


Adakah neuron fotoelektrik buatan ultra-cekap menjadi kenyataan? 30,000 kali lebih cepat daripada neuron semula jadi, penyelidikan yang diterbitkan dalam sub-jurnal Alam
Dalam rangkaian saraf tiruan, banyak komponen yang dipanggil neuron dibenamkan dalam data dan bekerjasama untuk menyelesaikan masalah seperti pengecaman muka. Rangkaian saraf berulang kali melaraskan sinaps mereka - sambungan antara neuron - untuk menentukan sama ada corak tingkah laku yang terhasil adalah penyelesaian yang lebih baik. Tetapi dari masa ke masa, rangkaian saraf akhirnya akan mencari corak tingkah laku yang optimum dalam hasil pengiraan. Ia kemudian memilih mod ini sebagai nilai lalai, meniru proses pembelajaran otak manusia.
Sementara sistem AI mencari lebih banyak aplikasi dunia nyata, mereka masih menghadapi cabaran yang ketara memandangkan had perkakasan yang digunakan untuk memacu operasi mereka. Untuk menyelesaikan masalah ini, penyelidik telah membangunkan perkakasan komputer neuromorfik yang diilhamkan oleh otak manusia.
Sebagai contoh, komponen mikrocip neuromorfik mungkin hanya mengeluarkan pancang atau menjana isyarat keluaran apabila ia menerima bilangan isyarat input tertentu dalam tempoh masa tertentu. Ini adalah strategi yang lebih dekat meniru cara neuron biologi sebenar berkelakuan. Berbanding dengan rangkaian neural tiruan biasa, peranti ini hanya akan mengeluarkan sedikit lonjakan, jadi lebih sedikit data yang akan diproses, manakala pada dasarnya memerlukan lebih sedikit kuasa dan jalur lebar komunikasi.
Walau bagaimanapun, perkakasan neuromorfik sering menggunakan elektronik tradisional, yang akhirnya mengehadkan kefungsian kompleks dan kelajuan isyarat yang boleh mereka capai. Sebagai contoh, setiap neuron biologi boleh mempunyai puluhan ribu sinapsis, tetapi peranti neuromorfik mengalami kesukaran menyambungkan neuron tiruan mereka antara satu sama lain. Penyelesaian yang berkesan untuk masalah ini ialah pemultipleksan, iaitu, satu saluran isyarat boleh membawa lebih banyak isyarat pada masa yang sama. Walau bagaimanapun, apabila cip menjadi lebih besar dan lebih canggih, kelajuan pengkomputeran boleh menjadi perlahan.
Dalam kajian baharu baru-baru ini, penyelidik di Institut Piawaian dan Teknologi Kebangsaan (NIST) meneroka penggunaan pemancar dan penerima optik untuk menyambung neuron. Pada dasarnya, pautan optik, atau pandu gelombang optik, boleh menyambungkan setiap neuron kepada beribu-ribu neuron lain pada kadar komunikasi kelajuan cahaya. Kertas kerja yang berkaitan telah diterbitkan dalam Nature Electronics.
Alamat kertas: https://www.nature.com/articles/s41928-022-00840-9
Gambaran Keseluruhan Penyelidikan
Penyelidikmenggunakan peranti wayar nano superkonduktor yang mampu mengesan foton tunggal, yang boleh mengesan isyarat optik ini adalah unit terkecil dan boleh dilihat sebagai had fizikal kecekapan tenaga.
Reparansi di bawah menunjukkan cara litar superkonduktor yang mensimulasikan sinaps neuron (titik antara muka antara neuron dalam otak) boleh digunakan untuk mencipta neuron optoelektronik tiruan masa hadapan.
Melaksanakan pengiraan neural fotonik selalunya sukar kerana lazimnya memerlukan rongga optik yang boleh menangkap cahaya untuk tempoh masa yang ketara. Mencipta rongga sedemikian pada mikrocip bersepadu dan menyambungkannya dengan banyak pandu gelombang adalah amat mencabar.
Jadi para penyelidik membangunkan sistem litar hibrid di mana isyarat keluaran daripada setiap pengesan ditukarkan kepada denyutan elektrik ultrafast kira-kira 2 picosaat panjang. Denyutan ini disebabkan oleh turun naik atau fluks magnet tunggal dalam rangkaian interferometer kuantum superkonduktor atau interferometer kuantum superkonduktor (SQUID) .
