日B视频 亚洲,啪啪啪网站一区二区,91色情精品久久,日日噜狠狠色综合久,超碰人妻少妇97在线,999青青视频,亚洲一区二卡,让本一区二区视频,日韩网站推荐

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

Nature新研究大腦就像肌肉,有效思維干預(yù)可更新神經(jīng)元

Hf1h_BigDataDig ? 來(lái)源:lq ? 2019-09-13 16:26 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

學(xué)霸和學(xué)渣有什么不同?高智商可以培養(yǎng)嗎?

斯坦福大學(xué)教授Carol Dweck在作品《看見(jiàn)成長(zhǎng)的自己》中將人的思維分為兩種,一種是固定性思維,認(rèn)為智力和能力是一成不變的;一種是成長(zhǎng)性思維,認(rèn)為努力可以使自己變得更聰明。

最近,得克薩斯大學(xué)奧斯汀分校的一份研究認(rèn)為:人的大腦就像肌肉,在經(jīng)過(guò)嚴(yán)格的學(xué)習(xí)訓(xùn)練之后,大腦中的神經(jīng)元會(huì)形成新的、強(qiáng)有力的聯(lián)結(jié),長(zhǎng)久下去,人會(huì)變得越來(lái)越聰明。

這一研究論文也被發(fā)布在了今年8月的《自然》雜志上。

Nature鏈接:

https://www.nature.com/articles/s41586-019-1466-y

研究人員從美國(guó)65所普通公立學(xué)校選擇隨機(jī)樣本,包括12,490名九年級(jí)青少年,通過(guò)在線的成長(zhǎng)型思維干預(yù)方法,發(fā)現(xiàn)可以提高成績(jī)較差的學(xué)生的GPA成績(jī)以及該國(guó)家樣本中高級(jí)課程的整體吸收率。

這難道就是普通學(xué)生和學(xué)霸的區(qū)別?所以考得不好只能怪自己不努力,再也沒(méi)有“天賦不好”這樣的借口了嗎?一起來(lái)看看!

調(diào)查背景和緣由

大約20%的美國(guó)學(xué)生不能按時(shí)完成高中學(xué)業(yè)。

在當(dāng)前的全球化經(jīng)濟(jì)中,這些輟學(xué)的學(xué)生將會(huì)面臨著貧困、健康狀況不佳和早逝的高風(fēng)險(xiǎn)。事實(shí)上,《柳葉刀》雜志的一個(gè)委員會(huì)認(rèn)為改善青少年的中等教育成果“是對(duì)健康和福祉最好的一筆投資”。

向中學(xué)的過(guò)渡是青少年教育軌跡中具有靈活性的一個(gè)重要時(shí)期。在美國(guó),學(xué)生的成績(jī)?cè)谶^(guò)渡到九年級(jí)(14-15歲,英國(guó)10年級(jí))時(shí)往往會(huì)下降,而且往往不會(huì)恢復(fù)。當(dāng)這些學(xué)生在嚴(yán)格的課程學(xué)習(xí)中表現(xiàn)不佳或選擇不學(xué)習(xí)時(shí),他們就不太可能上大學(xué)或者選修大學(xué)里的高階課程。這樣,在向中學(xué)過(guò)渡的早期問(wèn)題會(huì)隨著時(shí)間的推移而加劇,并在成年后形成巨大的人際資源差異。

為了提高高等教育的入學(xué)率,研究人員決定強(qiáng)調(diào)成長(zhǎng)型思維在其中發(fā)揮的作用,研究人員想到,在過(guò)渡到中學(xué)時(shí)提高學(xué)業(yè)成績(jī)的一個(gè)方法是通過(guò)社會(huì)心理學(xué)的干預(yù),改變青少年對(duì)自己和學(xué)業(yè)的想法或感覺(jué),成長(zhǎng)型思維可以激勵(lì)學(xué)生學(xué)習(xí)更加嚴(yán)格困難的課程,并在遇到困難時(shí)堅(jiān)持下去,從而鼓勵(lì)學(xué)生利用學(xué)校的學(xué)習(xí)機(jī)會(huì)。

