AI在线 AI在线

神经

神经形态计算：从实验室原型到产业变革的前夜

神经形态计算：从实验室原型到产业变革的前夜
编辑 | matrix数十年来，科研人员一直致力于构建类脑计算机硬件，但这一领域尚未迎来真正的突破性进展。 如今，领先的研究者认为，构建首个能解决实际问题的规模化神经形态设备的时机已然成熟。 从仿生启发的潜力到技术深层的差异近年来推动人工智能进步的神经网络技术，虽从大脑中获得灵感，但其算法和硬件与生物神经元存在本质差异。
3/27/2025 12:01:00 PM
ScienceAI
终于把卷积神经网络算法搞懂了！！！

终于把卷积神经网络算法搞懂了！！！
大家好，我是小寒今天给大家分享一个强大的算法模型，卷积神经网络算法卷积神经网络算法（CNN）是一种专门用于处理具有网格结构数据（如图像）的深度学习模型，广泛应用于图像分类、目标检测、语义分割等任务。 CNN 的核心思想是通过模拟生物视觉皮层处理视觉信息的方式，能够自动从图像中提取特征，从而进行分类、检测等任务。 卷积神经网络的基本组成CNN 主要包括卷积层、池化层和全连接层。
2/21/2025 8:29:07 AM
程序员小寒
清华类脑计算模型登Nature子刊，受大脑启发的人工树突网络，实现高能效AI

清华类脑计算模型登Nature子刊，受大脑启发的人工树突网络，实现高能效AI
编辑 | KX5 月 30 日，清华大学类脑计算研究中心施路平团队，研发出全球首款类脑互补视觉芯片「天眸芯」，研究成果登上 Nature 封面。近日，该团队推出一种新的神经形态计算架构，即类脑神经计算模型 「Dendristor」。「Dendristor」旨在复制突触的组织（即神经元之间的连接）和树突的树状结构（即从神经元体延伸出来的突起）。这种创新的树突网络模拟了树突状结构及其固有的时空处理特性，为未来人工智能提供了高能效的视觉感知能力。类脑形态树突网络计算模型的开发由清华大学跨学科团队清华大学脑与智能实验室（T
7/12/2024 2:43:00 PM
ScienceAI
登Nature，大脑如何控制运动？DeepMind设计拥有「AI大脑」的虚拟动物

登Nature，大脑如何控制运动？DeepMind设计拥有「AI大脑」的虚拟动物
编辑 | 萝卜皮动物对身体的控制十分精妙，因此能够做出各种各样的行为。然而，大脑如何实现这种控制仍不清楚。要加深我们的理解，就需要能够将控制原理与动物的神经活动结构联系起来的模型。为了实现这一点，哈佛大学、谷歌 DeepMind 的研究人员构建了一个「虚拟啮齿动物」，使用人工神经网络在物理模拟器中驱动大鼠的生物力学仿真模型。该团队使用深度强化学习来训练虚拟代理模仿自由活动的老鼠的行为，从而让研究人员能够将「真实老鼠记录的神经活动」与模仿其行为的「虚拟啮齿动物的网络活动」进行比较。模型能够准确模仿真实老鼠的运动，这一
6/14/2024 3:17:00 PM
ScienceAI
博世团队提出参考神经算子，学习偏微分方程解对几何变形的平滑依赖

博世团队提出参考神经算子，学习偏微分方程解对几何变形的平滑依赖
编辑 | 枯叶蝶在解决具有任意形状域的偏微分方程问题时，现有的神经算子方法致力于学习从几何形状到解的映射，但这通常需要庞大的（几何，解）二元组数据集来训练神经算子以确保准确性。然而，对于如工程设计优化等工业应用，因单次仿真可能耗时数小时乃至数天，满足此数据需求极为困难。针对这一挑战，博世人工智能中心（BCAI）的研究人员提出了参考神经算子（RNO）的概念，作为一种新颖的神经算子实现方式，旨在学习解对几何形变的平滑依赖。具体而言，给定一个参考解，RNO 能够预测该参考几何形状任意微小扰动下的对应解，此方法极大地提高了
5/27/2024 3:55:00 PM
ScienceAI
谷歌科学家 Nature 评论：人工智能如何更好地理解大脑

谷歌科学家 Nature 评论：人工智能如何更好地理解大脑
编译 | 绿萝2023 年 11 月 7 日，Google Research 高级研究科学家，Google 团队连接组学负责人 Viren Jain，在《Nature》发表了题为《人工智能如何更好地理解大脑》（How AI could lead to a better understanding of the brain）的评论文章。论文链接：？这是数学家、理论家和实验学家长期以来一直在问的一个问题——无论是出于创造人工智能 (AI) 的愿望，还是因为只有当数学或计算机能够重现其行为时，才能理解像大脑这样的复杂系统
11/9/2023 5:03:00 PM
ScienceAI
Nature子刊：科学家在类脑芯片上实现类似LSTM的功能，能效高1000倍

Nature子刊：科学家在类脑芯片上实现类似LSTM的功能，能效高1000倍
格拉茨技术大学的计算机科学家在 Nature 子刊上发表的一篇论文表明，他们找到了一种在神经形态芯片上模拟 LSTM 的方案，可以让类脑神经形态芯片上的 AI 算法能效提高约 1000 倍。随着智能手机的普及，手机游戏也越来越受欢迎。但视频游戏等程序会大量耗电耗能。与 GPU 等标准硬件相比，基于 spike 的神经形态芯片有望实现更节能的深度神经网络（DNN）。但这需要我们理解如何在基于 event 的稀疏触发机制（sparse firing regime）中模拟 DNN，否则神经形态芯片的节能优势就会丧失。比如
5/21/2022 4:43:00 PM
机器之心
  • 1