Jeffrey Shainline, seorang penyelidik di NIST dan pengarang yang berkaitan, berkata, "Selama bertahun-tahun, kami telah bekerja keras dalam penyelidikan teori untuk menemui sifat had fizikal yang membolehkan teknologi untuk mencapai pengkomputeran neuromorfik Pencapaian matlamat ini membawa kami kepada konsep menggabungkan komunikasi optik pada tahap foton tunggal dengan pengiraan rangkaian saraf yang dilakukan oleh persimpangan Josephson. Ia adalah struktur sandwic dengan bahan superkonduktor di bahagian atas dan bawah, dipisahkan oleh filem penebat di tengah. Jika arus melalui persimpangan Josephson (JJ) melebihi ambang tertentu, interferometer kuantum superkonduktor akan mula menghasilkan fluks magnet.
Selepas mengesan foton, pengesan foton tunggal (SPD) menjana kuanta fluks magnet, yang kemudiannya dikumpulkan sebagai arus elektrik dalam gelung superkonduktor SQUID. Arus yang disimpan ini berfungsi sebagai satu bentuk ingatan, merekodkan berapa kali neuron melonjak.
Rajah 2 di bawah menunjukkan reka letak dan litar yang telah siap. a ialah susun atur 3D bagi keseluruhan litar sinaptik b ialah imej mikroskop bagi pembuatan yang telah siap; d ialah susun atur JJ dan shunt; dalam pembuatan; g ialah SQUID yang digunakan untuk kitaran DR (dendritic receiving, dendrite receiving); h ialah DR SQUID dalam pembuatan.
Shainline berseru, “Sebenarnya agak mudah untuk membuat litar itu mengambil masa yang agak lama semasa fasa reka bentuk untuk membuat dan eksperimen, tetapi pada hakikatnya "Apabila kami mula-mula membuat litar ini, ia sudah berfungsi, yang memberi petanda baik untuk skalabiliti masa depan sistem sedemikian," kata penyelidik Mengintegrasikan pengesan foton tunggal dengan persimpangan Josephson menghasilkan sinaps superkonduktor.
Mereka mengira bahawa kekerapan puncak sinaps boleh melebihi 10 juta Hz, manakala setiap peristiwa sinaptik menggunakan kira-kira 33 attojoule tenaga (1 attojoule bersamaan dengan 10^-18 joule). Sebagai perbandingan, kadar lonjakan purata maksimum neuron manusia hanyalah kira-kira 340 Hz, manakala setiap peristiwa sinaptik menggunakan kira-kira 10 femtojoule (1 femtojoule bersamaan dengan 10^-15 joule). Rajah 3 di bawah menunjukkan ciri sinaps tunggal dengan pemalar masa 6.25 μs dan induktansi 2.5 μH. Pengukuran menunjukkan nilai sebenar masing-masing 8.06 μs dan 3.2 μH.
Rajah 4 di bawah menunjukkan bahawa fungsi pemindahan sinaptik boleh direkayasa dalam pelbagai skala masa.
Selain itu, penyelidik boleh menyedari masa output peranti sistem litar ini berubah daripada ratusan nanosaat kepada milisaat. Ini juga bermakna bahawa perkakasan ini boleh disambungkan kepada pelbagai sistem, daripada komunikasi antara peranti elektronik berkelajuan tinggi kepada interaksi yang lebih santai antara manusia dan mesin.
Pada masa hadapan, penyelidik akan menggabungkan sinaps baharu yang mereka bangunkan dengan sumber cahaya pada cip untuk mencipta neuron superkonduktor bersepadu sepenuhnya. Shainline berkata, "Masih terdapat cabaran besar dalam mencapai neuron superkonduktor bersepadu sepenuhnya, tetapi jika kita boleh menyepadukan bahagian terakhir itu, ada sebab untuk mempercayai bahawa ia akhirnya boleh menjadi platform pengkomputeran yang berkuasa untuk kecerdasan buatan." >
Atas ialah kandungan terperinci Adakah neuron fotoelektrik buatan ultra-cekap menjadi kenyataan? 30,000 kali lebih cepat daripada neuron semula jadi, penyelidikan yang diterbitkan dalam sub-jurnal Alam. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Apabila menukar rentetan ke objek dalam vue.js, json.parse () lebih disukai untuk rentetan json standard. Untuk rentetan JSON yang tidak standard, rentetan boleh diproses dengan menggunakan ungkapan biasa dan mengurangkan kaedah mengikut format atau url yang dikodkan. Pilih kaedah yang sesuai mengikut format rentetan dan perhatikan isu keselamatan dan pengekodan untuk mengelakkan pepijat.