這里評(píng)估的具體干預(yù)措施是一種智力干預(yù)的成長(zhǎng)型思維,強(qiáng)調(diào)了青少年對(duì)智力本質(zhì)的信念,使學(xué)生們認(rèn)識(shí)到,智力并不是固定不變的,而是能夠隨著堅(jiān)定地努力、不斷地嘗試以及在合適的時(shí)候?qū)で髱椭粩喑砷L(zhǎng)的。

采用方法

對(duì)青少年進(jìn)行的初步干預(yù)研究采用多階段(例如,8個(gè)課堂階段)、由受過(guò)良好培訓(xùn)的成年人舉辦的互動(dòng)研討會(huì)等方式教授成長(zhǎng)型思維;然而,這些做法并不容易推廣。之后的成長(zhǎng)心態(tài)干預(yù)簡(jiǎn)單一些,是在線自我管理的。盡管如此,之前的隨機(jī)評(píng)估,包括預(yù)注冊(cè)回答,顯示在線成長(zhǎng)心態(tài)干預(yù)改善了目標(biāo)群體中那些之前成績(jī)較差的中等教育學(xué)生的成績(jī)。

在線網(wǎng)站鏈接: https://osf.io/tn6g4

干預(yù)包括兩次自我管理的在線會(huì)議,每次持續(xù)約25分鐘,要求學(xué)生使用學(xué)校的計(jì)算機(jī)資源完成兩個(gè)隨機(jī)分配的25分鐘在線課程。這些會(huì)議包括增長(zhǎng)思維練習(xí)和控制練習(xí)。

在治療條件下,學(xué)生閱讀和聆聽(tīng)描述大腦如何運(yùn)作的科學(xué)材料以及人們隨著時(shí)間的推移培養(yǎng)智力的能力,同時(shí)鼓勵(lì)學(xué)生思考為什么他們可能想要發(fā)展他們的大腦,以便對(duì)他們個(gè)人關(guān)心的事物產(chǎn)生影響,同時(shí)還教學(xué)生們思考如何將這些信念付諸實(shí)踐,例如,完成一個(gè)簡(jiǎn)短的寫(xiě)作任務(wù),為未來(lái)的九年級(jí)學(xué)生提供建議,這些建議可以幫助參與者輕松過(guò)渡到高中,在正常上課時(shí)間間隔大約20天如下圖所示:

2015年8月至11月,82%的學(xué)校實(shí)施了干預(yù);剩下的18%在2016年1月或2月進(jìn)行了干預(yù)。星號(hào)表示,在秋季實(shí)施干預(yù)措施的學(xué)校中,第一至第二節(jié)課之間的平均天數(shù)為21天;而春季學(xué)校則是27天。擲硬幣符號(hào)表示在第一節(jié)課進(jìn)行了隨機(jī)分配。勾號(hào)表示在在線網(wǎng)站預(yù)先注冊(cè)了一個(gè)全面的分析計(jì)劃。盲眼符號(hào)表明,首先,教師和研究人員不知道學(xué)生隨機(jī)分配的條件,其次,貝葉斯機(jī)器學(xué)習(xí)魯棒性測(cè)試是由當(dāng)時(shí)并不知道假設(shè)和變量特性的研究人員進(jìn)行的。

調(diào)查數(shù)據(jù)從哪來(lái)?

