PulseAugur
中
实时 00:50:49
English(EN) Scaling Up Thermodynamic AI Models

新算法实现热力学人工智能模型的可扩展训练

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的基于反向传播的算法，用于训练专为Ising机硬件上的热力学推理设计的深度卷积神经网络。该方法实现了这些专用人工智能模型的可扩展训练，这些模型利用Ising模型实现低功耗推理和边缘计算。开发的图像分类模型在CIFAR-10和CIFAR-100数据集上取得了高精度，证明了该方法的有效性。该工作还引入了数学理论，将推理成本与准确性和自相关时间控制联系起来，为硬件开发和热力学人工智能的未来提供了见解。 AI

影响 这项研究可能带来更高效、更低功耗的人工智能推理硬件，特别适用于边缘计算应用。

排序理由 学术论文，详细介绍了一种训练人工智能模型的新算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新算法实现热力学人工智能模型的可扩展训练

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Andrew G. Moore ·

    扩展热力学人工智能模型

    arXiv:2607.00170v1 Announce Type: cross Abstract: Thermodynamic computing devices based on the Ising model show great promise for low-power AI inference and edge computing, but scalable methods for training large models for such hardware remain limited. Prior theory shows that th…

相关实体

相关话题