人工神经网络是人工智能用来模拟人脑功能的一种方法。神经网络从数据集的输入中“学习”，并根据可用数据产生预测。

但是现在，麻省理工学院计算机科学与人工智能实验室(MIT CSAIL)的研究人员发现了一种更快的方法来解决“液体”神经神经元算法中使用的方程有趣的工程．

液体神经神经元

的研究人员麻省理工学院去年，他从微观物种的大脑中获得灵感，创造了液体神经神经元。

它被描述为“液体”，因为算法可以根据新的信息修改方程，使其能够适应现实世界系统中遇到的变化。

开发液体神经元的研究人员发现了一种技术，可以简化两个神经元通过突触相互作用的微分方程。万博体育登录首页

正如《有趣的工程》(Interesting Engineering)所指出的那样，微分方程可以计算世界的状态，也可以计算一种现象随着时间的推移而逐步发展的状态，而不是从头到尾。

这让他们有机会接触到一类新的更快的人工智能算法。由于它们具有适应性和可理解性，这些模式具有与液体神经网络相似的特性，但它们的新颖之处在于它们的速度和可扩展性。

液体神经网络是一种尖端的神经网络，可以在审查输入数据后改变其行为。研究小组发现，由于需要大量的突触和神经元来解决算法的数学问题，这些模型是昂贵的。

这些方程式的规模使得数学问题的解决更具挑战性，通常需要大量的计算步骤才能得到解决方案并获得答案。

读也:麻省理工学院使用物联网、人工智能和虚拟现实系统来帮助无监督的物理治疗

封闭连续时间

“封闭式连续时间”(CfC)神经网络是这种新网络的名称。据该团队称，在做出预测和完成任务方面，它已经超越了其他形式的人工神经网络。

在从运动传感器识别人类活动、模拟行走机器人的物理动力学以及其他任务时，它的表现也更快、更准确。

当对8000名患者进行医学预测时，新模型的表现比同类产品高出220倍。

该团队声称，有证据表明，“液态”氯氟烃模型可以在一种环境中获得活动，然后在不需要额外培训的情况下，将这些技能和能力转移到完全不同的环境中。

要处理更大的问题，就需要在更大的范围内创建神经网络。这个框架应该作为未来智能系统的基本步骤，因为它可以帮助解决更具挑战性的机器学习任务，改善表征学习。

研究人员认为，通过加速输出过程，安全、商业和国防系统有一天可以从计算效率中受益。

相关文章:麻省理工学院称NASA詹姆斯·韦伯可能过于先进;专家称可能会出现数据误解

本文归科技时报所有万博体育登录首页

作者:Jace Dela Cruz