超维量子因式分解
高维计算是一种新的计算范式,通过长向量(称为超向量)进行操作。该论文提出了一种基于轻量级向量生成器的高效编码方法,以减少计算平台的要求,并改进超向量的性能。
Nov, 2023
超维度计算(HDC)是一种模拟大脑结构,提供强大高效的处理和学习模型的新兴计算范式。本文聚焦于 HDC 系统输入和超向量生成两个方面,探讨各种生成超向量的方法,并探索其局限性、挑战和潜在优势,以深入理解 HDC 中各种编码类型及多样的应用领域中复杂的超向量生成过程。
Aug, 2023
H3DFact is presented as a high-dimensional holographic vector-based engine that efficiently factors sensory signals, demonstrating superior accuracy, operational capacity, compute density, energy efficiency, and silicon footprint compared to 2D designs.
Apr, 2024
生物信息学中的关键词为:算法、深度学习、超维计算、组学数据。本文总结并探索了超维计算在生物信息学中的潜力,强调了其效率、可解释性和处理多模态和结构化数据的能力。超维计算对于组学数据搜索、生物信号分析和健康应用具有巨大的潜力。
Feb, 2024
提出了一种基于超维计算的新型轻量级编码方法,通过兴趣点选择和局部线性映射来保留附近位置模式的相似性,达到了对 MNIST 和 Fashion-MNIST 数据集分别为 97.35% 和 84.12% 的准确率,并且相对于基准编码方法,该方法还表现出更高的噪音和模糊容忍度。
Dec, 2023
提出了一种资源高效的联邦超高维计算(RE-FHDC)框架,通过训练多个较小的独立 HDC 子模型并使用所提出的 dropout-inspired 程序来精炼串联的 HDC 模型,实现与基线联邦 HDC 实现相比消耗较少计算和无线电资源的可比或更高的预测性能。
Jun, 2023
本研究提出了一种基于超维计算和向量符号架构的模型,该模型使用分布式表示对大型固定维度的数据进行一系列操作,其中包括将序列转换为分布式表示,同时保留相同序列元素和序列位移的相似性,并采用递归绑定和叠加操作形成序列位置的表示。该模型名为傅里叶全息约减表示,但可适用于其他超维计算和向量符号架构模型。
Jan, 2022
通过减少资源需求以及提供压缩和效率提升,作者提出了一种新的面向准确性的 Hyperdimensional computing(HDC)优化方法,可用于不同编码函数的 HDC 实现,并且能够在保持 1% 以下的准确性降低的前提下,实现与基线实现相比高达 200 倍的压缩和效率提升。
Mar, 2024