德克萨斯大学奥斯汀分校 学分:德克萨斯大学奥斯汀分校 技术的快速进步导致处理设备生成的海量数据的能源使用量大幅增加
但是奥斯汀德克萨斯大学考克雷尔工程学院的研究人员已经找到了一种让新一代智能计算机更节能的方法
传统上，硅芯片构成了计算机基础设施的基石
但是这项研究使用磁性元件而不是硅，并发现了关于磁性元件的物理特性如何降低能量成本和训练算法要求的新信息——神经网络可以像人类一样思考，做像识别图像和模式这样的事情
“现在，训练你的神经网络的方法是非常耗能的，”科克雷尔学院电气和计算机工程系的助理教授让·安妮·因科维亚说
“我们的工作可以帮助减少培训工作量和能源成本
" 研究人员的发现发表在本周的《眼内压纳米技术》杂志上
Incorvia与第一作者和二年级研究生崔璨一起领导了这项研究
Incorvia和Cui发现，间隔的磁性纳米线在某种程度上充当了人工神经元的角色，自然地增强了人工神经元之间的竞争能力，最活跃的神经元胜出
实现这种效果，被称为“横向抑制”，传统上需要在计算机中增加额外的电路，这增加了成本，占用了更多的能量和空间
Incorvia说，当执行相同的学习任务时，他们的方法提供了标准反向传播算法20到30倍的能量减少
就像人类大脑包含神经元一样，新时代的计算机拥有这些完整神经细胞的人工版本
当反应最快的神经元能够阻止反应较慢的神经元时，横向抑制就会发生
在计算方面，这减少了处理数据的能源消耗
Incorvia解释说，计算机运行的方式正在发生根本性的变化
一个主要趋势是神经形态计算的概念，它本质上是设计计算机像人脑一样思考
这些智能设备不是一次处理一个任务，而是同时分析大量数据
这些创新推动了近年来主导技术领域的机器学习和人工智能革命
这项研究集中在两个磁性神经元之间的相互作用和多个神经元相互作用的初步结果
下一步包括将这些发现应用于更大的多个神经元集合，以及对其发现的实验验证
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
