神经符号人工智能（neuro-symbolic ai）因其可解释性和适应性强，日益受到关注。它结合符号知识和深度学习，提升了推理和泛化能力，但在硬件实现方面仍面临挑3 U } w @战。
中国科学院微电子研究所刘明院士团队研发了一种基于忆阻器交叉阵列的全新神经符号计算系统。该系统采用忆阻器阵列表示模糊逻辑和规则形式的符号知识，利用忆阻器固有的随机性增强系统鲁棒性，并提升推理性能。针对原位训练效率低下的问题，团队创新性地提出了一种软硬件协同优化的混合原} % /位训练技术，有效降低累积误差。
实验结果表明，该忆阻j 7 3 = X { 7神经模糊计算硬件的能效比FPGA高出两个数量级以上，能耗仅为ASICR f a y f的约1%。在机器人导航实验中，该系统展现出优异的适应性，学习速度提升约6.6倍，错误率降低约6倍，显著优于深度学习方法。
该研究成果以“Stochastic neurj A u 9 L W k i [o-fuk # I R hzzy system iC F | G h H S {mplemented in memristor crossbar arrays”为题发表在《科学进展7 { , C q r》（Science Advances）期刊。微电子所时拓副研% R Q – s ! =究员为第一作者，河北大学闫小兵教授和复旦大学刘琦教授为共同通讯作者。该研究得到了国家重点研发计划、国家自然科学基金委和中国科学院战略先导B类专项等项目的资助。
图示说明: 该图展示了：(A) 模糊推理系统与新型神经模糊系U J L x [ 1统的架构对比；(B, C) 隶属度函数的隐式和显式实现；(D) 通过稀疏连接实现模糊规则的前件；(E) 基于忆阻交叉阵列2 b y ; { B 5 t的去模糊化硬件实现；(F[ l S $ \ . z) 基于忆阻硬件的实时机器人导航实验；(G) 机器人运动轨迹的实时地图可视化；(H, I) 神经模糊硬件在原位训练中] u t Q `角速度和线速度的收敛速度及测试误差率。
以上就是中国科学院微电子所在I \ / 1 1 C M |忆阻神经-模糊硬件及应用探索方面取得新进展的详细内容！
原创文章，作者:【好易之】如转载请注明出处：https://www.zhengjiaxi.com/zxwd/itzx/120444.html
如有侵权，请邮件联系 aoduoye@qq.com 删除。
本站发布的文章及附件仅限用于学习和研究目的;不得将上述内容用于商业或非法用途，否则后果请用户自负。
本站信息来自网络，版权争议与本站无关。您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。
如果您喜欢该程序，请支持正版软件，购买注册，得到更好的正版服务。如有侵权请邮件与我们联系处理。
微信扫一扫 
