Bâtir des réseaux neuraux physiques

Cette séance de cours explore les défis de la construction de réseaux neuronaux physiques, en mettant l'accent sur des aspects clés tels que la taille du modèle, la densité des connexions et la capacité de formation. L'instructeur discute du besoin de profondeur dans les réseaux, les connexions à longue portée et la densité de connexion élevée. La séance de cours se penche sur les limites des systèmes physiques dans la réalisation de ces exigences et présente des solutions innovantes à l'aide de spintronics et de calcul neuromorphe. La présentation porte sur des sujets tels que la spintronics, l'informatique neuromorphe et l'intégration de technologies émergentes pour la construction de réseaux neuronaux complexes.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (555)

Concepts associés (257)

MSE-806: Spin-based devices for neuromorphic computing

The course entails a 5-days-program with lectures and exercises about spin-based computing and novel spin texture-based computing devices. An additional round table discussion and journal club session

Neural network

A neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.

Quantum neural network

Quantum neural networks are computational neural network models which are based on the principles of quantum mechanics. The first ideas on quantum neural computation were published independently in 1995 by Subhash Kak and Ron Chrisley, engaging with the theory of quantum mind, which posits that quantum effects play a role in cognitive function. However, typical research in quantum neural networks involves combining classical artificial neural network models (which are widely used in machine learning for the important task of pattern recognition) with the advantages of quantum information in order to develop more efficient algorithms.

Physical neural network

A physical neural network is a type of artificial neural network in which an electrically adjustable material is used to emulate the function of a neural synapse or a higher-order (dendritic) neuron model. "Physical" neural network is used to emphasize the reliance on physical hardware used to emulate neurons as opposed to software-based approaches. More generally the term is applicable to other artificial neural networks in which a memristor or other electrically adjustable resistance material is used to emulate a neural synapse.

Réseau de neurones récurrents

Un réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.

Réseau de neurones artificiels

Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.

Computing neuromorphe : concepts et implémentations matérielles MSE-806: Spin-based devices for neuromorphic computing

Couvre l'informatique neuromorphe, les défis dans l'informatique ternaire et binaire, les simulations matérielles du cerveau, et les nouveaux matériaux pour les cellules cérébrales artificielles.

L'informatique neuromorphe : défis et avenir BIOENG-450: In silico neuroscience

Discute des défis et de l'avenir de l'informatique neuromorphe, en comparant les ordinateurs numériques et le matériel spécialisé, comme SpiNNaker et NEST, tout en explorant la plate-forme informatique neuromorphe du projet Human Brain.

Méthodes de noyau: Réseaux neuronaux PHYS-467: Machine learning for physicists

Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.

Réseaux neuronaux : formation et activation CIVIL-226: Introduction to machine learning for engineers

Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.

Simulation de réseau et dynamique d'activité NX-450: Computational neurosciences: biophysics

Explore la simulation du réseau neuronal, la dynamique d'activité et les processus de validation afin d'assurer des prévisions précises.