热点事件持续更新

器件变量选择提升物理神经网络准确率

1 篇报道1 个报道来源12 小时前更新

先了解这件事

AI 综述

一项新方法把物理器件输入变量的离散路由设为可训练参数，并用 Gumbel-Softmax 重参数化进行优化；在经实验校准的多变量电子 RNPUs 可微模型上，该方法提高了物理神经网络的分类准确率。在小型 CNN 测试中，MNIST 准确率从 94.5% 提升至 96.9%，CIFAR-10 从 62.8% 提升至 68.0%；报道指出，推理额外开销可忽略。

AI 根据报道生成 · 2 小时前更新

最新进展10月28日 12:00

通过器件变量选择优化物理神经网络

报道时间线

沿着报道，了解事件的不同侧面。

10月28日

12:00
arXiv · Machine Learning
通过器件变量选择优化物理神经网络
该方法将物理器件输入变量的离散路由设为可训练参数，通过 Gumbel-Softmax 重参数化优化物理神经网络（PNN）。在经实验校准的多变量电子 RNPUs 可微模型上，MNIST 小型 CNN 准确率由 94.5% 升至 96.9%，CIFAR-10 准确率由 62.8% 升至 68.0%，推理额外开销可忽略。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。