hyperdimensional computing
PulseAugur coverage of hyperdimensional computing — every cluster mentioning hyperdimensional computing across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
量子计算框架提升超维度计算效率
研究人员开发了一个新的量子计算框架，旨在提高超维度计算（HDC）的效率。该方法显著减少了超向量表示所需的量子比特数量，将成本从 $O(D)$ 量子比特降低到 $O(\log D)$ 量子比特。该方法引入了新颖的对数编码和可逆查找算子，结合修改后的搜索过程，在保持有利的搜索复杂度的同时，大幅减少了量子比特的使用量，在某些情况下可减少高达 2000 倍。
-
新的通用人工智能理论提出基于集合论和高维计算的基础
一种新的心智计算理论提出，通用人工智能（AGI）的基础可以基于集合论和高维计算。该框架利用稀疏二元数据和离散集合，这与使用连续权重和矩阵乘法的传统神经网络不同。提出的模型表明，联想记忆自然地从特定的网络拓扑结构中涌现，学习由拓扑可塑性驱动。这种方法旨在通过直接转化为内存硬件，在合成智能中实现与人类相当的能效。
-
新框架ApproxHDC通过编译器驱动的近似优化超高维计算
研究人员开发了ApproxHDC，一个利用编译器驱动的近似调优来提高超高维计算（HDC）工作负载效率的新颖框架。该方法旨在通过为包括CPU、GPU以及ReRAM和PCM等新兴内存计算技术在内的各种硬件平台优化HDC算法来解决摩尔定律的局限性。ApproxHDC自动化领域特定近似的识别和应用，在巨大的可能性空间中导航，以在对准确性影响最小的情况下实现显著的性能提升。
-
推出新的量子增强超维度计算框架
研究人员推出了一种新颖的量子增强超维度计算（QeHDC）框架。该方法利用正弦和量子编码将数据投影到量子态，并采用基于参考态的量子绑定操作。该框架还采用基于密度矩阵的超类生成策略来提取关键量子态特征。实验结果表明，与现有的经典和量子增强方法相比，QeHDC 具有卓越的性能、对噪声的鲁棒性以及计算可行性。
-
Hillock AI 推出采用 SQLite 和 HDC 的本地内存系统
Hillock 开发了一个本地 AI 内存系统，该系统利用 SQLite 和高维计算。该系统旨在无需依赖云服务即可存储和检索信息，采用受大脑启发的原理进行设备上操作。
-
新理论：“阻抗失配”阻碍AI融合
一篇新的理论论文引入了“阻抗失配”的概念，以描述基础模型与知识图谱之间的根本性鸿沟。作者认为，当前的检索增强生成（RAG）等方法只是表面解决方案，未能保留逻辑推理。他们提出了一条实现真正语义融合的路线图，包括结构化残差流、向量符号架构和正交子空间编辑，以整合符号逻辑与参数记忆。
-
新HDC框架增强边缘AI的异常检测能力
研究人员推出了一种新颖的异常检测框架D2H-AD，该框架利用超维度计算（HDC）。这种受大脑启发的计算方法使用高维向量来表示信息，并整合了基于距离的相似性和感知密度的编码，以改进异常检测。D2H-AD在诸如One-Class SVM和Autoencoders等成熟方法上表现出卓越的性能，提供了一种轻量级、可解释且计算效率高的解决方案，适用于资源受限和实时应用，包括TinyML和边缘AI部署。
-
超维度计算增强表格数据上的结构化查询
研究人员探索了超维度计算（HDC），特别是全息缩减表示（HRR）模型，在表格数据嵌入上的结构化查询应用。该方法旨在解决当前嵌入方法中相似度得分缺乏内在意义的局限性，这使得设置可靠的检索阈值以及检测不存在有效答案的情况变得困难。研究表明，HDC在行检索任务中可以匹配或优于现有的基于图的方法，能更稳健地处理非等值谓词，并独特地提供了用于识别零匹配场景的原则性阈值。
-
新型内存架构提升AI符号推理效率
研究人员推出了一种名为正交子空间切割（OSC）的新型内存架构，旨在增强AI模型的符号推理能力。OSC通过使用投影来解决张量积表示（Tensor Product Representations）的维度问题，即使对于深度递归结构也能保持恒定的内存占用。这种方法允许在固定大小的张量内高效地绑定信息，使得组件向量可以比内存张量本身小得多。
-
超维度计算实现高效AMS检测
研究人员开发了AMS-HD，一个利用超维度计算（HDC）从可穿戴生理信号实时检测急性高原反应（AMS）的新框架。与传统的机器学习方法相比，这种方法显著降低了能耗和计算资源。AMS-HD实现了高精度，可与SVM和MLP基线相媲美或超越，同时所需的电池、内存和处理时间最少，使其适用于资源受限的健康监测设备。
-
新的HDC框架GHRR增强了组合结构编码
研究人员引入了广义全息缩减表示（GHRR），这是超维计算（HDC）领域的一项进展，旨在更好地编码复杂的组合结构。GHRR通过引入灵活的、非交换的绑定操作来扩展现有的HDC方法，从而在保留HDC核心的鲁棒性和透明性优势的同时，增强了对复杂数据的表示能力。该框架在组合结构的解码准确性方面表现出改进，并且可以实现一个注意力机制，当将其替换到Transformer模型中进行语言建模时，其性能优于标准的Transformer。
-
Sutra语言将程序编译为PyTorch神经网络
研究人员开发了Sutra，一种可编译为PyTorch神经网络的函数式编程语言。该系统通过将程序归约到融合张量运算图来针对向量符号架构。Sutra在解码束（bundles）方面表现出高精度，并允许直接通过编译后的图进行可微分训练，从而使代码既是逻辑程序又是可训练神经网络。
-
达尔豪斯大学教授在研讨会中探讨人工智能与认知大脑的联系
达尔豪斯大学的Thomas Trappenberg博士就“人工智能与认知大脑：我们是否发现了智能的要素？”这一主题进行了一场研讨会。讲座以非数学的方式探讨了人工智能的理论基础，包括现代Hopfield模型和向量符号架构。它还考虑了这些机制（可能通过Transformer实现）是否在人脑中得以实现，并指出了认知架构中的不足之处。
-
ImageHD加速器通过超维度计算提升设备端持续学习能力
研究人员开发了ImageHD，这是一种新颖的FPGA加速器，旨在使用超维度计算（HDC）实现视觉表示的节能设备端持续学习。该系统通过提供快速、非迭代的在线更新来解决传统方法的局限性，适用于资源受限的边缘AI设备。ImageHD集成了硬件感知持续学习算法、量化CNN前端和流式数据流架构，与CPU和GPU基线相比，实现了显著的速度提升和能效比。