俄羅斯的一位科學(xué)家開發(fā)了一種新的神經(jīng)網(wǎng)絡(luò)架構(gòu)，并測試了其在手寫數(shù)字識別方面的學(xué)習(xí)能力。網(wǎng)絡(luò)的智能被混亂放大，分類精度達(dá)到96.3%。該網(wǎng)絡(luò)可用于帶有少量RAM的微控制器中，并嵌入鞋或冰箱等家庭用品中，從而使其變得“智能”。該研究發(fā)表在《電子》雜志上。

如今，尋找可以在帶有少量隨機(jī)存取存儲器(RAM)的微控制器上運(yùn)行的新神經(jīng)網(wǎng)絡(luò)尤為重要。為了進(jìn)行比較，在普通的現(xiàn)代計算機(jī)中，隨機(jī)存取內(nèi)存以GB為單位進(jìn)行計算。盡管微控制器的處理能力明顯低于筆記本電腦和智能手機(jī)，但它們卻更小巧，可以與家居用品連接。智能門，冰箱，鞋子，眼鏡，水壺和咖啡機(jī)為所謂的環(huán)境智能奠定了基礎(chǔ)。該術(shù)語表示互連的智能設(shè)備的環(huán)境。

環(huán)境智能的一個例子是智能家居。內(nèi)存有限的設(shè)備無法存儲大量密鑰以進(jìn)行安全的數(shù)據(jù)傳輸和神經(jīng)網(wǎng)絡(luò)設(shè)置數(shù)組。由于缺乏所需的計算能力，因此可以防止將人工智能引入物聯(lián)網(wǎng)設(shè)備。但是，人工智能將使智能設(shè)備在分析和決策上花費(fèi)更少的時間，更好地了解用戶并以友好的方式為他們提供幫助。因此，例如在衛(wèi)生保健領(lǐng)域，在創(chuàng)建環(huán)境情報方面會出現(xiàn)許多新的機(jī)會。

俄羅斯彼得羅扎沃茨克州立大學(xué)的Andrei Velichko創(chuàng)建了一種新的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，該體系結(jié)構(gòu)可有效利用少量RAM，并為將低功耗設(shè)備引入物聯(lián)網(wǎng)提供了機(jī)會。稱為LogNNet的網(wǎng)絡(luò)是前饋神經(jīng)網(wǎng)絡(luò)，其中信號僅從輸入到輸出進(jìn)行定向。它對輸入信號使用確定性混沌濾波器。系統(tǒng)會隨機(jī)混合輸入的信息，但同時會從最初不可見的信息中提取有價值的數(shù)據(jù)。儲層神經(jīng)網(wǎng)絡(luò)使用了類似的機(jī)制。為了產(chǎn)生混亂，應(yīng)用了一個簡單的邏輯映射方程，在該方程的基礎(chǔ)上，下一個值被計算出來。該方程式通常用于群體生物學(xué)中，并作為計算混沌值序列的簡單方程式的示例。這樣，簡單方程式就存儲了由處理器計算出的無限數(shù)量的隨機(jī)數(shù)，并且網(wǎng)絡(luò)體系結(jié)構(gòu)使用它們并消耗較少的RAM。

這位科學(xué)家測試了來自MNIST數(shù)據(jù)庫中手寫數(shù)字識別的神經(jīng)網(wǎng)絡(luò)，該數(shù)據(jù)庫被認(rèn)為是訓(xùn)練神經(jīng)網(wǎng)絡(luò)識別圖像的標(biāo)準(zhǔn)。該數(shù)據(jù)庫包含超過70,000個手寫數(shù)字。這些數(shù)字中有六萬個用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，另外一萬個用于網(wǎng)絡(luò)測試。網(wǎng)絡(luò)中的神經(jīng)元和混亂越多，識別圖像的效果就越好。網(wǎng)絡(luò)實現(xiàn)的最大精度為96.3%，而開發(fā)的體系結(jié)構(gòu)使用的RAM不超過29 KB。此外，LogNNet使用很小的RAM大小(1-2kB范圍)證明了令人鼓舞的結(jié)果。微型控制器Atmega328可以嵌入到智能門甚至智能鞋墊中，具有大約相同的內(nèi)存量。