機器學(xué)習(xí) 文章最新資訊

人工智能促進科研職業(yè)發(fā)展，但抑制科學(xué)發(fā)現(xiàn)

人工智能正將科研人員轉(zhuǎn)變?yōu)楦弋a(chǎn)的論文發(fā)表機器，同時悄然將他們推向同一批擁擠的研究領(lǐng)域。這一結(jié)論來源于一項針對超 4000 萬篇學(xué)術(shù)論文的分析。分析發(fā)現(xiàn)，在研究中使用人工智能工具的科研人員，相比不使用該類工具的同行，發(fā)表的論文數(shù)量更多、獲得的引用次數(shù)更可觀，并且能更快晉升至學(xué)術(shù)領(lǐng)導(dǎo)崗位。但這背后存在一個隱患。在科研人員個人學(xué)術(shù)生涯節(jié)節(jié)攀升的同時，整個科學(xué)界的探索視野卻在收窄。依賴人工智能開展的研究，覆蓋的主題范圍更窄，扎堆聚焦于相同的海量數(shù)據(jù)驅(qū)動型問題，并且研究之間引發(fā)的后續(xù)關(guān)聯(lián)性互動也更少。這些研究結(jié)果凸
關(guān)鍵字：機器學(xué)習(xí) 深度學(xué)習(xí) 人工智能出版物

Keysight 旨在通過機器學(xué)習(xí)工具包實現(xiàn)更快的 PDK 開發(fā)

是德科技（Keysight Technologies）推出一款全新機器學(xué)習(xí)工具包，該工具包隸屬于最新版是德科技器件建模軟件套件，旨在大幅加快器件建模與工藝設(shè)計套件（PDK）的開發(fā)速度，將模型開發(fā)與參數(shù)提取的耗時從數(shù)周縮短至數(shù)小時。對于從事先進半導(dǎo)體節(jié)點、射頻器件或功率器件研發(fā)的讀者而言，這一發(fā)布具有重要意義。當(dāng)前，器件建模的復(fù)雜度持續(xù)攀升，而設(shè)計周期卻不斷壓縮，這款工具包的出現(xiàn)有望有效緩解這一矛盾。據(jù)官方介紹，這種全新的人工智能 / 機器學(xué)習(xí)驅(qū)動方案，能夠提升多類技術(shù)場景下的研發(fā)效率、模型質(zhì)量與結(jié)果可預(yù)測
關(guān)鍵字：是德科技機器學(xué)習(xí) PDK 開發(fā)

機器學(xué)習(xí)系統(tǒng)監(jiān)測患者手術(shù)中的疼痛

在手術(shù)室中，接受局部麻醉且保持清醒的患者，往往難以清晰表達(dá)自身的疼痛程度。部分患者（例如嬰幼兒或癡呆癥患者）甚至完全無法傳遞這類感受。為了找到更優(yōu)的患者疼痛監(jiān)測方式，一支研究團隊開發(fā)出一種無創(chuàng)監(jiān)測方法 —— 通過分析患者的心率數(shù)據(jù)與面部表情，綜合評估其疼痛程度。該研究方法的相關(guān)細(xì)節(jié)，發(fā)表在 11 月 14 日出版的《 IEEE Open Journal of Engineering in Medicine and Biology》中。德國萊比錫應(yīng)用信息學(xué)研究所研究員 Bianca Reichar
關(guān)鍵字：醫(yī)療疼痛預(yù)測模型機器學(xué)習(xí)

零觸控部署的工業(yè)人工智能擴展

當(dāng)企業(yè)試圖超越試點項目時，機器學(xué)習(xí)（ML）在工業(yè)環(huán)境中的部署面臨著重大的擴展挑戰(zhàn)。雖然AI視覺系統(tǒng)在制造應(yīng)用中展現(xiàn)出相當(dāng)?shù)臐摿Γ珎鹘y(tǒng)的為每個部署現(xiàn)場定制模型的方法存在瓶頸，阻礙了廣泛采用。每條生產(chǎn)線在光照條件、設(shè)備定位、產(chǎn)品特性和環(huán)境因素上都有獨特的差異，通常需要昂貴的現(xiàn)場模型調(diào)優(yōu)和再訓(xùn)練（見圖1）。1. 檢驗站：生產(chǎn)線在照明條件、設(shè)備定位、產(chǎn)品特性和環(huán)境因素上存在獨特差異，通常需要昂貴的現(xiàn)場模型調(diào)校和再培訓(xùn)。當(dāng)從試點實施擴展到企業(yè)部署時，挑戰(zhàn)變得更加巨大。使用傳統(tǒng)機器學(xué)習(xí)部署方法從一個站點遷移到數(shù)百條
關(guān)鍵字：機器學(xué)習(xí) 工業(yè)環(huán)境零觸控

