| 0 |
|
В Окриджской Национальной Лаборатории проведён первый в своём роде эксперимент по объединению архитектур квантовых, высокопроизводительных (High Performance Computing, HPC) и нейроморфных вычислений, направленный на решение актуальных проблем глубокого обучения, создание более гибких и эффективных технологий ИИ.
Участники работы указывают, что современный метод глубокого обучения, использующий конволюционные нейросети (CNN), тренированные на больших GPU-компьютерах, имеет три ограничения: 1) базируется на простой многослойной сетевой топологии без связей внутри слоя 2) нейросети конфигурируются вручную для достижения оптимального результата 3) реализация модели нейрона дорогостоящая и энергозатратная.
В статье, выложенной на сервере arXiv, учёные оценивают модель, в которой сложные топологии тренируются квантовыми алгоритмами, HPC используются для автоматического определения сетевой топологии, а нейроморфные вычисления позволяют применить оборудование с малым энергопотреблением.
Полученные результаты свидетельствуют об уместности последовательного использования трёх этих архитектур для преодоления указанных выше ограничений. Было показано, что квантовый компьютер может находить высококачественные весовые значения внутрислойных соединений за приемлемое время с ростом сложности сети; высокопроизводительный компьютер выявляет оптимальную топологию слоёв; и нейроморфный компьютер позволяет представлять сложную топологию и веса, полученные от других архитектур, на низковольтном мемристорном оборудовании.
Ready, set, buy! Посібник для початківців - як придбати Copilot для Microsoft 365
| 0 |
|
