neuromorphic engineering
PulseAugur coverage of neuromorphic engineering — every cluster mentioning neuromorphic engineering across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
HyVox系统融合神经形态和冯·诺依曼计算,实现低功耗语音AI
研究人员开发了HyVox,一个结合了神经形态和冯·诺依曼计算的新型混合系统,用于低功耗、开放集说话人识别。该系统在说话人嵌入阶段划分工作负载,其中神经形态处理器通过稀疏、事件驱动的计算处理语音嵌入,而冯·诺依曼微控制器则管理说话人库和决策。与现有的嵌入式AI解决方案相比,HyVox在显著降低能耗和延迟的同时实现了高精度。
-
神经网络中的量子相干性与4D视听场景生成研究
一项新研究探讨了在脉冲神经网络中使用量子相干性来增强质子转移,这是神经形态计算中的一个关键过程。另外,“Technomantics”的一项新进展展示了通过将SonoWorld4D应用于视频数据来生成感知式4D视听场景,旨在实现声音源与时间信息的对齐。
-
量子物理探索生物学与计算学的新前沿
研究人员正在探索量子现象在推进生物学和计算学领域的潜力。一个关注点是利用微管内的量子相干性,这可能在生物系统中带来重大突破。另一项进展涉及应用量子记忆来增强神经形态计算和脉冲神经网络。
-
新型混合忆阻器架构推动神经形态计算发展
Dang 等人发表的一篇新论文介绍了一种用于神经形态计算的新型混合忆阻器架构。该架构代表着一项重大进展,有可能通过整合量子认知和脉冲神经网络来彻底改变决策过程。
-
脉冲神经网络通过节能学习推动神经形态计算发展
研究人员开发了脉冲神经网络(SNN),显著推动了神经形态计算的发展。这些SNN展示了节能学习能力,并融入了持续疲劳和长期记忆机制。这一突破有可能彻底改变神经形态工程领域。
-
新的SNN方法减少了持续学习的内存使用
研究人员开发了一种名为显著性引导重放(Saliency-Guided Replay, SAM-guided EPR)的新方法,以解决深度脉冲神经网络(SNNs)中的灾难性遗忘问题。该方法将经验打包与重放(EPR)与通过时间批归一化稳定的VGG9 SNN和脉冲激活图(Spike Activation Maps)相结合。通过利用脉冲活动生成空间注意力图,该框架选择最具信息量的图像块进行重放,在保持Split CIFAR10和Split C…
-
新的 LLM 推理技术提高了 GPU 利用率和效率
研究人员开发了一种新的方法来剖析 LLM 推理的 GPU 利用率,超越单一百分比,提供源自 Nsight Compute 报告的八个详细视图。该方法将利用率差距映射到诸如片段填充和占用限制等特定机制,从而更精细地理解 Nvidia Hopper 架构上的性能。另外,中国移动云推出了结合 GPU 和神经形态处理器的异构 LLM 推理堆栈,声称在 DeepSeek V4 Flash 等模型的输出、能源效率和运营成本降低方面取得了显著的进步。
-
新的 arXiv 论文探讨神经网络计算与学习之间的断开
两篇新的 arXiv 论文探讨了神经计算的动力学,重点关注复杂的前向计算与更简单的学习机制之间的分歧。第一篇论文引入了一个“生成-事实图”来统一训练、学习和推理,并展示了一个使用 nanoGPT 和 ResNet 在保留运行中具有高准确率的预测模型。第二篇论文识别出一种“前向-后向断开”,指出虽然神经网络中的前向计算已高度多样化,但学习方法在很大程度上仍围绕反向传播及其变体。两篇论文都表明需要更好地协调这些方面,以实现更具生物学基础和…
-
仿生昆虫复眼传感器有望为物理AI带来1000倍的效率提升
研究人员开发了一种受昆虫复眼启发的仿生传感器,有望为物理AI和边缘机器人带来显著的效率飞跃。这种新传感器摆脱了传统的基于帧的视觉系统,有可能实现1000倍的性能提升。该技术旨在增强在现实世界、资源受限环境中运行的AI系统的能力。
-
Mineng Technology secures funding for brain-like SNN chips in medical devices
Mineng Technology has secured tens of millions in funding to advance its self-developed Spiking Neural Network (SNN) chips, designed to serve as the core processing unit for medical devices. These chips mimic the brain'…
