研究人员使用记忆电阻器创建更节能的神经网络

人工智能的一个不太光鲜的方面是，它通常需要大量的处理能力，因此通常具有很大的能耗。伦敦大学学院（UCL）的研究人员最近完成的工作确定了一种方法来提高人工智能的能效。

神经网络和机器学习是强大的工具，但人工智能最令人印象深刻的成就通常具有很高的能耗。例如，当OpenAI教一个机器人手操纵魔方时，据估计，这一壮举需要大约2.8千兆瓦时的电力。

根据TechExplore的报道，伦敦大学学院的研究人员设计了一种新的方法来生成人工神经网络。这种新方法利用记忆电阻器生成网络，记忆电阻器的能效比传统方法创建的网络高出约1000倍。 记忆电阻器是可以回忆最后一次流过它们的电荷量的设备，即使在关闭后也能保持这种记忆状态。这意味着它们可以记住自己的状态，即使设备断电。虽然记忆电阻器的概念已经有大约50年的历史，但直到2008年才真正制造出记忆电阻器。

记忆电阻器有时被称为“神经形态”计算设备或“脑启发”设备。记忆电阻器与大脑用来处理信息和创建记忆的构建块相似。它们与大多数现代计算机系统相比具有很高的效率。这些记忆电阻器设备具有电容器和电阻器的特性，过去十年或 so 来，它们已被制造并用于各种存储设备。伦敦大学学院的研究团队希望他们的研究将有助于这些设备在几年内被用于创建人工智能系统。

尽管记忆电阻器的能效更高，但它们传统上比普通神经网络效率低得多，但是伦敦大学学院的研究人员找到了提高记忆电阻器准确性的方法。研究人员发现，当使用多个记忆电阻器时，可以将它们分成多个子组，然后将它们的计算结果平均。子组中的计算结果平均可以帮助消除子组中的缺陷，并找到更相关的模式。

伦敦大学学院电子和电气工程学院的Adnan Mehonic博士和Dovydas Joksas博士生以及他们的合著者测试了这种平均方法，发现这种方法似乎可以提高所有不同类型的记忆电阻器的准确性，而不仅仅是一两种。所有测试的组的准确性都有所提高，无论记忆电阻器的材料是什么。

根据TechExplore的报道，Mehonic博士说：

“我们希望可能存在更通用的方法来提高不是设备级别，而是系统级别的行为，我们相信我们找到了一个。我们的方法表明，当谈到记忆电阻器时，多个头部比一个更好。将神经网络排列成几个较小的网络，而不是一个大网络，导致整体准确性更高。”

研究团队很高兴能够将计算机科学技术应用于记忆电阻器，并使用常见的错误避免技术（平均计算）来提高记忆神经网络的准确性。伦敦大学学院电子和电气工程学院的Tony Kenyon教授是这项研究的合著者，他认为记忆电阻器可以在创建更节能的边缘计算设备和物联网设备方面发挥“领先作用”。

记忆电阻器不仅比传统的神经网络模型更节能，而且可以轻松地集成到手持、移动设备中。这在未来将变得越来越重要，因为数据的创建和传输越来越多，即使很难增加传输容量到一定程度。记忆电阻器可以帮助实现大容量数据传输，而能耗仅为传统方法的几分之一。