新的神經網絡。

一位來自俄羅斯的科學家開發了一種新的神經網絡架構，并測試了其在識別手寫數字上的學習能力。網絡智能被混沌放大，分類準確率達到96.3%。該網絡可用于具有少量 RAM 的微控制器，并嵌入到鞋子或冰箱等家居用品中，使其“智能”。這項研究發表在《電子》上。

今天，尋找新的神經網絡，可以操作微控制器與少量的隨機訪問內存（RAM）是特別重要的。為了進行比較，在普通現代計算機中，隨機訪問內存以千兆字節為單位計算。盡管微控制器的處理能力比筆記本電腦和智能手機要小得多，但它們體積更小，可以與家用物品進行接口。智能門、冰箱、鞋子、眼鏡、水壺和咖啡壺為所謂的環境智能奠定了基礎。這個詞表示一個互聯的智能設備的環境。

環境智能的一個例子是智能家居。內存有限的設備無法存儲大量密鑰，用于安全數據傳輸和神經網絡設置陣列。它阻止將人工智能引入物聯網設備，因為它們缺乏所需的計算能力。但是，人工智能將使智能設備在分析和決策上花費更少的時間，更好地了解用戶，并友好地幫助他們。因此，在創造環境情報方面，例如在保健領域，可以出現許多新的機會。

俄羅斯彼得羅扎沃茨克州立大學的安德烈·維利奇科（Andrei Velichko）創建了一種新的神經網絡架構，允許高效使用少量 RAM，為將低功耗設備引入物聯網創造了機會。網絡稱為 LogNNet，是一個饋送神經網絡，其中信號僅從輸入定向到輸出。它對傳入信號使用確定性混沌濾波器。系統隨機混合輸入信息，但同時從最初不可見的信息中提取有價值的數據。儲層神經網絡也使用類似的機制。為了產生混沌，應用了一個簡單的邏輯映射方程，其中下一個值是根據前一個值計算的。該方程通常用于人口生物學，并作為計算混沌值序列的簡單方程的示例。這樣，簡單方程存儲處理器計算的無限隨機數集，網絡體系結構使用它們并消耗更少的 RAM。

安德烈·維利奇科

這位科學家在 MNIST 數據庫中的手寫數字識別上測試了他的神經網絡，該數據庫被認為是訓練神經網絡識別圖像的標準。該數據庫包含 70，000 多個手寫數字。其中6萬個用于訓練神經網絡，另外10，000個用于網絡測試。網絡中的神經元和混亂性越多，識別圖像的越好。網絡實現的最大精度為96.3%，而開發的體系結構使用的 RAM 不超過 29 KB。此外，LogNNet 在 1-2kB 范圍內使用非常小的 RAM 尺寸展示了有希望的結果。微型控制器，Atmega328，可以嵌入到智能門，甚至智能鞋墊，具有大致相同的內存量。

“由于這一發展，物聯網的新機遇正在打開，因為任何配備低功耗微型控制器的設備都可以使用人工智能供電。這樣，就為智能處理外圍設備上的信息而打開一條路徑，而無需將數據發送到云服務，從而改進了智能家居等操作。這是彼得羅扎沃茨克州立大學的科學家積極研究的物聯網技術發展的重要貢獻。此外，這項研究還概述了研究混亂對人工智能影響的替代方法，”安德烈·維利奇科說。

責任編輯：PSY