详细内容或原文请订阅后点击阅览
这个受到脑启发的回忆录最终可以解决AI的“灾难性遗忘”
一种新型的回忆录模仿大脑如何通过结合模拟和数字行为来学习如何学习，从而为AI“灾难性遗忘”的问题提供了有希望的解决方案。与传统的深层神经网络在学习新知识时消除过去的知识不同，这种创新的组成部分可能会像我们自己的大脑一样保留以前的学习。了解“灾难性遗忘” [...]
来源:SciTech日报一种新型忆阻器通过结合模拟和数字行为来模仿大脑的学习方式，为人工智能“灾难性遗忘”问题提供了一个有前景的解决方案。
与传统的深度神经网络在学习新东西时会擦除过去的知识不同，这种创新组件可能会保留以前的学习内容，就像我们自己的大脑一样。
理解人工智能中的“灾难性遗忘”
深度神经网络经常面临被称为“灾难性遗忘”的挑战——当它们接受新任务的训练时，它们往往会覆盖之前学到的东西。相比之下，人类大脑似乎通过调整学习过程中突触变化的强度来避免这个问题。研究人员将这种能力称为“化塑性”，即大脑调节自身可塑性的能力。这种动态调整被认为可以帮助我们学习新信息而不删除旧记忆。
“其独特的特性允许使用不同的开关模式来控制忆阻器的调制，从而不会丢失存储的信息，”于利希研究中心 Peter Grünberg 研究所 (PGI-7) 的 Ilia Valov 说道。
忆阻器的独特之处
随着计算机硬件的进步，忆阻器（记忆电阻器的缩写）正在成为神经形态计算的有前途的组件。与传统电阻器不同，忆阻器会根据施加在其上的电压来改变其电阻，最重要的是，即使在电源关闭后，忆阻器也会记住该电阻。这种记忆效应源于设备内的物理变化，例如原子迁移和改变电极结构。
“忆阻元件被认为是具有学习能力、受神经启发、以大脑为模型的计算机组件的理想候选者，”Ilia Valov 说。