數(shù)據(jù)來(lái)自國(guó)家學(xué)習(xí)心態(tài)研究(這是美國(guó)65所普通公立學(xué)校的分層隨機(jī)樣本),包括12,490名九年級(jí)青少年,他們被單獨(dú)隨機(jī)抽樣,盡可能多的招募學(xué)校進(jìn)入研究。從學(xué)生的學(xué)校獲得成績(jī),并且分析的重點(diǎn)是低成就學(xué)生群體(低于學(xué)校中位數(shù)的學(xué)生)。樣本反映了美國(guó)年輕人的多樣性:11%自我報(bào)告為黑人/非洲裔美國(guó)人,4%亞裔美國(guó)人,24%拉丁裔,43%白人和18%另一種族或種族;29%的人表示他們的母親擁有學(xué)士學(xué)位或更高學(xué)歷。

在調(diào)查報(bào)告中給出了匯總數(shù)據(jù)鏈接,在鏈接網(wǎng)址中給出了詳細(xì)的數(shù)據(jù)信息,包括預(yù)注冊(cè)、文檔、數(shù)據(jù)(其中數(shù)據(jù)以.csv格式顯示)

匯總數(shù)據(jù)鏈接: https://osf.io/r82dw/

部分?jǐn)?shù)據(jù)展示如下:

共有139所學(xué)校被選中,在這些學(xué)校中,65所學(xué)校同意,參與并提供學(xué)生記錄。另有11所學(xué)校同意并參加,但沒(méi)有提供學(xué)生成績(jī)或課程記錄;因此,不會(huì)分析他們學(xué)生的數(shù)據(jù)。研究計(jì)算了蒂普頓普遍性指數(shù),它是分析樣本與總體抽樣框架之間相似性的度量,沿著官方政府來(lái)源獲得的8個(gè)學(xué)生人口統(tǒng)計(jì)和學(xué)校成績(jī)基準(zhǔn)進(jìn)行數(shù)據(jù)統(tǒng)計(jì)和分析。

分析方法

在有了數(shù)據(jù)之后,如何比較干預(yù)后的數(shù)據(jù)和之前數(shù)據(jù)的變化,針對(duì)這些數(shù)據(jù)做分析呢?

平均治療效果的模型

分析估計(jì)個(gè)人的平均治療效果使用集群穩(wěn)健的固定效應(yīng)線性回歸模型,學(xué)校作為固定效應(yīng),納入ICF統(tǒng)計(jì)人員提供的權(quán)重。因此,系數(shù)可推廣到推理人群,即在美國(guó)普通公立學(xué)校就讀的學(xué)生。對(duì)于t分布,自由度為46,等于簇(或初級(jí)采樣單位,即51)減去采樣層數(shù)(為5)。

異質(zhì)性的模型

為了檢驗(yàn)低成就學(xué)生的治療效果中的跨學(xué)校異質(zhì)性,研究人員估計(jì)多級(jí)混合效應(yīng)模型(1級(jí),學(xué)生;2級(jí),學(xué)校),學(xué)校采用固定截距,并且按照當(dāng)前推薦的不同學(xué)校隨機(jī)斜率做法。該模型包括以學(xué)校為中心的學(xué)生級(jí)協(xié)變量(先前的表現(xiàn)和人口統(tǒng)計(jì))使網(wǎng)站級(jí)估計(jì)盡可能精確。該分析控制了學(xué)校一般學(xué)生的種族/民族構(gòu)成及其與治療狀態(tài)變量的相互作用,以解釋學(xué)生身體種族/民族構(gòu)成與學(xué)業(yè)成績(jī)水平的混淆。

貝葉斯魯棒性分析

使用一種算法來(lái)實(shí)現(xiàn)這一目標(biāo),BCF,BCF算法使用機(jī)器學(xué)習(xí)工具來(lái)發(fā)現(xiàn)(或排除)covariates和 moderators之間的高階交互和非線性關(guān)系。它是保守的,因?yàn)樗褂谜齽t化和強(qiáng)大的先驗(yàn)分布來(lái)防止錯(cuò)誤發(fā)現(xiàn)。在我們預(yù)先登記的模型中,適度分析的穩(wěn)健性的證據(jù)來(lái)自于BCF在分布中具有最多學(xué)校(即分布中間)的部分估計(jì)效果的對(duì)應(yīng),因此BCF算法也是此項(xiàng)研究有意義的價(jià)值所在。

