您现在的位置是：首页 > 人工智能网站首页人工智能

隶属于UNIST的国际研究人员团队推出了一项新颖的技术，可以提高人工神经网络(ANN)的学习能力。

Jeong Hongsik Jeong教授及其在UNIST材料科学与工程系的研究团队与中国清华大学的研究人员合作，提出了一种新的学习方法，通过挑战ANN芯片的不稳定性来提高其学习能力。

人工神经网络芯片能够模仿人类神经网络的结构，功能和生物学特征，因此已经被认为是未来的技术。在这项研究中，研究团队通过构建像ANN一样工作的相变存储器(PCM)忆阻器阵列，证明了所提出的学习方法的有效性。该学习方法的优点还在于，由于PCM由于非晶化后的结构弛豫而自发地增加了电阻，因此无需额外的功耗就可以提高其学习能力。

像人脑一样，人工神经网络即使在同时执行计算和存储任务时也消耗较少的能量。然而，其中集成有大量物理设备的人工神经网络芯片具有错误的缺点。现有的人工神经网络学习方法是假设完美的人工神经网络芯片没有错误，因此人工神经网络的学习能力较差。

研究团队开发了一种基于相变记忆的忆阻器人工神经网络学习方法，认为真实的人脑不需要近乎完美的运动。这种学习方法反映了学习中存储半导体中相变材料的“电阻漂移”(电阻增加)。在学习过程中，由于信息更新模式以增加的电阻形式记录在忆阻器中，该模式用作突触，因此突触还学习了它更改的模式与正在学习的数据之间的关联。

研究小组表明，通过实验对由数字0-9组成的笔迹进行分类的学习方法可以将学习能力提高约3%。特别地，难以手写的数字8的准确性已显着提高。突触更新模式会根据手写分类的难度而有所不同，从而提高了学习能力。

研究人员期望他们的发现将促进具有忆阻器设备固有特性的学习算法的发展，为神经形态计算芯片的开发开辟新的方向。