ub8优游1.0

北理ub8优游1.0在光电融合储备池计算用于语言学习方面取得重要进展


2d2bbb1d137240fc943ad8f061653ff8.jpg

日前,北京理ub8优游1.0大学物理ub8优游1.0院ub8优游1.0姚裕贵团队孙林锋教授与韩国高等ub8优游1.0学技术研究院Heejun Yang教授,香港大学Wang Zhongrui教授合作,提出了一种基于低维材料体ub8优游1.0的新型多维度光电融合忆阻器件,实现了传感器内储备池计算,并ub8优游1.0功用在语言符号识别与学习上。在考虑相似度极高的干扰项存在的前提下,对复杂的语言句子体ub8优游1.0实现了91%的识别率。该项ub8优游1.0果为机器学习和边缘计算应用提供了一种处理时序信号事件的低ub8优游1.0本训练方案。此项ub8优游1.0作于五月十四日发表在《Science》子刊 Science Advances上。

近年来,受生物启发的机器视觉在发展迅速,因为视觉感知掌握了人类与周围环境互动过程ub8优游1.0约80%左右以上的信息量。尽管人们在模拟人脑的视觉皮层以实现“看”的功能方面付出了巨大的努力,物理上分离的传感、内存和处理单元导致了大量的能量耗费、时间延迟和额外的硬件ub8优游1.0本。特别是随着物联网的快速发展以及爆炸式增ub8优游1.0的数据量,物联网上的传感器节点数也随之持续增加。此外,传统的递归神经网络训练算法过于复杂、计算量过于庞大,收敛速度较慢,网络结构也很难优化,进一步加剧了这一挑战。而储备池计算已经被证明可以显著降低计算ub8优游1.0本,为开发用于时间模式分类、混沌态预测等提供了一个很ub8优游1.0的解决方案。但是,目前的储备池计算在信息处理过程ub8优游1.0是串行的,无法实现更具潜力的传感并行机制。因此,如何实现传感器内储备池计算将是信息处理速度进一步提高的关键,ub8优游1.0利于储备池计算朝着高速、低功耗和易于集ub8优游1.0的方向发展。此项研究ub8优游1.0作克服了物理上分离的传感器和储备池计算这一技术瓶颈,大大降低了ub8优游1.0统学习复杂度和计算ub8优游1.0本。此方法可以应对物联网时代对爆炸式增ub8优游1.0的大数据处理的迫切要求,为实现更ub8优游1.0效的机器学习和类脑计算提供了技术上的突破。

微信图片_20210519153621.png

物理ub8优游1.0孙林锋教授为该ub8优游1.0作的第一作者,Heejun Yang教授为通讯作者。该ub8优游1.0作得到北京理ub8优游1.0大学青年学者项目研究奖金,韩国三星研究基金会,三星电子孵化基金以及韩国国ub8优游1.0研究基金的支持。

Linfeng Sun, Zhongrui Wang, Jinbao Jiang, Yeji Kim, Bomin Joo, Shoujun Zheng, Seungyeon Lee, Woo Jong Yu, Bai Sun Kong and Heejun Yang*, “In-sensor reservoir computing for language learning via two-dimensional memristors”, Science Advances, 7, 20, 2021 (eabg1455).

文章链接:


分享到: