伴随着人工智能和物联网技术的突飞猛进,电子设备产生的海量数据中,含有时空信息的数据如雨后春笋般涌现。其中,神经网络展现出了处理这类数据的显著优势。然而,由于RNN庞大的内部连接及梯度消失或爆炸问题,使其面临着训练困难以及硬件代价高等诸多难题。
而备受关注的后起之秀——储备池计算,它通过采用简单清晰的非线性储备池来替换繁复的循环链接结构,大幅度削减了训练和执行成本。如今,这种算法已经广泛应用于动作模式识别、语音识别、气象预测等多个领域。然而,储备池的时间特性对系统性能的影响非常显著且高度任务相关,这就要求我们必须针对具体任务进行微调。
令人遗憾的是,现有的软件储备池大多将物理储备池视为“黑箱”,特性完全依赖制造过程,缺乏适应性。这使得大部分报告的储备池系统只擅长处理与特定器件时间尺度匹配的任务,极大地制约了其实践效果。
为了解决这个关键问题,北京大学集成电路学院/集成电路高精尖创新中心的科研团队独辟蹊径,首次提出了一种闭环储备池架构,该架构可以根据实时输出结果自动调整储备池参数,从而灵活应对各种时间特性的输入信号。
在此基础上,他们研发出一种具有电学可控时间行为特性的薄膜晶体管。科学家们还构建了一个能获取多尺度时间信息的时间适应储备池计算系统。该系统的设计实验不仅展示了包括人物动作识别、物体变速度运动方向检测等多种功能,而且为了验证新架构的有效性,团队通过对比实验,充分论证了系统在处理复杂时序信号方面的强大实力,不仅人物动作识别的准确率从原来的84.2%大幅飙升到96.7%,而且物体变速度运动方向检测的准确率也从78.8%提升至94.7%。
这项研究无疑为硬件储备池计算系统处理复杂时空信号提供了崭新的解决方案,也为在边缘端实践高效、实时的物联网信息处理铺平道路。
-
神经网络
+关注
关注
42文章
4771浏览量
100704 -
人工智能
+关注
关注
1791文章
47182浏览量
238200 -
物联网技术
+关注
关注
1文章
365浏览量
21689
发布评论请先 登录
相关推荐
评论