这个新型AI电子器件没有硅!能模拟大脑神经元,(2)
研究人员继续使用了手写数字识别这一数据集来进行测试。
首先,他们让网络识别0-4范围内的数字。然后将范围扩大到0-9训练一段时间,之后再只识别0-4。
结果显示,随着后来5-9的数字不再出现,网络中的相关节点也在逐渐关闭。
下图i-iii中,数字表示对应打开节点,黑色区域则表示关闭的节点。
再将这一动态神经网络与静态网络对比,研究人员发现在增量学习场景下,对于MNIST、CUB-200两个数据集,动态网络的表现都更好。
从如下图B-E中可以看到,在MINIST数据集测试中,动态网络最终准确性是静态网络的2.1倍;数据集CUB-200的最终准确性则是静态网路的2.5倍。
北航张海天教授为共同一作及通讯作者
北京航空航天大学张海天教授为该论文的共同一作及通讯作者。
他博士毕业于美国宾夕法尼亚州立大学材料科学与工程专业。
2018年获得美国吉尔布雷斯学者基金(Gilbreth Research Fellow),于普渡大学工程院开展独立研究工作(合作教授:Shriram Ramanathan以及Kaushik Roy)。
去年9月,张海天全职加入北京航空航天大学材料科学与工程学院。
主要研究领域为功能相变材料的调控及神经计算学器件应用、磁性功能材料、纳米材料等。
论文链接:
完 —量子位 QbitAI · 头条号签约
文章来源:《电子元件与材料》 网址: http://www.dzyjyclzz.cn/zonghexinwen/2022/0209/914.html
上一篇:耐冻性离子水凝胶粘合剂,用于柔性离子电子器
下一篇:Materials Today Physics:3D打印超抗冻多功能柔性电子