Как отмечают исследователи, большая часть современных систем ИИ построена на базе "классических" искусственных нейронов, в работе которых используются сложение и умножение. Последняя требует значительно больше вычислительных ресурсов, из-за чего ученые сейчас активно работают над созданием альтернативных моделей нейронов.
В биполярных морфологических нейронах умножение заменено на операцию взятия максимума. Нейросети на базе подобных нейронов в теории должны обладать большей энергетической эффективностью, чем их классические аналоги, однако для их использования в системах распознавания изображений нужно больше ветвей вычислений.
Мы исследовали новый способ построения нейронной сети, продемонстрировав, что наш метод обучения позволяет достигать высоких результатов с упрощенной структурой нейронов. Это открывает путь к созданию более энергоэффективных и быстрых нейронных сетей
— рассказал Михаил Зингеренко, аспирант МФТИ.
Ученым удалось разработать новую модель биполярного морфологического нейрона, которая сокращает количество вычислительных веток с четырех до одной, а также создать новый подход для обучения нейросетей на из базе.
Экспериментальные испытания показали, что разработанные аналоги известных систем ИИ, таких как LeNet и ResNet-22, успешно справляются с задачами распознавания изображений и рукописного текста с той же точностью, что и их классические версии.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться
#новостьдня