经网络（受人脑启发的电子电路）可以被编程为
来源:美国国家标准与技术研究院__信息技术信息通过详细的模拟，美国国家标准与技术研究所 (NIST) 的研究人员及其合作者证明了一类神经网络（受人脑启发的电子电路）可以通过编程来自行学习新任务。经过初步训练后，NIST 超导神经网络学习新任务的速度比以前的神经网络快 100 倍。
神经网络通过模仿人体神经元协同工作的方式做出决策。通过调整神经元之间的信息流，人脑识别新现象、学习新技能并在决策时权衡不同选项。
NIST 科学家将他们的研究重点放在超导神经网络上，这种网络可以高速传输信息，部分原因是它们允许电流无阻力地流动。一旦冷却到绝对零以上 4 度，它们消耗的能量就比其他网络（包括人脑神经元）少得多。
生物神经元与 NIST 超导神经元设计。 对神经元进行加权。 响应示例。图片来源：S. Kelley/NIST
信用：在他们的新设计中，NIST 科学家 Michael Schneider 和他的同事找到了一种操纵超导神经网络构建块的方法，使其能够执行一种称为强化学习的自学习。神经网络使用强化学习来学习新任务，例如学习新语言。
研究人员于 3 月 4 日在《非常规计算》在线版上报告了他们的发现。
非常规计算NIST 设计有两个优点。首先，它使网络能够在新数据可用时不断学习。如果没有这种能力，每次研究人员添加数据或改变所需结果时，整个网络都必须从头开始重新训练。
纸张：
非常规。计算。 https://doi.org/10.1038/s44335-025-00021-9