《人类日》，北京，7月4日（记者Zhao Zhuqing），最近，由北京大学的综合巡回赛学院和人工智能研究所的研究人员Tao Yaoyu领导的一组科学研究使得首次成为了近距离的近距离建筑师，并使其成为了首次的近距离技术和妥协技术。在处理复杂的非线性分类时，这一成功克服了传统计算体系结构的主要问题，并为人工智能应用程序（例如体现的智能，大语言模型，智能驾驶，智能运输和智能城市）提供了新的和有效的支持。相关研究已发表在《国际学术杂志自然电子学》上。 在Artipssyial Intelligence系统中，分类通常是作为用于预处理数据或决策的中间链接。当实施效率不高时，它将是主要的瓶颈OF整个系统。尽管联合存储和计算技术在诸如矩阵计算之类的规则操作中取得了惊人的成果，但由于操作逻辑，强烈的不适和不规则数据访问的复杂分类，长期以来一直被认为是该领域的主要困难。 北京大学团队围绕“数据分类”的目标进行了研究和发展，并取得了一系列关键的技术成就：基于新的记忆记忆结构，开发了高速阅读的阅读位；领导着备忘录的引入使SetleDyod实现了低潜伏期和多路径电路的伴随分类的硬件级别设计；在操作员层面上，优化了人工智能活动算法 - 建筑算法的合作路径，并且与矩阵的现有计算也兼容；以及设备电路系统级技术的完全自主设计技术。 “分类的核心在于在复杂条件下进行准确比较和传输数据。传统的集成存储和计算体系结构很难支持此类操作。”该论文的第一作者，北京大学综合巡回赛学院的医生学生Yu Lianfeng提出：“团队具有创新性设计的“无比较”合并的存储和计算维修架构，该架构已成功解决了这些问题。” 实际测试结果表明，硬件解决方案在典型的分类任务中改善了15次以上，并且有可能处理类似任务元素的数百万个任务，而用电消耗仅为传统CPU或GPU处理器的1/10。在人工智能方案中，支持动态稀疏性的信息速度可以增加70％以上，尤其是对于需要很高时间的任务活动即时的。 根据北京大学人工智能研究所的研究人员的相应论文作者陶雅说：“当然，“当然，因为计算分类是高频，一般，一般，主要和非常困难的处理，因此，这种问题的崩溃意味着，该问题的存储和计算从适合于特定的应用程序中覆盖了一个更广泛的构建的范围，这是一个适合特定的应用程序，该构建的范围是宽阔的范围。与AI相关的任务。 陶雅（Tao Yaoyu）提出，该技术具有广泛的应用程序前景，可用于诸如智能交通，金融控制引擎控制引擎和侧面跟踪设备优先级的目标识别模块之类的图像分类系统。在测试中，该技术显示了高速和低电力消耗的重大好处。例如，在智能的交通场景中RIOS，该系统有望在毫秒内完成100,000级优先级的优先级评估，为超大规模的交通决策，紧急响应计划等提供了出色的实时K计算能力。 （责任：Zhao Zhuqing，Lu Qian） 遵循官方帐户：人 - 金融融资 分享让许多人看到