通過智能NoC自動化打破SoC設(shè)計的壁壘

半導(dǎo)體設(shè)計的發(fā)展推動了現(xiàn)代片上系統(tǒng)（SoC）達(dá)到前所未有的復(fù)雜程度。當(dāng)今最先進的SoC通常集成數(shù)百個智能屬性（IP）塊，涵蓋多個處理單元、專用加速器和高速互連。這一快速擴展還得益于多芯片架構(gòu)的興起，旨在將擴展性和性能擴展到傳統(tǒng)單片設(shè)計的限制之外。這些進步帶來了重大挑戰(zhàn)，尤其是在管理實現(xiàn)芯片間無縫數(shù)據(jù)流的互連結(jié)構(gòu)方面。傳統(tǒng)的互連解決方案，如交叉開關(guān)和總線架構(gòu)，已被片上網(wǎng)絡(luò)（NoC）取代，后者提供可擴展的高帶寬通信，同時優(yōu)化電力效率。不過，工程師仍需手動實現(xiàn)NoC設(shè)計的某些方面，使得工藝勞動強度較大。任何設(shè)計
關(guān)鍵字： SoC 自動化機器學(xué)習(xí) NoC

基于神經(jīng)網(wǎng)絡(luò)的更智能DPD引擎方法

由OpenAI推出的ChatGPT，成為采用速度最快的軟件產(chǎn)品之一，展示了人工智能（AI）的潛力。機器學(xué)習(xí)（ML）是人工智能的一個子集，正在通過推動決策和數(shù)據(jù)分析等任務(wù)，正在改變行業(yè)。在通信領(lǐng)域，人工智能和機器學(xué)習(xí)正在推動數(shù)字預(yù)失真（DPD）技術(shù)的發(fā)展，這是一種減少信號失真和提升功率放大器（PA）效率的關(guān)鍵技術(shù)。傳統(tǒng) DPD 模型在 5G 等現(xiàn)代通信系統(tǒng)中難以應(yīng)對非線性特性和記憶效應(yīng)。這類模型假設(shè) PA 的工作特性是靜態(tài)且無記憶的，依賴僅能描述瞬時輸入輸出關(guān)系的多項式模型，無法適配復(fù)雜場景需求。而 AI
關(guān)鍵字：人工智能機器學(xué)習(xí) 數(shù)字預(yù)失真

設(shè)計基礎(chǔ)：什么是 TensorFlow？

TensorFlow 的創(chuàng)建初衷就是為了方便人們開發(fā)自己的機器學(xué)習(xí)（ML）模型。你可能每天都在使用它卻渾然不覺，比如推薦下一個 YouTube 視頻的推薦系統(tǒng)、圖像識別功能或語音助手等。但 TensorFlow 究竟是什么？它如何工作？使用什么硬件？又為何能成為機器學(xué)習(xí)的主要工具呢？TensorFlow 是谷歌為開發(fā)者打造的開源軟件庫，適用于機器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用。計算機通過這些 AI 模型學(xué)習(xí)模式識別和數(shù)據(jù)預(yù)測。開發(fā)者借助 TensorFlow 框架，能夠更高效地進行模型開發(fā)和訓(xùn)練。該工具內(nèi)置豐富功能，
關(guān)鍵字： TensorFlow 機器學(xué)習(xí) AI工具