調(diào)查結(jié)果

主要成果是核心九年級(jí)(數(shù)學(xué),科學(xué),英語(yǔ)或語(yǔ)言藝術(shù)和社會(huì)研究)的干預(yù)后成績(jī)點(diǎn)平均值(GPA),按照預(yù)先登記的分析計(jì)劃,我們報(bào)告n的目標(biāo)群體的結(jié)果=6,320名相對(duì)于同一學(xué)校同齡人的成績(jī)較低的學(xué)生。模型估計(jì)為5.3%(95%置信區(qū)間=-1.7,-9.0),se=1.8,t= 2.95,通過(guò)短暫和低成本的增長(zhǎng)思維干預(yù),每年美國(guó)學(xué)生中的P=0.005將被阻止“脫軌”,相當(dāng)于從46%減少到41%,這使得相對(duì)風(fēng)險(xiǎn)減少11%(即0.05/ 0.46)。

如上圖所示,a,c表示治療對(duì)核心課程成績(jī)點(diǎn)平均值(GPAs)的影響, b,d,表示僅對(duì)數(shù)學(xué)和科學(xué)的GPAs治療效果,c,d,箱形圖表示無(wú)條件處理效果(每個(gè)學(xué)校一個(gè))預(yù)先登記的線性混合效應(yīng)回歸模型。

GPA是一個(gè)理論上相關(guān)的結(jié)果,因?yàn)槌煽?jī)通常被理解為反映持續(xù)的動(dòng)機(jī),而不僅僅是先前的知識(shí)。這也是一個(gè)實(shí)際相關(guān)的結(jié)果,GPA是成人教育程度,健康和福祉的有力預(yù)測(cè)指標(biāo),即使在控制高中考試成績(jī)時(shí)也是如此。定義為以四分制為單位獲得GPA低于2.0的青少年的百分比,每年有300多萬(wàn)九年級(jí)學(xué)生上普通的美國(guó)公立學(xué)校,根據(jù)定義,有一半學(xué)生的成績(jī)較低。

二次分析側(cè)重于僅在數(shù)學(xué)和科學(xué)方面的GPA結(jié)果。數(shù)學(xué)和科學(xué)是相關(guān)的,因?yàn)槊绹?guó)的普遍信仰將數(shù)學(xué)和科學(xué)學(xué)習(xí)與“原始”或“天生”能力聯(lián)系起來(lái),認(rèn)為“數(shù)學(xué)和科學(xué)的成功有力地預(yù)測(cè)了長(zhǎng)期的經(jīng)濟(jì)福利和福祉”,結(jié)果為數(shù)學(xué)和科學(xué)的分析支持了相同的結(jié)論。

如上圖所示,成績(jī)較好的學(xué)生對(duì)核心課程GPA沒(méi)有顯著的治療效果,即僅在成績(jī)較差的學(xué)生中檢查平均GPA效應(yīng),因?yàn)槌煽?jī)較好的學(xué)生可能已經(jīng)習(xí)慣(例如,按時(shí)上班)和環(huán)境(例如,支持性家庭,教師或同伴群體),即使在控制條件下也能培養(yǎng)出高GPA。

結(jié)果顯示,當(dāng)學(xué)生們的行為規(guī)范與干預(yù)措施相一致時(shí),干預(yù)起到作用,提高成績(jī)較差的學(xué)生的成績(jī)和對(duì)高階課程的接受程度。對(duì)此研究結(jié)論的嚴(yán)謹(jǐn)性證明來(lái)自于獨(dú)立的數(shù)據(jù)收集和處理、分析時(shí)的預(yù)注冊(cè)以及基于盲貝葉斯的結(jié)果驗(yàn)證。

最后寄語(yǔ)

在邁克爾?喬丹代言的耐克廣告中,他最喜歡的一句廣告詞是:“我有超過(guò)9000次投籃不中,也輸了將近300場(chǎng)比賽,我還有26次錯(cuò)失了絕殺機(jī)會(huì)。”

但可以肯定的是,每次失敗過(guò)后,他都會(huì)回到訓(xùn)練場(chǎng)館,練習(xí)上百次投籃,最后才能站上籃球界的神壇!或許思維真的會(huì)決定命運(yùn),有時(shí)以一個(gè)積極努力的心態(tài)迎接挑戰(zhàn),可能真會(huì)使我們更加聰明吧!