Terdapat banyak sebab mengapa permulaan MySQL gagal, dan ia boleh didiagnosis dengan memeriksa log ralat. Penyebab umum termasuk konflik pelabuhan (periksa penghunian pelabuhan dan ubah suai konfigurasi), isu kebenaran (periksa keizinan pengguna yang menjalankan perkhidmatan), ralat fail konfigurasi (periksa tetapan parameter), rasuah direktori data (memulihkan data atau membina semula ruang meja), isu ruang jadual InnoDB (semak fail ibdata1) Apabila menyelesaikan masalah, anda harus menganalisisnya berdasarkan log ralat, cari punca utama masalah, dan mengembangkan tabiat sandaran data secara teratur untuk mencegah dan menyelesaikan masalah.

Artikel ini memperkenalkan operasi pangkalan data MySQL. Pertama, anda perlu memasang klien MySQL, seperti MySqlworkbench atau Command Line Client. 1. Gunakan perintah MySQL-Uroot-P untuk menyambung ke pelayan dan log masuk dengan kata laluan akaun root; 2. Gunakan CreateTatabase untuk membuat pangkalan data, dan gunakan Pilih pangkalan data; 3. Gunakan createtable untuk membuat jadual, menentukan medan dan jenis data; 4. Gunakan InsertInto untuk memasukkan data, data pertanyaan, kemas kini data dengan kemas kini, dan padam data dengan padam. Hanya dengan menguasai langkah -langkah ini, belajar menangani masalah biasa dan mengoptimumkan prestasi pangkalan data anda boleh menggunakan MySQL dengan cekap.

Cecair memproses 7 juta rekod dan membuat peta interaktif dengan teknologi geospatial. Artikel ini meneroka cara memproses lebih dari 7 juta rekod menggunakan Laravel dan MySQL dan mengubahnya menjadi visualisasi peta interaktif. Keperluan Projek Cabaran Awal: Ekstrak Wawasan berharga menggunakan 7 juta rekod dalam pangkalan data MySQL. Ramai orang mula -mula mempertimbangkan bahasa pengaturcaraan, tetapi mengabaikan pangkalan data itu sendiri: Bolehkah ia memenuhi keperluan? Adakah penghijrahan data atau pelarasan struktur diperlukan? Bolehkah MySQL menahan beban data yang besar? Analisis awal: Penapis utama dan sifat perlu dikenalpasti. Selepas analisis, didapati bahawa hanya beberapa atribut yang berkaitan dengan penyelesaiannya. Kami mengesahkan kemungkinan penapis dan menetapkan beberapa sekatan untuk mengoptimumkan carian. Carian Peta Berdasarkan Bandar

Ringkasan: Terdapat kaedah berikut untuk menukar array rentetan vue.js ke dalam tatasusunan objek: Kaedah asas: Gunakan fungsi peta yang sesuai dengan data yang diformat biasa. Permainan lanjutan: Menggunakan ungkapan biasa boleh mengendalikan format yang kompleks, tetapi mereka perlu ditulis dengan teliti dan dipertimbangkan. Pengoptimuman Prestasi: Memandangkan banyak data, operasi tak segerak atau perpustakaan pemprosesan data yang cekap boleh digunakan. Amalan Terbaik: Gaya Kod Jelas, Gunakan nama dan komen pembolehubah yang bermakna untuk memastikan kod ringkas.

Untuk menetapkan masa untuk Vue Axios, kita boleh membuat contoh Axios dan menentukan pilihan masa tamat: dalam tetapan global: vue.prototype. $ Axios = axios.create ({timeout: 5000}); Dalam satu permintaan: ini. $ axios.get ('/api/pengguna', {timeout: 10000}).

Jurutera Backend Senior Remote Company Kekosongan Syarikat: Lokasi Lokasi: Jauh Pejabat Jauh Jenis: Gaji sepenuh masa: $ 130,000- $ 140,000 Penerangan Pekerjaan Mengambil bahagian dalam penyelidikan dan pembangunan aplikasi mudah alih Circle dan ciri-ciri berkaitan API awam yang meliputi keseluruhan kitaran hayat pembangunan perisian. Tanggungjawab utama kerja pembangunan secara bebas berdasarkan rubyonrails dan bekerjasama dengan pasukan react/redux/relay front-end. Membina fungsi teras dan penambahbaikan untuk aplikasi web dan bekerjasama rapat dengan pereka dan kepimpinan sepanjang proses reka bentuk berfungsi. Menggalakkan proses pembangunan positif dan mengutamakan kelajuan lelaran. Memerlukan lebih daripada 6 tahun backend aplikasi web kompleks

Pengoptimuman prestasi MySQL perlu bermula dari tiga aspek: konfigurasi pemasangan, pengindeksan dan pengoptimuman pertanyaan, pemantauan dan penalaan. 1. Selepas pemasangan, anda perlu menyesuaikan fail my.cnf mengikut konfigurasi pelayan, seperti parameter innodb_buffer_pool_size, dan tutup query_cache_size; 2. Buat indeks yang sesuai untuk mengelakkan indeks yang berlebihan, dan mengoptimumkan pernyataan pertanyaan, seperti menggunakan perintah menjelaskan untuk menganalisis pelan pelaksanaan; 3. Gunakan alat pemantauan MySQL sendiri (ShowProcessList, ShowStatus) untuk memantau kesihatan pangkalan data, dan kerap membuat semula dan mengatur pangkalan data. Hanya dengan terus mengoptimumkan langkah -langkah ini, prestasi pangkalan data MySQL diperbaiki.
