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

Hab gekauft.

https://www.linkedin.com/posts/brainchip-holdings-limited_embeddedworldna-genai-computeinmemory-activity-7391278243628290048-10RE?utm_source=share&utm_medium=member_android&rcm=ACoAAD6X7toBoxRJxdlvjSXR0_jJyapeUqqgcag

Ja hab ich zwei Posts vorher auch geteilt.👍🏻

Bin ausversehen wieder auf den kaufen Knopf gekommen😬😅

Passt dazu ... https://directory.libsyn.com/shows/view/id/3ccaa811-791a-4b47-b132-2edcd521feab

https://cogniedge.ai/pilot ‘Emphasizes context-aware BCI processing, with ANN/SNN integration and guide, without reliance on specific models (e.g., Mini-InternVL, Akida/T1).”

Anscheinend wird hier BrainChip im Podcast erwähnt… habs mir nicht angehört … falls jemand interessiert ist https://directory.libsyn.com/shows/view/id/3ccaa811-791a-4b47-b132-2edcd521feab

Und hier noch ein interessanter post von, aus meiner Sicht, der glaubwürdigste und akkurateste Forist im TSE … Post in thread 'BRN Discussion Ongoing' https://thestockexchange.com.au/threads/brn-discussion-ongoing.1/post-477350

5 Tage her.. https://www.linkedin.com/feed/update/activity:7388941380196134912

Leider nur ein LinkedIn Post eines Niemands….

Das ist doch mal ne Ansage ! Aber was macht der Kurs LoL https://www.linkedin.com/posts/philipdodge_brainchip-parsons-neuromorphicai-activity-7390840942498459648-roIq

https://www.linkedin.com/posts/brainchip-holdings-limited_embeddedworld2025-anaheimtech-embeddedintelligence-ugcPost-7390794853502246912-q0ff?utm_source=share&utm_medium=member_android&rcm=ACoAAD6X7toBoxRJxdlvjSXR0_jJyapeUqqgcag

Ich weiß nicht, ob das schon bekannt ist, auf jeden Fall interessant: https://www.youtube.com/watch?v=pX070TcFwvU

💰🤠☝⁉️

Post in thread 'BRN Discussion Ongoing' https://thestockexchange.com.au/threads/brn-discussion-ongoing.1/post-477291

Hier ist ein weiteres interessantes Paper / GitHub GLUSE / SENTRY. Unsere experimentellen Ergebnisse auf den Datensätzen EuroSAT und PatternNet belegen die Fähigkeit des Modells, Genauigkeiten von über 94 % bzw. 98 % zu erreichen. Während andere Modelle wie MobileViT eine Genauigkeit von 99 % erzielen, zeichnet sich unser vorgeschlagenes ResNet-GLUSE durch bemerkenswerte Effizienz aus: Es benötigt 33-mal weniger Parameter, 27-mal weniger FLOPs, eine 33-mal kleinere Modellgröße (MB), einen etwa 6-mal geringeren Stromverbrauch (W) auf der GPU und eine etwa 3-mal schnellere Inferenzzeit (s). Diese drastische Reduzierung des Ressourcenverbrauchs macht ResNet-GLUSE zu einem idealen Kandidaten für den Einsatz an Bord von Satelliten, wo Echtzeitanalyse und begrenzte Rechenressourcen entscheidend sind. Darüber hinaus ermöglicht sein einfaches Design eine problemlose Anpassung an neuromorphes Rechnen und zeigt eine extrem niedrige Leistungsaufnahme von 852,30 mW auf dem Akida Brainchip ( https://www.researchgate.net/publication/390892866_GLUSE_Enhanced_Channel-Wise_Adaptive_Gated_Linear_Units_SE_for_Onboard_Satellite_Earth_Observation_Image_Classification , https://github.com/ltdung/SnT-SENTRY ).