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 計(jì)算機(jī)
    +關(guān)注

    關(guān)注

    19

    文章

    7842

    瀏覽量

    93500
  • 神經(jīng)元
    +關(guān)注

    關(guān)注

    1

    文章

    369

    瀏覽量

    19208

原文標(biāo)題:Nature新研究:大腦就像肌肉,有效思維干預(yù)可更新神經(jīng)元,還能提升GPA!

文章出處:【微信號(hào):BigDataDigest,微信公眾號(hào):大數(shù)據(jù)文摘】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    MEP如何可量化的評(píng)估tTIS的刺激干預(yù)效果?

    的興奮性可以通過(guò)多種無(wú)創(chuàng)腦刺激技術(shù)進(jìn)行調(diào)控,例如經(jīng)顱磁刺激(TMS)和經(jīng)顱交流電刺激(tACS)。研究發(fā)現(xiàn),M1的興奮性與皮層內(nèi)神經(jīng)元的同步振蕩活動(dòng)密切相關(guān),尤其是
    的頭像 發(fā)表于 04-20 18:03 ?97次閱讀
    MEP如何可量化的評(píng)估tTIS的刺激<b class='flag-5'>干預(yù)</b>效果?

    打通“神經(jīng)”與“肌肉”:疆鴻智能EtherCAT轉(zhuǎn)DeviceNet在精密制造中的關(guān)鍵作用

    ?打通“神經(jīng)”與“肌肉”:疆鴻智能EtherCAT轉(zhuǎn)DeviceNet在精密制造中的關(guān)鍵作用 在精密零件自動(dòng)化加工單元,我們面臨一個(gè)典型的技術(shù)挑戰(zhàn):倍福PLC作為“大腦”采用高速EtherCAT協(xié)議
    的頭像 發(fā)表于 02-26 14:10 ?353次閱讀
    打通“<b class='flag-5'>神經(jīng)</b>”與“<b class='flag-5'>肌肉</b>”:疆鴻智能EtherCAT轉(zhuǎn)DeviceNet在精密制造中的關(guān)鍵作用

    高速鈣成像

    ,主要致力于研究神經(jīng)遞質(zhì)釋放的調(diào)控機(jī)制,這是大腦神經(jīng)元之間通訊的基礎(chǔ)。 正如沃爾林斯基教授所解釋的:“神經(jīng)元之間的突觸是健康和疾病中調(diào)制和
    的頭像 發(fā)表于 02-25 09:22 ?200次閱讀
    高速鈣成像

    應(yīng)用案例 | 40倍鏡下解析小鼠腦部神經(jīng)元:深視智能sCMOS相機(jī)賦能膜片鉗實(shí)驗(yàn)高效開(kāi)展

    01實(shí)驗(yàn)背景小鼠腦部神經(jīng)元膜片鉗實(shí)驗(yàn)是神經(jīng)科學(xué)領(lǐng)域的關(guān)鍵技術(shù),廣泛應(yīng)用于神經(jīng)系統(tǒng)疾病機(jī)制研究、藥物篩選及神經(jīng)環(huán)路解析等核心方向。該實(shí)驗(yàn)的兩大
    的頭像 發(fā)表于 02-02 08:17 ?449次閱讀
    應(yīng)用案例 | 40倍鏡下解析小鼠腦部<b class='flag-5'>神經(jīng)元</b>:深視智能sCMOS相機(jī)賦能膜片鉗實(shí)驗(yàn)高效開(kāi)展

    神經(jīng)網(wǎng)絡(luò)的初步認(rèn)識(shí)

    日常生活中的智能應(yīng)用都離不開(kāi)深度學(xué)習(xí),而深度學(xué)習(xí)則依賴(lài)于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)。什么是神經(jīng)網(wǎng)絡(luò)?神經(jīng)網(wǎng)絡(luò)的核心思想是模仿生物神經(jīng)系統(tǒng)的結(jié)構(gòu),特別是大腦
    的頭像 發(fā)表于 12-17 15:05 ?494次閱讀
    <b class='flag-5'>神經(jīng)</b>網(wǎng)絡(luò)的初步認(rèn)識(shí)

    漸凍癥如何真正意義有效無(wú)創(chuàng)神經(jīng)調(diào)控?

