Été B du fond de la non-Temple en retrait
rapports Qubit | Numéro public QbitAI
l'apprentissage en profondeur, a mis en place presque tous reconnaissance d'image, reconnaissance vocale, système de traduction automatique de composants standard, mais elle a aussi l'inconvénient d'être Tucao marche toute la vie:
Pas assez rapide, est trop consommatrice d'énergie, ne peut pas expliquer ......
Université de Californie à Los Angeles (UCLA) est un groupe de scientifiques, il est nécessaire d'un autre point de vue, et pas assez rapide pour résoudre le problème de la consommation d'énergie élevée.
UCLA Professeur Aydogan Ozcan Electronic Engineering avec sa propre équipe, le réseau de neurones déplacé dans le monde réel, en se fondant sur la propagation de la lumière de la puce pour atteindre presque zéro énergie, étude approfondie sans latence.
Cette solution est appelée D2NN: Diffraction réseau de neurones de la profondeur (Diffractives réseau profond Neural). Il est une combinaison d'outil optique, l'impression 3D, et les réseaux de neurones.
Leurs résultats, sont montés à bord des sciences.
Ce système dispose d'un réseau de neurones traditionnels avantages inégalés: Tout d'abord, Plus rapide En D2NN, la vitesse de transmission de l'information, la vitesse de la lumière, le deuxième Consommation énergétique proche de zéro : En plus du début que de fournir une source lumineuse, la puissance n'est plus nécessaire.
D2NN constitué par une pluralité de couches de diffraction, chaque point correspondant à un neurone dans la couche de réseau. sa formation Manière et la profondeur de l'apprentissage, comme le droit, mais pas les neurones sont lourdes, mais transmission de la lumière / réflexion des neurones.
La formation est terminée, obtenir D2NN design final, il est allé fabrication Stade. Ces couches de diffraction sont imprimées en 3D et de le faire sur la tâche Société laisser entendre .
Dans le processus d'inférence, le transfert du réseau de neurones dans cette lumière ne soit pas visible à un être humain, mais 0,4 fréquence de la lumière monochrome THz. rôle Ozcan que le cerveau connexion physique lumière D2NN neurones, la transmission d'informations.
groupe Ozcan dans cette étude, différents types de fabrication D2NN, il y a (figure B) est utilisé pour la classification de l'image, il y a formation d'image utilisés (figure C).
Un D2NN conçu, une fois l'impression terminée, vous pouvez continuer à optimiser.
Par exemple, les scientifiques ont pour les tâches MNIST numériques de reconnaissance de l'écriture manuscrite, formé D2NN une couche 5, la taille de chaque couche est 8cm x 8cm, atteint une précision de 91,75%.
Ils ont ensuite ajouté deux pour le D2NN, pour optimiser les performances. Ainsi, la précision de la classification sur la couche réseau 7 MNIST a atteint 93,39%.
Dans le peu plus complexe que le jeu de données de référence MNIST Fashion-MNIST, couches D2NN 5 le plus élevé atteint 86,33% de précision.
Bien sûr, D2NN maintenant ne peut être considéré comme un bébé, et le réseau de neurones de convolution est maintenant facilement le taux de précision de 99 pour cent incommensurablement.
Ensuite, l'équipe Ozcan a également l'intention de fabriquer une plus grande taille, plus de couches D2NN.
Peut-être un jour, ce nouveau type de réseau de neurones plus fort, nous ne devons être en mesure d'alimenter l'appareil photo utilisé pour identifier un visage humain.
Dans cet article:
- complet -
recrutement sincère
Qubits recrutent éditeur / journaliste, basé à Zhongguancun de Beijing. Nous attendons de talent, des étudiants enthousiastes de nous rejoindre! Détails, s'il vous plaît interface de dialogue qubit numéro public (QbitAI), réponse mot "recrutement".
qubit QbitAI · manchettes sur la signature de
' « suivre les nouvelles technologies AI dynamiques et de produits
