PulseAugur
实时 10:26:59
English(EN) Multi-primitive in-memory computing for Monte Carlo tree search

新的内存计算方法提高了AI决策效率

研究人员开发了一种新颖的内存计算(IMC)方法,以显著提高蒙特卡洛树搜索(MCTS)这一核心AI决策算法的能效。通过将MCTS阶段分解为硬件原生的IMC基元,该系统可以在芯片上执行复杂的搜索,从而大大降低功耗。与传统的CPU和GPU相比,这种IMC-MCTS实现实现了显著的节能,同时在围棋方面也达到了具有竞争力的性能水平。 AI

影响 显著降低AI决策算法的能耗,支持更广泛的边缘部署。

排序理由 详细介绍AI算法新计算方法的学术论文。[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 →

新的内存计算方法提高了AI决策效率

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Tergel Molom-Ochir, Benjamin F. Morris III, Yintao He, Archit Gajjar, Giacomo Pedretti, Hai Helen Li, Yiran Chen, Jim Ignowski, Aishwarya Natarajan ·

    Multi-primitive in-memory computing for Monte Carlo tree search

    arXiv:2607.22869v1 Announce Type: cross Abstract: Monte Carlo tree search (MCTS) enables artificial intelligence (AI) decision-making, but requires 55-300 W on conventional processors, limiting edge deployment. In-memory computing (IMC) is energy-efficient on regular workloads bu…