Как использовались гиперпространственные вычисления
предоставлено изображение: Pixabay
Это может звучать как что-то из последних «Звездных войн» или фильма Marvel, но гиперпространственные (HD) вычисления на самом деле вполне реальны. Проще говоря, это новая парадигма машинного обучения, вдохновленная теоретической нейронаукой.
Вычисление HD использует ряд преобразований, которые используются в том смысле, что наш мозг выполняет сложную задачу, а именно преобразование плотных сенсорных данных в многомерное разреженное представление, в котором релевантную информацию можно легче разделить, чтобы добиться повышения производительности и энергоэффективности без точности для точности. и с внешними упорами на шум. HD-вычисления также допускают высшую степень распараллеливания, и в Великобритании с появлением вычислительных устройств можно использовать эти принципы в качестве основ для машинного обучения следующего поколения.
В отличие от искусственного интеллекта или квантовых вычислений, HD-вычисления до сих пор не входят в популярный культурный дух того времени. Итак, хотя мы изначально, что такое HD-вычисление простыми словами, мы можем пойти дальше. Давайте углубимся в HD-вычисления, что это такое? Каковы его возможности? И как это используется сегодня…
Доктор Роман Каудило
Исполнительный директор JUMP 2.0 и представитель Intel в SRC.
Что такое гиперпространственные вычисления?
Как мы уже говорили выше, HD-вычисления основаны на том, как люди (и другие животные) используют свои чувства для сбора информации. Например, когда вы воспринимаете визуальную информацию, она кажется вам плотными входными сенсорными сигналами от активности нейронов.
Эти электрические сигналы затем передаются от сети; через зрительный нерв; в вашем мозгу они трансформируются или взрываются как многомерное разреженное представление, в котором задействованы тысячи нейронов – другие слова, то, что вы видите. При переходе от компактного изображения к, казалось бы, менее эффективному многомерному разреженному представлению, ученые полагают, что мозг может облегчить отделять большую часть информации.
Вычисления HD имитируют эти вычисления на основе шаблонов в памяти, используя большие данные в десятки или даже сотни тысяч. Например, если взять данные из первоначального плотного изображения действительного числа, а затем представить их в виде тысяч битов или гипервекторов, то HD-модель можно было бы легче распознать, какие данные имеют общий шаблон с другими данными – по сути, отделяя наиболее важные данные. информация.
С этим, HD-вычисления используют быстрое однопроходное обучение. Это позволяет обучаться и рассуждать в режиме реального времени, что, в отличие от нейронных сетей, которые требуют обучения сложным системам, означает, что вычислительные модели HD могут обучаться и обучаться онлайн на чем-то столь же простом, как мобильный телефон или датчик. Использование гипервекторов также делает HD-вычисления невероятно устойчивыми к шуму, использование аппаратных ускорителей, обеспечивающих HD-вычисление энергоэффективности. Все эти свойства делают HD-вычисление альтернативным выбором для функций искусственного интеллекта — будь то классификация изображений и объектов для обнаружения, хранения, связывания и ограничения зашумленных шаблонов.
Как сегодня используются HD-вычисления?
Все эти разговоры о том, что такое HD-вычисления, но как насчет этого в действии? Что ж, уже были попытки использовать его для достижения полезных результатов в первый раз в мире.
За последние пять лет Центр CRISP Объединенной университетской программы микроэлектроники (JUMP) Калифорнийского университета в Сан-Диего (UCSD) сотрудничал с лабораториями Intel, а также с множеством других отраслевых партнеров по использованию HD-вычислений для решения задач памяти и проблем хранения, вызванных наблюдением за сточными водами COVID-19 и последовательно персонализированными рекомендациями.
Исследование возглавила главный исследователь Таяна Симуник Розинг — профессор компьютерных наук и инженерии, а также электротехники и вычислительной техники в Калифорнийском университете в Сан-Франциско. Как мы все знаем, когда в 2020 году разразилась пандемия COVID-19, организации и учреждения во всем мире были закрыты. Однако UCSD продолжал работать благодаря совместным усилиям Центра CRISP и Медицинской школы UCSD по постоянному отслеживанию геномных вирусов в сточных водах.
Анализ любого стандартного микробиома — это задача, требующая большого объема данных, и это ничем не отличается от COVID-19, объем данных которого достигал 10 ТБ в день, и требует таких операций, как агрессивные, которые самостоятельно по себе могут занимать несколько дней. вирусно-геномного анализа. и месяцы на обработку геномных данных. Большая часть исследователей была объединена в разработке новых способов использования компьютеров с высокой четкостью в сочетании с ускорителями для преобразования узких мест в памяти.
Команда обнаружила, что HD-вычисления ускорили процесс идентификации геномной последовательности от нескольких дней до часов, что оказалось необходимым во время пандемии. Они добились этого с помощью HD-вычисления для выявления генов человека или вируса, ускорив секвенирование ДНК при наблюдении за сточными водами COVID-19 в 200 раз, поскольку они использовали эти закономерности параллельно – в конечном итоге помогая UCSD выявить 85 случайных случаев рано.
Возможно, эта технология все еще находится в зачаточном состоянии, но HD-вычисления открывают перед нами огромный потенциал. От революционных изменений способ создания искусственного интеллекта обеспечивает персонализированное исследование методов — компьютеры высокой четкости могут оказаться на переднем крае, помогая нам решить некоторые из самых сложных проблем, с которыми мы сталкиваемся.
Вы профессионалы? Подпишитесь на нашу новостную рассылку
Свяжитесь со мной, чтобы сообщить новости и предложения других брендов Future. Получайте от нас электронные письма от имени наших доверенных партнеров или спонсоров. Отправляя свою информацию, вы соглашаетесь с Условиями использования и Политикой конфиденциальности, и вам исполнилось 16 лет.
Источник
РИТА Illusions | ИЛЛЮЗИЯ №5 "Последние исследования...при тяжелом COVID-19-ОРДС...При тяжёлом ли?"HD
"РИТА" Иллюзии | ИЛЛЮЗИЯ №5 "Последние рандомизированные исследования по неинвазивной ИВЛ при тяжелом ...