神經形態結構融合學習和記憶功能領域的研究主要集中在人工突觸的可塑性方麵,同時神經元膜的固有可塑性在神經形態信息處理的實現中也很重要。德國德累斯頓大學聯合清華大學北京未來芯片創新中心腦靈感計算研究中心(CBICR)近期發表了一篇名為“Intrinsic plasticity of silicon nanowireneurotransistors for dynamic memory and learning functions”的論文,文獻提出一種由矽奈米線電晶體製成的神經電晶體,表麵覆有離子摻雜的溶膠-凝膠矽酸鹽薄膜,從而模擬神經元薄膜的固有可塑性。
![](//www.ts-vln.com/www/attached/image/20200608/20200608202295989598.jpg)
該文獻的工作得出了以下幾點結論:① 神經電晶體中的介電工程(如文獻提出的溶膠-凝膠的可控離子摻雜)可以補充和強化記憶材料在下一代神經形態計算設備中的功能。②文獻提出了一個單一的神經元設備架構及其電路模型,以多個突觸後輸入作為門輸入,多個軸突終端作為晶體管輸出,模擬了一個基於形態學和層次結構特征的真實神經元的信息處理。該裝置模擬說明了神經電晶體非線性信號過程的動態學習能力,學習功能由s形函數係數的反饋給出,即元塑性;實驗結果突出了非線性信息處理的能力,這依賴於神經電晶體的固有可塑性。通過利用電流器件的輸出動態控製,能實現在一定的時間範圍內更快或更慢地產生和達到峰值閾值,並控製峰值的速率,這是神經元計算的主要算法。③未來的研究可以研究是否可以通過將文獻所提出的神經晶體管與脈衝發生器相結合來構建一個完全用於尖峰神經網絡的神經元處理器。
![創澤智能機器人](//www.ts-vln.com/www/images/czlogo.png) |
- 創澤智能機器人
- 中國智能服務機器人領軍企業,涵蓋商用、家庭、特種等多用途的智能機器人產品體係,十幾年行業應用解決方案提供商
|
|
機器學習就是通過經驗來尋找它學習的模式,而人工智能是利用經驗來獲取知識和技能,並將這些知識應用於新的環境
滴滴機器學習場景下的 k8s 落地實踐與二次開發的技術實踐與經驗,包括平台穩定性、易用性、利用率、平台 k8s 版本升級與二次開發等內容
大型商用時序數據壓縮的特性,提出了一種新的算法,分享用深度強化學習進行數據壓縮的研究探索
深度學習模型:OverFeat、R-CNN、SPP-Net、Fast、R-CNN、Faster、R-CNN、R-FCN、Mask、R-CNN、YOLO、SSD、YOLOv2、416、DSOD300、R-SSD
SIFT、PCA-SIFT、SURF 、ORB、 VJ 等目標檢測算法優缺點對比及使用場合比較
人體姿態估計便是計算機視覺領域現有的熱點問題,其主要任務是讓機器自動地檢測場景中的人“在哪裏”和理解人在“幹什麼”
Adam 算法便以其卓越的性能風靡深度學習領域,該算法通常與同步隨機梯度技術相結合,采用數據並行的方式在多台機器上執行
音樂科技、音樂人工智能與計算機聽覺以數字音樂和聲音為研究對象,是聲學、心理學、信號處理、人工智能、多媒體、音樂學及各行業領域知識相結合的重要交叉學科,具有重要的學術研究和產業開發價值
專家(查紅彬,陳熙霖,盧湖川,劉燁斌,章國鋒)從計算機視覺發展曆程、現有研究局限性、未來研究方向以及視覺研究範式等多方麵展開了深入的探討
羅晶博士和楊辰光教授團隊提出,遙操作機器人係統可以自然地與外界環境進行交互、編碼人機協作任務和生成任務模型,從而提升係統的類人化操作行為和智能化程度
卡扣式裝配廣泛應用於多種產品類型的製造中,卡扣裝配是結構性的鎖定機製,通過一個機器學習框架將人類識別成功快速裝配的能力遷移到自主機器人裝配上。
基於行為序列的深度學習推薦模型搭配高性能的近似檢索算法可以實現既準又快的召回性能,如何利用這些豐富的反饋信息改進召回模型的性能