Nov, 2023

无处理器的机器学习：非线性电子超材料中的新兴学习

PDF
TL;DR基于晶体管的自适应非线性电子网络的非线性学习超材料能够在不需计算机的情况下实现线性系统无法实现的任务，具有快速、低功耗计算潜力，适用于边缘系统如传感器、机器人控制器和医疗设备等，并可以进行大规模制造和研究新兴学习方法。
deep learningelectronic learning metamaterialsnonlinear elementsanalog electronic networkfast, low-power computing
发现论文，激发创造
  • 神经机械自编码器：学习将弹性和神经网络非线性耦合

    本文介绍了一种机械智能和形态计算的机器学习模型，使用了可学习的细胞实体材料作为形态物质，以及神经网络控制方法来实现非直观的机械行为，并在仿真和实际测试中验证了此方法的可行性。

    Jan, 2023

  • 神经超材料网络用于非线性材料设计

    本文提出了神经介质网络（NMN）作为一种平滑的神经表示，用于编码整个介质材料家族的非线性力学特性，并将逆材料设计作为一种非线性规划问题进行阐述。

    Sep, 2023

  • 随机构造介质材料的机械特性和反向设计研究使用神经运算器

    通过深度神经网络算子（DeepONet）直接学习基于稀疏但高质量位于实验数据的超材料完整微结构与其力学响应之间的关系，进而反向设计具有特定非线性力学特性的结构，该方法为设计复杂微结构材料的特性提供了可行性，即使在数据稀缺的情况下。

    Nov, 2023

  • 大核心超材料神经网络的数字建模

    提出了一种新颖的大卷积核变形材料神经网络（LMNN），通过模型重新参数化和网络压缩来最大化最先进的元件网络（MNN）的数字容量，并明确考虑了光学限制，实验结果证明这种优化的混合设计提高了分类准确性同时减少了计算延迟。

    Jul, 2023

  • 学习到学习：基于相变内存的内存计算实现的快速学习

    低功耗、自主学习的人工智能 (AI) 系统对于能够应用于边缘设备并快速适应特定场景的需求日益增长。本文将学习到学习 (L2L) 的概念与基于相变存储器设备的内存计算神经形态硬件 (NMHW) 相结合，构建了能够快速适应新任务的高效 AI 模型。通过两种场景的实证表明了我们方法的多功能性：一个卷积神经网络进行图像分类，以及一个生物启发的脉冲神经网络为真实机械臂生成运动指令。这两个模型在少量参数更新的情况下快速学习，并在 NMHW 上性能与软件等效。此外，这些模型的元训练可以在高精度的软件环境中完成，无需准确的硬件模型。

    Apr, 2024

  • 智能机器在非结构化环境中的差分神经计算工作

    通过提取环境信息的主要特征并将相关编码刺激应用于忆阻器，我们成功地在处理非结构化环境信息方面获得了类人的能力，比如机械刺激的放大（>720%）和适应性（<50%）。这种方法还在智能机器的两个典型应用（物体抓取和自动驾驶）中展示了良好的可扩展性和泛化性能。

    Sep, 2023

  • 线性光学非线性处理

    研究使用多次散射的方法，在低光功率下实现具有程序控制的线性和非线性变换，实现光学多层网络的实现

    Jul, 2023

  • 具有连贯纳米光子电路的深度学习

    本篇论文提出新的光学神经网络架构，并利用光学的独特优势实现计算速度和能源效率的显著提升，最高分别达到目前技术水平的两个和三个数量级，此外使用可编程纳米光子处理器进行实验验证。

    Oct, 2016

  • 量子电路学习

    本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法，将低深度的量子电路与经典计算机混合使用，实现了优化参数的迭代优化，从而实现了学习任务的同时避免高深度量子电路，并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数，为实现近期量子设备开展量子机器学习应用奠定了基础。

    Mar, 2018

  • 非线性光学数据转换器用于机器学习

    通过利用复杂的非线性光学处理器，利用光学计算实现简化的机器学习模型来进行图像分类。

    Aug, 2022