    HUIYING漸凍癥(ALS)的機(jī)理概述ALS是一種進(jìn)行性神經(jīng)退行性疾病,其核心病理機(jī)制是上層及下層運(yùn)動(dòng)神經(jīng)元的選擇性死亡,導(dǎo)致肌肉無(wú)力、萎縮和癱瘓。該疾病涉及多種分子機(jī)制,包括谷氨酸介導(dǎo)的興奮毒性
    的頭像 發(fā)表于 11-15 12:57 ?523次閱讀
    漸凍癥如何真正意義<b class='flag-5'>有效</b>無(wú)創(chuàng)<b class='flag-5'>神經(jīng)</b>調(diào)控?

    神經(jīng)元設(shè)備和腦機(jī)接口有何淵源?

    HUIYING神經(jīng)元設(shè)備的發(fā)展歷程概述神經(jīng)元設(shè)備的發(fā)展經(jīng)歷了從基礎(chǔ)信號(hào)檢測(cè)到多功能智能集成的演進(jìn)過(guò)程。自1920年代腦電圖(EEG)信號(hào)首次被發(fā)現(xiàn)以來(lái),神經(jīng)電極技術(shù)逐步發(fā)展,如1957年出現(xiàn)的鎢微絲
    的頭像 發(fā)表于 11-03 18:03 ?1695次閱讀
    <b class='flag-5'>神經(jīng)元</b>設(shè)備和腦機(jī)接口有何淵源?

    激活函數(shù)ReLU的理解與總結(jié)

    具有很強(qiáng)的處理線性不可分機(jī)制。那么在深度網(wǎng)絡(luò)中,對(duì)非線性的依賴(lài)程度就可以縮一縮。一旦神經(jīng)元神經(jīng)元之間改為線性激活,網(wǎng)絡(luò)的非線性部分僅僅來(lái)自于神經(jīng)元部分選擇性激活。 對(duì)比大腦工作的9
    發(fā)表于 10-31 06:16

    脈沖神經(jīng)元模型的硬件實(shí)現(xiàn)

    (Controller),神經(jīng)元狀態(tài)存儲(chǔ)模塊(Neuron_mem)和突觸存儲(chǔ)模塊(Synapse_mem),神經(jīng)元狀態(tài)更新模塊(LIF_neuron),神經(jīng)核接口模塊(Network
    發(fā)表于 10-24 08:27

    SNN加速器內(nèi)部神經(jīng)元數(shù)據(jù)連接方式

    所謂地址事件表達(dá)(Address Event Representation,AER),是指通過(guò)地址的方式將事件進(jìn)行表達(dá),然后按時(shí)間順序復(fù)用到總線上。已知生物神經(jīng)元產(chǎn)生脈沖的頻率比數(shù)字電路要低很多
    發(fā)表于 10-24 07:34

    液態(tài)神經(jīng)網(wǎng)絡(luò)(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)

    神經(jīng)元,但卻能產(chǎn)生復(fù)雜的行為。受此啟發(fā),與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比,LNN旨在通過(guò)模擬大腦神經(jīng)元之間的動(dòng)態(tài)連接來(lái)處理信息,這種網(wǎng)絡(luò)能夠順序處理數(shù)據(jù),并且保留了對(duì)過(guò)去輸
    的頭像 發(fā)表于 09-28 10:03 ?1608次閱讀
    液態(tài)<b class='flag-5'>神經(jīng)</b>網(wǎng)絡(luò)(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的<b class='flag-5'>神經(jīng)</b>網(wǎng)絡(luò)

