計算卡在車轍中。在過去的50年的技術革命中，為集成電路供電的集成電路已達到其物理極限。桑迪亞國家實驗室的研究人員正在從大腦中的神經元中汲取靈感，例如鼠標新皮質中這些綠色熒光蛋白標記的神經元，目的是開發(fā)受神經啟發(fā)的計算系統(tǒng)以重新啟動計算。

這種困境使計算機科學家們爭相提出新的想法：使用新穎物理學構造的新設備，計算機內部單元組織的新方式，甚至是更有效地使用新系統(tǒng)或現(xiàn)有系統(tǒng)的算法。為了幫助協(xié)調新想法，桑迪亞國家實驗室(Sandia National Laboratories)協(xié)助組織了10月17日至19日舉行的電氣與電子工程師協(xié)會(IEEE)重新啟動計算國際會議。

桑迪亞數(shù)據(jù)驅動和神經計算系的研究人員將在會議上發(fā)表三篇論文，重點介紹了潛在的非傳統(tǒng)神經計算應用的廣度。

“我們正在努力探索神經算法的作用范圍。我們不是試圖詳盡無遺，而是試圖強調算法可能在其上產生影響的應用程序類型。”計算神經科學家布拉德·艾蒙(Brad Aimone)說，他是一篇論文的合著者。他補充說，從歷史上看，神經計算被視為近似和模糊的。但是，桑迪亞(Sandia)研究人員在論文中旨在擴展神經算法，使其具有嚴格性和可預測性，這表明它們可能在高性能科學計算中發(fā)揮作用。

這三篇論文的標題分別為Craig Vineyard和Steve Verzi的“克服靜態(tài)學習瓶頸-自適應神經學習的需求”。Fred Rothganger的“利用動力系統(tǒng)進行計算”;William Severa，Ojas Parekh，Kris Carlson，Conrad James和Aimone撰寫的“科學計算的加標網絡算法”。

不斷學習的麻煩和好處

大腦在不斷學習。“雖然我們確實在學校學習，但是當學校結束時，我們的學習不會停止。相反，我們的大腦通過突觸修飾等過程不斷適應。但是，大多數(shù)機器學習算法只能學習一次并完成。”計算機科學家Vineyard說。

大多數(shù)所謂的機器學習算法都有一個學習階段以及一個單獨的測試和操作階段。這確實很耗時。Vineyard說，雄心勃勃且具有挑戰(zhàn)性的嘗試來開發(fā)不斷學習的算法，也冒著該算法“學習”錯誤的風險。

他的論文主張繼續(xù)學習，并建議使用博弈論(邏輯決策的數(shù)學方法，例如何時清除垃圾以及何時希望室友為您做這件事)，以提高算法何時決策的準確性。應該學習。

反正什么是動力系統(tǒng)?

動力系統(tǒng)是描述事物如何隨時間變化的方程式。一個簡單的動力系統(tǒng)是描述祖父鐘擺運動的功能。“使用動態(tài)系統(tǒng)進行計算的想法是制造一臺機器，使其動力學(與機器的結構或數(shù)學的結構有關)將根據(jù)問題的產生將其引導至答案，”計算機科學家Rothganger說。

Rothganger說，我們的大腦以及某種程度上的傳統(tǒng)計算機都是動態(tài)系統(tǒng)：它們僅基于問題以及計算機的構造方式找到答案。他的論文提出，如果研究人員將傳統(tǒng)的科學計算問題(矩陣分解)視為動力系統(tǒng)，則可以在神經系統(tǒng)上嚴格解決它們。

Rothganger說：“我正在研究的想法有很多潛力，也有很多風險。” 如果他的想法可行，“它將在神經算法和傳統(tǒng)數(shù)值算法之間提供一個統(tǒng)一點。”

工匠數(shù)學家制作尖峰網絡算法

第三篇論文確定了三種手工制作的算法，這些算法使用精心布置的尖刺狀神經元節(jié)點來執(zhí)行精確的計算。在大腦中，每個神經元都與許多其他神經元相連，并利用電的尖峰進行交流。數(shù)學家Severa及其合作者從大腦的這些方面獲得了啟發(fā)。

這些創(chuàng)新算法的一個示例是一種稱為粒子圖像測速的流量估算。通過拍攝兩張塵埃在空中移動的照片，并弄清它們在兩次照片之間的間隔時間，研究人員可以確定空氣的速度和任何局部渦流。他說，這可以在使用花式數(shù)學的傳統(tǒng)計算機上完成，但是Severa的方法利用了神經元的大規(guī)模并行特性來有效地計算所有可能的移位。

“通過仔細設計您的網絡和神經元的屬性，您可以做精確的事情，” Severa說。“您可以超越神經網絡的預期范圍。”

未來是否會在您的手機中安裝受神經啟發(fā)的計算機，這些計算機能夠理解“給我看一張蓬松的可愛照片”和“訂購我最喜歡的菜”之類的短語，或者神經計算機是否還可以與未來的量子計算機一起快速解決難題? Aimone說，計算需要重新設計，很快。他說，通過召集許多不同學科的專家，國際重新啟動計算大會旨在培育新思想并推動這場革命。

　　免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！