設(shè)計基礎(chǔ)：什么是TensorFlow？

創(chuàng)建 TensorFlow 只是為了開發(fā)您自己的機器學(xué)習(xí) （ML）模型。您甚至可能每天都會體驗它而不知道，例如建議下一個 YouTube 視頻、圖像識別或語音助手的推薦系統(tǒng)。但什么是 TensorFlow，它是如何工作的，它使用什么硬件，為什么它是機器學(xué)習(xí)的主要工具？Google 構(gòu)建了 TensorFlow，這是一個開源軟件庫，用于機器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用程序，專為開發(fā)人員設(shè)計。計算機從這些人工智能模型中學(xué)習(xí)，以進行模式識別和數(shù)據(jù)預(yù)測。開發(fā)人員利用 TensorFlow 的框架實現(xiàn)了更高效的模
關(guān)鍵字： TensorFlow 機器學(xué)習(xí) 模型

用集成電路結(jié)合機器學(xué)習(xí)和模擬推理

據(jù)格勒諾布爾實驗室 CEA-Leti 領(lǐng)導(dǎo)的法國團隊稱，內(nèi)置在 IC 金屬層中的單一結(jié)構(gòu)可以實現(xiàn)機器學(xué)習(xí)和模擬 AI 推理，下面的 CMOS 也可用于處理。該結(jié)構(gòu)由兩個金屬互連層組成，有四層：底部的 TiN、硅摻雜的 HfO2、Ti 清除層，然后是頂部的 TiN。就目前而言，這是一種鐵電電容器結(jié)構(gòu)，但經(jīng)過一次電氣成型作（通過氧化鏗長出導(dǎo)電螺紋）后，它就變成了可重新編程的憶阻器結(jié)構(gòu)。這允許在該層的任何地方隨意制作任何一個設(shè)備。CEA-Leti 表示：“鐵電電容器允許快速、低能耗的更新，但它們的讀取作具有破壞
關(guān)鍵字：集成電路機器學(xué)習(xí) 模擬推理

科學(xué)家首次使用量子機器學(xué)習(xí)制造半導(dǎo)體——可能改變芯片制造方式

微芯片幾乎為所有現(xiàn)代設(shè)備提供動力——手機、筆記本電腦甚至冰箱。但在幕后，制作它們是一個復(fù)雜的過程。但研究人員表示，他們已經(jīng)找到了一種方法來利用量子計算的力量，使其變得更簡單。澳大利亞的科學(xué)家開發(fā)了一種量子機器學(xué)習(xí)技術(shù)——人工智能（AI）和量子計算原理的結(jié)合——可能會改變微芯片的制造方式。他們在 6 月 23 日發(fā)表在《先進科學(xué)》雜志上的一項新研究中概述了他們的發(fā)現(xiàn)。在其中，研究人員首次展示了量子機器學(xué)習(xí)算法如何顯著改善芯片內(nèi)部電阻建模的挑戰(zhàn)性過程——這是影響其性能效率的關(guān)鍵因素。量子機器學(xué)習(xí)是一種將經(jīng)
關(guān)鍵字：量子機器學(xué)習(xí) 半導(dǎo)體芯片制造

MIT 的 3 合一訓(xùn)練工具簡化了機器人的學(xué)習(xí)

教會機器人新技能過去需要編碼專業(yè)知識。但新一代的機器人可能只需要任何人就能學(xué)習(xí)。工程師們正在設(shè)計能夠“通過示范學(xué)習(xí)”的機器人助手。這種更自然的訓(xùn)練策略使人們能夠引導(dǎo)機器人完成一項任務(wù)，通常有三種方式：通過遙控，例如操作操縱桿遠(yuǎn)程控制機器人；通過物理移動機器人來完成動作；或者自己執(zhí)行任務(wù)，同時機器人觀看并模仿。通過實踐學(xué)習(xí)的機器人通常只采用這三種演示方法中的一種進行訓(xùn)練。但麻省理工學(xué)院（MIT）的工程師們現(xiàn)在開發(fā)了一種三合一訓(xùn)練界面，允許機器人通過這三種訓(xùn)練方法中的任何一種來學(xué)習(xí)任務(wù)。該界面是一種手持的、配
關(guān)鍵字：機器人機器學(xué)習(xí) 機械臂