-
新型Receptron模型为物联网提供硬件感知的边缘智能
研究人员开发了一种新颖的受神经形态学启发的分类器,称为Receptron模型,旨在克服物联网网络中边缘智能微控制器单元(MCU)的计算和内存限制。这种单单元架构无需多层网络即可创建非线性可分离的决策边界,使其适合直接部署在中端MCU上。Receptron模型支持连续的设备端自适应,并在基本数据集基准测试中展示了具有竞争力的准确性,使其成为动态环境中资源受限的神经形态边缘系统的可行替代方案。
-
人工智能革新行业,创造新能力并扩大网络风险
人工智能正迅速发展成为关键基础设施,以前所未有的速度加速,并影响着所有行业。当前的“加速时代”见证了人工智能与量子计算和生物技术等其他先进技术的融合,创造了新能力,但也扩大了网络风险格局。虽然人工智能提供了巨大的经济和社会效益,包括变革医疗保健和增强人类认知,但其快速发展已超越监管,导致了系统不透明、偏见和对抗性操纵等挑战。
-
新型统一复值神经网络整合连续和事件驱动学习
研究人员开发了一种新颖的统一复值神经网络(UCNN),它整合了连续值表示和事件驱动的时间处理。该新模型基于统一复值神经元(UCN),使用幅度编码信号强度,并使用相位控制时间演化和脉冲发射。UCNN框架支持通过反向传播和反向传播随时间进行训练,并提供了一种事件驱动的自适应相位学习规则,作为一种计算效率更高的替代方案。在目标跟踪和洛伦兹吸引子学习中的评估表明,UCNN在保持稀疏、事件驱动的计算(适用于神经形态和边缘AI应用)的同时,能够实…
-
神经形态EMRFormer在调制识别方面实现90%的能耗降低
研究人员开发了EMRFormer,这是一种新颖的脉冲神经网络(SNN)架构,专为资源受限的神经形态硬件上的端到端自动调制识别(AMR)而设计。该架构集成了脉冲驱动的Transformer与自适应脉冲编码和整数泄漏积分-发放(Leaky Integrate-and-Fire)神经元,以提高信息保持能力和表征能力。EMRFormer还集成了脉冲可分离卷积神经网络(CNN),用于从原始IQ波形中提取多尺度时间特征,在实现最先进的准确率的同时…
-
神经形态计算有望为人工智能提供节能方案
神经形态计算模仿人脑结构,正被探索作为创建更节能人工智能系统的方式。这些混合系统有望带来显著的效率提升,尤其是在边缘人工智能应用方面。然而,广泛采用面临挑战,在可预见的未来,传统计算基础设施仍将占据主导地位。
-
新型声学突触有望降低神经形态计算的功耗
研究人员开发了一种拓扑声学突触,这是一种用于神经形态计算的新型组件。与现有的电子设备相比,这种突触的功耗显著降低,可能带来数量级的提升。这项创新为创建高计算密度的神经形态硬件提供了一种可扩展的方法。
-
AI 进展涵盖神经形态计算、疾病检测和供应链扩张
《Register》杂志的 AI 版块重点介绍了几个不同的发展。神经形态计算被探索为边缘 AI 的潜在节能解决方案,尽管传统基础设施仍然占主导地位。另外,一个由 AI 驱动的“嗅觉语言模型”正在开发中,通过分析呼吸样本来检测疾病,有可能挽救生命并减轻急诊室的压力。该版块还指出,AI 互连需求正推动一家由 Nvidia 支持的光学供应商大幅扩大晶圆产量,强调了供应链在维持 AI 进步中的关键作用。
-
ELSA架构实现弹性推理,助力高效神经形态计算
研究人员推出ELSA,一种旨在提高脉冲神经网络(SNN)在神经形态计算中效率的新型架构。ELSA通过实现真正的弹性推理,克服了现有加速器的局限性,允许数据在流经系统时逐步生成输出。与当前的SNN和量化ANN加速器相比,这种细粒度的、逐令牌的流水线显著降低了延迟并提高了能效。
-
AI 加速量子、百亿亿次和神经形态计算的进步
新兴的计算能力,包括百亿亿次超级计算、量子计算以及神经形态/光子方法,有望改变各个行业。这些通常由 AI 加速的进步有望在药物发现、材料科学、气候建模和能源效率等领域取得突破。然而,量子计算的兴起也迫切需要迅速过渡到后量子密码学,以保护现有的加密标准。
-
人工智能的本质、数学结构和历史背景的争论
该集群探讨了人工智能的根本性质,质疑智能本身是否是一种数学结构。其中一篇文章深入探讨了人工智能的“本质”,认为理解它会揭示其令人恐惧的方面,而另一篇文章则讨论了深度学习兴起之前连接主义人工智能的历史轨迹。讨论涉及可计算性、局限性以及人工智能研究的未来,特别是与数学和神经网络相关的方面。