Integrirani krug specifične namjene (ASIC) čip je projektiran za jedan određeni zadatak, a ne za računanje opće namjene poput CPU-a. U području UI-ja ASIC-ovi su prilagođeni računskim operacijama neuronskih mreža – Googleove jedinice Tensor Processing Unit (TPU) jedan su primjer. Za taj zadatak rade brže i energetski učinkovitije od čipova opće namjene, ali je njihov razvoj skup i teško ih je prilagoditi novim opterećenjima.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoNeuromorfno računalstvo pristup je sklopovlju i softveru koji se ugleda na strukturu mozga. Umjesto da se podaci u taktovima prenose između odvojene memorije i procesora, umjetni neuroni i sinapse rade paralelno i reagiraju samo na događaje, tzv. impulse (spikeove). To obećava vrlo nisku potrošnju energije, primjerice kod senzora ili robota. Poznati istraživački čipovi su Intel Loihi i IBM TrueNorth; široka komercijalna primjena još je u ranoj fazi.
Duboko učenje je grana strojnog učenja koja koristi umjetne neuronske mreže s mnogo slojeva. Takve mreže iz velikih količina podataka uče koja su obilježja važna – od rubova na slikama do odnosa značenja u tekstovima. Duboko učenje temelj je današnjih jezičnih modela, prepoznavanja slika i govora te strojnog prevođenja, a obično zahtijeva znatnu računalnu snagu i podatke za treniranje.
Umjetne neuronske mreže (ANN) računski su modeli sastavljeni od mnogo povezanih jedinica („neurona”) raspoređenih u slojeve koji obrađuju unose putem ponderiranih veza. Tijekom treniranja težine se korak po korak prilagođavaju na primjerima, obično povratnim širenjem pogreške (backpropagation). ANN-ovi su temelj dubokog učenja i pokreću prepoznavanje slika i govora te velike jezične modele. Unatoč biološkoj inspiraciji, rade znatno jednostavnije od ljudskog mozga.