基于算法的工程助手：AI重塑零件采購

機器學(xué)習(xí)正在為設(shè)計工程師提供更智能的供應(yīng)鏈和無摩擦的組件采購。電子分銷行業(yè)正在經(jīng)歷一場悄無聲息的革命，這場革命正在從根本上改變工程師采購組件的方式以及分銷商預(yù)測需求的方式。DigiKey 處于這一轉(zhuǎn)型的最前沿，人工智能不僅僅是一個流行詞，它正在成為為全球工程師提供服務(wù)的運營支柱。總部位于 Thief River Falls 的經(jīng)銷商總裁 Dave Doherty 負(fù)責(zé)監(jiān)督這家從明尼蘇達(dá)州相對偏遠(yuǎn)的地點向全球發(fā)貨的公司，該公司負(fù)責(zé)監(jiān)督這種人工智能驅(qū)動的發(fā)展。DigiKey 已部署或開發(fā) 70 多個不同的 A
關(guān)鍵字：算法工程助手 AI 零件采購機器學(xué)習(xí)

TRI：預(yù)訓(xùn)練的大型行為模型加速機器人學(xué)習(xí)

兩臺協(xié)作機器人使用從微調(diào)的大型行為模型（LBMs）中獲得的自主評估部署來執(zhí)行長時程行為，例如安裝自行車轉(zhuǎn)盤。| 來源：豐田研究院豐田研究院（TRI）本周發(fā)布了其關(guān)于大型行為模型（LBMs）的研究結(jié)果，這些模型可用于訓(xùn)練通用機器人。該研究顯示，單個 LBM 可以學(xué)習(xí)數(shù)百個任務(wù)，并利用先驗知識以 80%更少的訓(xùn)練數(shù)據(jù)獲取新技能。LBMs 在大型、多樣化的操作數(shù)據(jù)集上進行預(yù)訓(xùn)練。盡管它們越來越受歡迎，但機器人社區(qū)對 LBMs 實際上能提供什么仍然知之甚少。TRI 的工作旨在通過這項研究揭示算法和數(shù)據(jù)集設(shè)計方面的
關(guān)鍵字：機器人大模型機器學(xué)習(xí)

碼住這份指南：Edge AI與機器學(xué)習(xí)常用硬件類型與開發(fā)板全解析

文章概述本文中，DigiKey 總結(jié)了Edge AI 和機器學(xué)習(xí)領(lǐng)域中常用的硬件類型及其相應(yīng)的開發(fā)套件。文章詳細(xì)列舉了四大主要的硬件類型：微控制器、單板計算機、專用 AI加速器，以及FPGA，并詳細(xì)介紹了涵蓋硬件平臺、軟件工具和預(yù)訓(xùn)練模型的多種開發(fā)套件。文章著重強調(diào)了合理選擇硬件平臺與開發(fā)套件對于Edge AI和機器學(xué)習(xí)發(fā)展的關(guān)鍵推動作用，為相關(guān)領(lǐng)域的開發(fā)者和研究者提供寶貴的參考依據(jù)。Edge AI和機器學(xué)習(xí)的計算主
關(guān)鍵字： Digikey AI 機器學(xué)習(xí)

將業(yè)務(wù)目標(biāo)應(yīng)用于機器學(xué)習(xí)指標(biāo)

隨著機器學(xué)習(xí) (ML) 的熱潮和企業(yè)紛紛搶先采用機器學(xué)習(xí)進行轉(zhuǎn)型，不難發(fā)現(xiàn)并非所有機器學(xué)習(xí)項目都能取得成功。往往是因為存在“先有解決方案再有問題”的思維定式，導(dǎo)致機器學(xué)習(xí)應(yīng)用的需求和目標(biāo)定義不清。若未能明確機器學(xué)習(xí)為何被采用以及其對業(yè)務(wù)指標(biāo)的影響，可能導(dǎo)致概念驗證 (POC) 工作耗費大量時間卻無法產(chǎn)生實際成果。本文探討了企業(yè)在將機器學(xué)習(xí)融入產(chǎn)品與流程時，如何通過明確總體目標(biāo)并將其與相關(guān)業(yè)務(wù)指標(biāo)聯(lián)系起來，進而規(guī)避常見陷阱。隨著POC工作的進展，應(yīng)用這些指標(biāo)為評估機器學(xué)習(xí)性能奠定了基礎(chǔ)。根據(jù)POC的任務(wù)或用
關(guān)鍵字：機器學(xué)習(xí) 貿(mào)澤