给大家分享一篇关于互联网和手机的文章。相信很多朋友对互联网和手机还是不太了解，所以边肖也在网上搜集了一些关于手机和互联网的相关知识与大家分享。希望大家看完之后会喜欢。
研究人员在《自然机器智能》在线报告称，与其他AI不同，该系统可以在不忘记其他香气的情况下继续学习新的香气。这个程序成功的关键是它的神经形态结构，它比其他AI设计更像哺乳动物大脑中的神经回路。
该算法擅长检测背景噪声中的微弱信号，有朝一日可用于空气质量监测、有毒废物检测或医疗诊断。
新AI是一种人工神经网络，由许多模拟神经细胞处理气味信息的计算元素组成(SN: 5/2/19)。人工智能通过吸收风洞中化学传感器的电压读数来“嗅探”，这些传感器暴露在不同气味的烟雾中，如甲烷或氨。当人工智能发出新的气味时，它会触发其神经细胞或神经元之间的电活动级联，系统将记住电活动并在未来识别它。
像哺乳动物大脑中的嗅觉系统一样，一些人工智能神经元被设计成通过在不同时间发出脉冲来响应化学传感器的输入。其他神经元学习识别组成气味电信号的斑点模式。
与传统的人工神经网络相比，这种设置的大脑灵感可以刺激神经AI学习新的气味，而传统的人工神经网络是从相同的空白石板神经元的统一网络开始的。如果说神经网络就像一个运动队，它的运动员被分配了位置，知道比赛规则，那么普通的神经网络一开始就像一群随机的新手。
因此，神经形态系统是一个更快、更灵活的研究。就像一个运动队可能只需要看一场比赛就能了解它的策略，并在新的情况下执行比赛一样，神经形态学AI可以嗅出新气味的样本，以识别该气味，即使是在未来的其他未知气味中。
相比之下，一堆初学者可能需要看很多遍游戏才能重新安排——但要让它适应未来的游戏场景仍然很难。同样，标准AI必须多次研究单个气味样本，当气味与其他气味混合时，它可能仍然无法识别。
在10种气味的气味测试中，康奈尔大学的Thomas Cleland和旧金山英特尔的Nabil Imam将他们的神经形态学AI与传统的神经网络进行了比较。为了训练，神经形态系统闻到每种气味的单一样本。传统的人工智能已经接受了数百次训练实验来学习每一种气味。在测试过程中，每个AI都会嗅出样本，这些样本中学习到的气味只占总气味的20%到80%，这与现实世界中目标气味通常与其他香味混合的情况类似。神经AI可以在92%的情况下识别出正确的气味。标准AI的准确率为52%。
耶鲁大学神经形态学工程师Priyadarshini Panda对膏体样本中神经形态学AI的敏锐嗅觉印象深刻。她说，AI一劳永逸的新学习策略也比传统AI系统更节能，传统AI系统“往往会消耗大量电能”(SN: 9/26/18)。
神经形态学设置的另一个优点是，如果在网络中加入新的神经元，AI可以在原始训练后继续学习新的气味，这类似于大脑中不断形成新细胞的方式。
随着新的神经元被添加到人工智能中，它们可以适应新的气味，而不会破坏其他神经元。对于传统AI来说，则是另一回事。在这个过程中，参与识别某种气味或一组气味的神经连接广泛分布在网络中。向混合物中添加新的气味可能会干扰现有的连接，因此典型的人工智能会尝试在不忘记其他气味的情况下学习新的气味——除非使用原始和新的气味样本从头开始重新训练。
本文就为大家讲解到这里了。标签：