    【「AI芯片:科技探索與AGI愿景」閱讀體驗(yàn)】+神經(jīng)形態(tài)計(jì)算、類(lèi)腦芯片

    幾年神經(jīng)元計(jì)算及類(lèi)腦芯片的重大進(jìn)展。 一、云端使用的神經(jīng)形態(tài)計(jì)算與類(lèi)腦芯片 神經(jīng)形態(tài)計(jì)算旨在設(shè)計(jì)和構(gòu)建包括硬件和軟件在內(nèi)的計(jì)算機(jī)系統(tǒng),通過(guò)模擬大腦神經(jīng)元和突觸的工作方式,更高效的執(zhí)行認(rèn)
    發(fā)表于 09-17 16:43

    新一代神經(jīng)擬態(tài)類(lèi)腦計(jì)算機(jī)“悟空”發(fā)布,神經(jīng)元數(shù)量超20億

    擬態(tài)芯片的類(lèi)腦計(jì)算機(jī),神經(jīng)元數(shù)量接近獼猴大腦規(guī)模,典型運(yùn)行狀態(tài)下功耗僅約2000瓦。傳統(tǒng)計(jì)算機(jī)處理人腦任務(wù)需高達(dá)100兆瓦功耗,相比之下“悟空”低功耗優(yōu)勢(shì)顯著。 ? ? 硬件上,“悟空”由15臺(tái)刀片式神經(jīng)擬態(tài)類(lèi)腦服務(wù)器組成,每臺(tái)
    的頭像 發(fā)表于 08-06 07:57 ?7907次閱讀
    新一代<b class='flag-5'>神經(jīng)</b>擬態(tài)類(lèi)腦計(jì)算機(jī)“悟空”發(fā)布,<b class='flag-5'>神經(jīng)元</b>數(shù)量超20億

    無(wú)刷直流電機(jī)單神經(jīng)元自適應(yīng)智能控制系統(tǒng)

    摘要:針對(duì)無(wú)刷直流電機(jī)(BLDCM)設(shè)計(jì)了一種可在線學(xué)習(xí)的單神經(jīng)元自適應(yīng)比例-積分-微分(PID)智能控制器,通過(guò)有監(jiān)督的 Hebb學(xué)習(xí)規(guī)則調(diào)整權(quán)值,每次采樣根據(jù)反饋誤差對(duì)神經(jīng)元權(quán)值進(jìn)行調(diào)整,以實(shí)現(xiàn)
    發(fā)表于 06-26 13:36

    無(wú)刷直流電機(jī)單神經(jīng)元PI控制器的設(shè)計(jì)

    摘要:研究了一種基于專(zhuān)家系統(tǒng)的單神經(jīng)元PI控制器,并將其應(yīng)用于無(wú)刷直流電機(jī)調(diào)速系統(tǒng)中??刂破鲗?shí)現(xiàn)了PI參數(shù)的在線調(diào)整,在具有PID控制器良好動(dòng)態(tài)性能的同時(shí),減少微分項(xiàng)對(duì)系統(tǒng)穩(wěn)態(tài)運(yùn)行時(shí)的影響,并較好
    發(fā)表于 06-26 13:34
    九龙坡区| 古交市| 曲麻莱县| 肃宁县| 广东省| 红安县| 绥德县| 安徽省| 眉山市| 金平| 贵德县| 龙泉市| 余江县| 桃源县| 察隅县| 洪泽县| 壤塘县| 成武县| 宣化县| 抚顺市| 张家港市| 老河口市| 保山市| 青川县| 桐柏县| 鹿邑县| 盱眙县| 吐鲁番市| 独山县| 梁平县| 巴彦淖尔市| 闸北区| 冀州市| 华容县| 高邑县| 本溪市| 肇州县| 张家界市| 开原市| 兴山县| 郴州市|