В рамках исследования Nature Communications исследователи из Китая разработали метод вероятностного обновления с учетом ошибок (EaPU), который согласовывает шумные обновления аппаратного обеспечения мемристоров с обучением нейронной сети, сокращая потребление энергии почти на шесть порядков по сравнению с графическими процессорами и повышая точность в задачах визуализации. Исследование подтверждает эффективность EaPU на 180-нм мемристорных матрицах и крупномасштабном моделировании.
Новости от techxplore
