
Dr. Joseph S. Friedman, docent i elektro- och datateknik, University of Texas i Dallas (UT Dallas) - Foto: UT Dallas
Enligt EurekAlert! den 30 oktober har forskare vid University of Texas i Dallas (UT Dallas, USA) utvecklat en prototyp av en "hjärnsimulerande dator" som kan lära sig och förutsäga mönster med mindre träning och energi än konventionella AI-system.
Detta är ett stort steg framåt inom neuroberäkningsteknik – teknik inspirerad av hur den mänskliga hjärnan bearbetar och lagrar information.
Arbetet, lett av Dr. Joseph S. Friedman, publicerades i tidskriften Nature Communications Engineering, i samarbete med Everspin Technologies och Texas Instruments.
Till skillnad från traditionella datorer som separerar minne och bearbetning, kombinerar neuromorfiska datorer dessa två funktioner i samma system, vilket gör dem mer effektiva och energibesparande.
Apparaten fungerar utifrån principen att "neuroner som arbetar tillsammans kommer att kopplas samman starkare", vilket simulerar mekanismen för minnesbildning och inlärning i den mänskliga hjärnan.
Teamets huvudfokus ligger på att använda "magnetiska tunnelövergångar" (MTJ) – små elektriskt justerbara komponenter som synapser – som gör att maskinen kan "lära sig" genom att ändra kopplingarna mellan artificiella neuroner, ungefär som hur den mänskliga hjärnan anpassar sig vid inlärning.
Projektet anses vara en lovande inriktning för att ersätta nuvarande energikrävande AI-modeller. Forskningen fick finansiering från amerikanska National Science Foundation (NSF) och det amerikanska energidepartementet, med en total budget på nästan 500 000 USD under två år för att utöka experimentet.
Källa: https://tuoitre.vn/my-phat-trien-may-tinh-mo-phong-nao-nguoi-hoc-nhu-nguoi-that-it-ton-nang-luong-hon-ai-20251103085615027.htm






Kommentar (0)