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

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/

Macht euch mal die Mühe und lest die Kommentare https://www.linkedin.com/posts/kevin-d-johnson-42170b_physicalai-edgeai-physicalai-activity-7477202590040997888-ou3F

Aktualisiert https://brainchip.com/communication-platform-webinar-registration/

Was für eine Summe

https://www.linkedin.com/posts/tonylululu_is-it-a-bird-is-it-a-drone-neuromorphic-share-7476951112118587392-u7Bb/?utm_source=share&utm_medium=member_android&rcm=ACoAAD6X7toBoxRJxdlvjSXR0_jJyapeUqqgcag

Mal schauen wer der neue Partner wird😜 https://www.handelsblatt.com/unternehmen/industrie/autonomes-fahren-vw-beendet-offenbar-allianz-mit-bosch-fuer-autonomes-fahren/100236413.html

https://www.linkedin.com/posts/bisinfotech_brainchip-akida-platform-classifies-rf-signals-activity-7476154388965642240-gTRb

Weiter gehen… weitergehen…. Hier gibt es nichts zu sehen… weiter gehen bitte

Was hat er denn da im Tütchen ?🤩

Kevin darf nicht fehlen! https://www.linkedin.com/posts/kevin-d-johnson-42170b_who-cant-have-a-little-weekend-fun-i-took-ugcPost-7476651836024836096-JVHP

Macht einfach Urlaub anstatt im Büro zu schuften https://www.linkedin.com/posts/kevin-d-johnson-42170b_neuromorphic-edgeai-eventbasedvision-activity-7476664676915884032-c1JX

Wow, Kevin ist mit Sicherheit Aktionäre von Brainchip, sonst argumentiert niemand mit so einer Einsatzbereitschaft 😉😉ich freu mir auf die Zukunft und bin dermaßen gespannt was noch alles kommt 🧠🧠🧠🦾🦾🦾

Hier hitzige Debatte und gute Stützung in den Kommentaren https://www.linkedin.com/posts/agi-lab-106828413_neuromorphic-braininspiredai-continuallearning-activity-7476121556939722752-1ETi