新時代高科技不計其數越來越發達，小伙伴們看過不少科技新聞吧，在我們生活中應該也用到很多這些高科技東西，有哪些小伙伴值的關注的呢，今天就跟大家分享一篇有關科技方面知識，希望大家會喜歡。

加拿大皇后大學的一個研究小組最近提出了一種縮小隨機遞歸神經網絡(rRNN)的新方法，這是一類人工神經網絡，通常用于根據數據進行預測。他們的方法在預先發布在arXiv上的論文中提出，允許開發人員最小化rRNN隱藏層中的神經元數量，從而提高其預測性能。

“我們的實驗室專注于為人工智能應用設計硬件，”進行這項研究的研究人員之一Bicky Marquez告訴TechXplore。“在這項研究中，我們一直在尋找理解神經網絡運行原理的策略，同時嘗試減少我們打算構建的網絡中的神經元數量，而不會在解決任務時對其性能產生負面影響。我們要解決的主要任務是預測，因為這一直是科學界和整個社會的極大興趣。“

開發可以從數據預測未來模式的機器學習工具已成為全球眾多研究團隊關注的焦點。這遠非令人驚訝，因為預測未來事件可能在各個領域具有重要應用，例如，預測天氣，預測庫存移動或繪制某些人類病理的演變。

Marquez及其同事進行的研究具有跨學科性質，因為它融合了與非線性動力系統，時間序列分析和機器學習相關的理論。研究人員的主要目標是擴展以前可用于神經網絡分析的工具包，最小化隱藏的rRNN層中的神經元數量，并部分消除這些網絡的黑盒屬性。

為實現這一目標，他們引入了一種新方法，將預測理論和機器學習融合到一個框架中。他們的技術可用于提取和使用rNN輸入數據的相關特征，并指導其隱藏層的縮小過程，最終提高其預測性能。

研究人員利用他們研究中收集的見解開發了一種名為Takens靈感處理器的新型人工神經網絡模型。該模型由真實和虛擬神經元組成，在諸如高質量，長期預測混沌信號等挑戰性問題上實現了最先進的性能。

“我們模型的主要優勢在于它解決了構成典型人工神經網絡的大量神經元所產生的問題，”Marquez解釋說。“當考慮優化這種網絡來解決任務時，這些模型中過多的神經元通常會轉化為計算上昂貴的問題。在我們的設計中包含虛擬神經元的概念是減少物理量的一個非常方便的步驟。神經元“。

在他們的研究中，Marquez和她的同事們還使用他們的混合處理器來穩定神經元興奮性的心律失常神經模型，稱為Fitz-Hugh-Nagumo。與其他標準神經網絡相比，他們的方法允許他們將穩定神經網絡的大小縮小15倍。

“我們的方法使我們能夠發現在網絡空間內創建的一些相關特征，這些特征是成功預測的基本代理，”Marquez說。“如果我們能夠識別并消除這些重要功能周圍的噪音，我們就可以使用它們來提高我們網絡的性能。”

Marquez及其同事設計的方法是以前可用于rRNN開發和分析工具的重要補充。將來，他們的方法可以為更有效的預測神經網絡設計提供信息，減少其中包含的節點和連接數量。他們的技術還可以使rRNN更加透明，允許用戶訪問關于系統如何達到給定結論的關鍵洞察力。

“我們專注于神經形態硬件，”馬克斯說。“因此，我們接下來的步驟將與這種隨機循環網絡的物理實現相關。我們的最終目標是設計能夠非常有效地解決人工智能問題的大腦啟發計算機：超快速和低能耗。”