在UCL研究人员找到了一种提高大脑启发式计算系统准确性的方法之后，极其节能的人工智能现在更接近现实了。

        该系统使用电子系统制造人工神经网络，其效率至少是传统晶体管人工智能硬件的1000倍，但到目前为止它们更容易出错。

        现有的人工智能极其耗能--培训一种人工智能模型，它能产生284吨二氧化碳，相当于5辆汽车的终生排放。用电子元件取代组成所有数字设备的晶体管，这种新的电子设备于2008年首次制造，可以减少1吨二氧化碳，相当于下午驾驶的排放量。

        由于记忆器比现有的计算系统节能得多，它们可以将大量的计算能力封装在手持设备上，从而消除了连接互联网的需要。

        这一点尤其重要，因为对数据的需求不断增加，而且数据传输能力难以超过某一点，因此，对互联网的过度依赖在未来将是个问题。

        在"自然通讯"杂志上发表的一项新研究中，UCL工程师发现，通过让神经网络中的几个子系统协同工作并平均计算它们，可以大大提高精度，这意味着可以消除每个网络的缺陷。

        记忆电阻器"被称为"记忆电阻器"，因为他们记得，即使是在十多年前第一次制造的时候，他们也被认为是革命性的，当他们十多年前第一次制造时，这是电子元件中的互补电阻、电容器和电感。从那时起，他们就把记忆设备用于商业制造，但研究小组说，在未来三年里，它们可以被用来开发人工智能系统。

        阿德南·马约尼奇博士拿着一片装满电子产品的晶片。

        因为它们不仅在1和0的二进制文件中运行，而且在0到1之间的多个级别运行，这意味着可以在每个比特中打包更多的信息。

        此外，记忆通常被描述为一种计算形式的神经形态学(大脑灵感)，因为在大脑中，处理和记忆是在同一个自适应构建块中实现的，这与当前在数据移动中浪费大量能量的计算机系统形成了鲜明的对比。

        在这项研究中，UCL电子电气工程学院的博士生AdnanMehonic博士和来自英国和美国的同事在几种不同类型的记忆中测试了这种新方法，发现它提高了所有这些方法的准确性，而不管它们是什么材料或特定的记忆技术。它还能解决许多可能影响测量装置精度的不同问题。

        研究人员发现，他们的方法将典型人工智能任务的神经网络精度提高到了与传统数字硬件上运行的软件工具相同的水平。

        这项研究的主任Mehonic博士说："我们希望有更多共同的方法来改善行为，而不是在设备层面，而是在系统层面，而且我们相信我们已经找到了。我们的方法表明，当涉及到人民币时，少数几个脑袋比一个更好。通过将神经网络排列成几个较小的网络而不是一个大型网络，可以提高总体精度。

        DovydasJoksas进一步解释道："我们借鉴了计算机科学的一项流行技术，并将其应用于数学家。成功！通过初步模拟，我们发现即使简单的平均值也能显著提高记忆神经网络的准确性。

        这项研究的合著者、UCL电子和电气工程教授通通尼肯杨教授补充道："我们相信，我们多年来一直在研究的力学是时候在物联网设备和边缘计算的能源可持续性更大的时代发挥主导作用了。