Brainchip Klassengruppe WKN: A14Z7W ISIN: AU000000BRN8 Kürzel: BRN Forum: Aktien User: Rarosch

„Produktionsmengen werden derzeit an Kunden ausgeliefert, während der Chip umfassende Qualifikationstests für industrielle und militärische Anforderungen durchläuft.“ 🙏

https://brainchip.com/brainchip-announces-commercial-availability-and-production-shipments-of-akd1500-neuromorphic-processors/

Er darf ja nicht fehlen ... https://www.linkedin.com/posts/kevin-d-johnson-42170b_brainchip-announces-commercial-availability-activity-7477754808184041473-pvwI?utm_source=social_share_send&utm_medium=android_app&rcm=ACoAAGeJepcBvtAks6DkZnYOlkd0MmGjFI4vM50&utm_campaign=copy_link

https://shop.brainchipinc.com/products/akd1500 Der 1500er Chip ist nun auch auf der Homepage von Brainchip im Shop zu bestellen💪... Für 39,99$ das Stück💾... Hab den mal in den Warenkorb gelegt, wie es ausschaut muss man aber mindestens 5 nehmen für 199,95$🤷‍♂️...

https://cdn.shopify.com/s/files/1/0581/1181/9957/files/AKD1500-Product-Brief-V2.4-Nov.25.pdf?v=1782776076 AKD1500 Edge Ai Co - Professor Product Brief

Neue Seiten https://brainchip.com/data-sovereignty-lp/ https://brainchip.com/physical-ai-lp/

Ein Bericht in dem Brainchip erwähnt wird https://www.linkedin.com/posts/jasveer-kumar-singh-8b4293176_neuromorphic-neuromorphic-why-activity-7477574788648165376-c3wr

Neuromorphyx https://www.linkedin.com/posts/fpga-neuromorphiccomputing-edgeai-share-7477655587074469889--a-x/?utm_source=share&utm_medium=member_ios&rcm=ACoAABxkMXEBMVj93WS0MOptn4LT1UzCy4HGlpk

https://www.linkedin.com/posts/kevin-d-johnson-42170b_looking-forward-to-this-one-ugcPost-7477538091830763521-b0Qv

https://www.linkedin.com/posts/brainchip-holdings-limited_brainchip-akidaai-edgeai-activity-7477520058928312320-j6CG?utm_source=social_share_send&utm_medium=android_app&rcm=ACoAAGeJepcBvtAks6DkZnYOlkd0MmGjFI4vM50&utm_campaign=copy_link

https://x.com/DuckStockMan/status/2070764322406449284

https://www.linkedin.com/posts/onsor-technologies_closerthanever-activity-7477375525209083904-poMy?utm_source=social_share_send&utm_medium=android_app&rcm=ACoAAGeJepcBvtAks6DkZnYOlkd0MmGjFI4vM50&utm_campaign=copy_link

https://www.linkedin.com/posts/mahir-zeynalov_brainchip-created-the-akida-communication-activity-7477383022598656001-v0uG?utm_source=social_share_send&utm_medium=android_app&rcm=ACoAAGeJepcBvtAks6DkZnYOlkd0MmGjFI4vM50&utm_campaign=copy_link

Leistungsbewertung von AkidaNet nach der Umwandlung in die Spiking-Domäne zur Klassifizierung von Unkraut auf Baumwollfeldern Published online: 21.06.2026 https://www.nature.com/articles/s41598-026-54153-4_reference.pdf Ergebnisse Tabelle 1 zeigt die Genauigkeit des AkidaNet-Modells in drei Phasen: vor der Quantisierung, nach der Quantisierung und nach der Konvertierung. Das CNN-Modell wurde zunächst 30 Epochen lang trainiert, wobei eine Genauigkeit von 96,26 % erreicht wurde. Das Modell stabilisierte sich nach 10 Epochen bei einer Batchgröße von 32. Die Diagramme für die Genauigkeit und den Cross-Entropy-Loss von AkidaNet vor der Konvertierung sind in Abb. 4 für Trainings- und Validierungsdaten dargestellt. Die Ergebnisse zeigen, dass das Modell bei den unbekannten Daten gut abschnitt. Die Leistung des Modells anhand der Konfusionsmatrix ist in Abb. 5 dargestellt. Diese repräsentiert die Korrektheit der Klassenvorhersage in den Trainings- und Testdatensätzen. Die Gesamtzahl der trainierbaren Parameter betrug 1.139.638 (4,35 MB) für das CNN-Modell. Für 30 Epochen beträgt die Trainingszeit etwa 30 Minuten, und für 10 Epochen beträgt die Trainingszeit 16 Minuten für Google Colab auf einem Intel i3-System mit 8 GB RAM. Mit einem System mit Grafikprozessor (GPU) kann die Ausführungszeit drastisch reduziert werden. Nach der Quantisierung beträgt die erreichte Genauigkeit ohne QAT 87,96 %, und mit QAT 90,74 % (Training mit 2 Epochen). Die Anzahl der Parameter reduziert sich durch die Quantisierung auf 1128.614. Abschließend wird das Modell in Software durch Umwandlung in ein SNN simuliert, und eine Genauigkeit von 94,44 % wird für die Testdaten mit 108 Stichproben erreicht. Die Ergebnisse zeigten, dass der Einsatz der AkidaNet-Architektur hinsichtlich Genauigkeit und Rechenaufwand gut für die Klassifizierung von Unkräutern in Baumwollfeldern geeignet war. Unsere Arbeit trägt zur Entwicklung automatisierter Geräte zur Unkrautbekämpfung mit neuromorphen Bauelementen bei.

https://nextgendefense.com/australia-rf-signal-intelligence/