深度学习再登Science：万物皆可做数据分析处理器，你甚至可以用锅碗瓢盆

2025-09-11 12:16:40

点击上由此可知，查询教学大纲

大数据文摘出品

想象一下，你周围的任何样子，比如一个煎锅、一个玻璃镇纸，都可以用来想到为人工神经网络的之前央妥善处理器，那是什么感觉？

人工神经网络单纯来说是，是一种模仿人脑继续执行比较单纯目标的只能子系统，给定输入，得不到反向，无论是断定一张由此可知上面是一只猫或一只小狗，还是断定这首歌是什么风格，人工神经网络总能根据无数次的受训得不到最小概率的准确结果。

只不过，为了得不到最慢的速度，现阶段的人工神经网络通常在由此可知形妥善处理中央妥善处理器（GPU）上运营的，而一项最初研究课题显示，理论上，你可以依赖任何物体来运营一个人工神经网络。

共同主导这项研究课题的康奈尔大学研究小组 Logan Wright 说是: “一切都可以是一台算出机。”

Nature报道了这项研究课题。

科学论文地址：

声、暗、阻抗皆可作为人工神经网络载体

现阶段的人工神经网络通常在由此可知形妥善处理中央妥善处理器（GPU）上运营，最小的算出机可以流量继续执行数百万或数十亿次算出，仅仅是为了，并不一定是，下一盘棋或者写成一篇散文。

即使是在专门的中央妥善处理器上，这也会花掉大量的时间和电网。但 Wright 和他的熟人注意到，生物学对象也以相反方式算出，仅仅通过对诱发采取行动。

为了演示这一概念，研究课题人员在三种生物学子系统，机械子系统、暗学子系统、模拟电子子系统之前紧密结合了人工神经网络，每种生物学子系统涵盖总计五个妥善处理层：

在机械子系统的每一层之前，他们使用扩音器振动一个小金属板，需用音箱据信其反向；在暗学子系统之前，他们让暗跨过晶体，用来搭建人工神经网络；在模拟电子子系统之前，他们借助于阻抗通过极小的电路来设计网络。

借助于宽带暗学SHG实验实现了一个典型的PNN

在每种意味着，研究课题人员都将输入数据（如未标上的由此可知像）以笑声、暗线或电路进行编码，对于每个妥善处理层，他们还对十六进制参数进行编码，想到三个生物学子系统如何可用数据。为了受训子系统，他们缩减了参数，以减不及子系统预测的由此可知像ID和理论上ID之间的值。

Logan Wright 说是，“我们只是在追寻让硬件生物学学想到我们想想到的事情的方法。”

务实生物学每一次，而不是数学运算

生物学-表征受训

在科学论文之前，研究课题人员透露，应当务实对生物学每一次的受训，而不是数学可用。

这种区分毫无疑问是语义上的：通过刷新传统的嵌入式区分，PNNs提供了从几乎任何可控制的生物学子系统紧密结合人工神经网络硬件的可能性。任何模拟过比较单纯生物学子系统趋同的人都知道，生物学叠加通常比十六进制模拟更加慢，消耗的电磁场更加不及。

这断定，PNNs都能最直接地借助于这些生物学叠加，可能都能比传统模式更加有效地继续执行某些算出，从而提供了一条更加可扩展到、更加节能和更加慢的人工神经网络的途径。

未来可能不是在继续执行算出，而是硬件本身的功能

没有参予这项研究课题的法语区理工学院苏黎世分校的研究小组和算出机研究小组 Lenka Zdeborová 说是，这项研究课题是“令人难忘的”，她渴望看到更加瓶颈目标的各种类型。

德国各地区研究课题机构德国各地区科学研究课题之前心（CNRS）的研究小组达迪克•和安里奥斯（Damien Querlioz）补充道: “他们在相同的背景下很好地证明了这个想法……我并不认为它将产生不小的影响。”

最令人难忘的是PNNs作为电脑光度计的潜力。

暗学仪器的暗学技术甚至可以在暗线照射到十六进制光度计前帮助检测细胞，或者电脑手机的音箱腹腔可以监听唤醒词语。Wright 说是，在这些可用系统之前，你就让不会并不认为它们在继续执行人工神经网络算出，而是并不认为它们是“表征一台”。

点「在看」的人都变好看了哦！