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

Moin! Das wäre richtig 👌 nice das wird heute richtig spannend! Allerdings muss man davon ausgehen dass BRN wieder ein speeding ticket bekommt und es evtl nen kleinen rücksetzer gibt

1,33. Mein 100%-Ziel der Cup&Handle liegt bei 1,56. Wäre zu schön…

Moin 🫡

Oh wieder jemand schneller

Last $1.31 Change 0.075 ( 12.0 %) Open High Low Volume $1.21 $1.32 $1.21 1808637 Last updated 10.23am 23/05/2022 (live) ? BRN (ASX) Chart

Aktuell 1,31. Klasse Wochenstart.

Scheint, als wäre die Formation auf dem Weg zum Ziel.

1,5AUD wären ein schöner Tagesschluss um 8

Chi-X Eröffnung: Last $1.23 Change 0.000 ( 5.11 %) Open High Low Volume $1.21 $1.25 $1.21 392785

Bin gespannt was die Aussies machen.

Yeah!

Endlich offiziell. Vor der Hauptversammlung.

Wohoo daher der Anstieg am Freitag?

BrainChip tritt dem KI-Partnerprogramm von Arm bei – „Es ist wertvoll für BrainChip, Teil des Partnerportfolios von Arm zu sein, da Arm nicht nur ein führender Anbieter von KI-Technologien, sondern auch ein Influencer der Branche ist“, sagte Jerome Nadel, CMO von BrainChip. Lesen Sie hier: https://t.co/OpIO3s5nLQ

BrainChip Joins Arm AI Partner Program- “It’s valuable for BrainChip to be part of Arm’s portfolio of partners as Arm is not only a leading provider of AI technologies, but an industry influencer,” said Jerome Nadel, BrainChip CMO. Read here: https://t.co/OpIO3s5nLQ

Ladenbauer: hier eine googleübersetzung vom abstract: Zusammenfassung—Relationales Repräsentationslernen hat in letzter Zeit aufgrund seiner Flexibilität bei der Modellierung einer Vielzahl von Systemen wie interagierenden Partikeln, Materialien und industriellen Projekten, z. Eine bekannte Methode zum Umgang mit relationalen Daten sind Wissensgraphen-Einbettungsalgorithmen, bei denen Entitäten und Relationen eines Wissensgraphen unter Beibehaltung seiner semantischen Struktur auf einen niedrigdimensionalen Vektorraum abgebildet werden. Kürzlich wurde ein Verfahren zum Einbetten von Graphen vorgeschlagen, das Graphelemente auf die zeitliche Domäne von Spiking-Neuronalnetzwerken abbildet. Es beruht jedoch auf der Codierung von Graphenelementen durch Populationen von Neuronen, die nur einmal ansteigen. Hier stellen wir ein Modell vor, das es uns ermöglicht, Spike-Train-basierte Einbettungen von Wissensgraphen zu lernen, wobei nur ein Neuron pro Graphelement erforderlich ist, indem die zeitliche Domäne von Spike-Mustern vollständig genutzt wird. Dieses Codierungsschema kann mit beliebigen Spiking-Neuronenmodellen implementiert werden, solange Gradienten in Bezug auf Spike-Zeiten berechnet werden können, was wir für das Integrate-and-Fire-Neuronenmodell demonstrieren. Im Allgemeinen zeigen die vorgestellten Ergebnisse, wie relationales Wissen in Spike-basierte Systeme integriert werden kann, wodurch die Möglichkeit eröffnet wird, ereignisbasiertes Computing und relationale Daten zusammenzuführen, um leistungsstarke und energieeffiziente Anwendungen für künstliche Intelligenz und Argumentationssysteme zu erstellen