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

akida 1000 mag gut sein aber mit akida 2 werden sie den nerv treffen🥰

@Kirsten79 Zum Ende des Artikels steht aber was ganz interessantes. Untersuchung anderer neuronaler Netzarchitekturen: Anstelle der Verwendung des AkidaNet ImageNet-Modells könnte die Erforschung anderer Architekturen vielleicht vielversprechendere Ergebnisse liefern. Solche Architekturen könnten sein ResNet, Inception oder EfficientNet.⁸

https://kth.diva-portal.org/smash/get/diva2:1779206/FULLTEXT01.pdf Computertomographie (CT)-Scans spielen eine entscheidende Rolle in der medizinischen Bildgebung und ermöglichen es Neurowissenschaftlern, intrakranielle Pathologien wie Blutungen und bösartige Tumoren im Gehirn zu identifizieren. Diese Arbeit untersucht das Potenzial von Deep-Learning-Modellen als Hilfsmittel bei der Erkennung intrakranieller Pathologien durch medizinische Bildgebung. Indem zunächst ein Faltungs-Neuronales Netzwerkmodell erstellt wurde, das in der Lage ist, Gehirnblutungen zu identifizieren, und dieses dann auf den neuromorphen Prozessor Akida AKD1000 übertragen wurde, ermöglichte es die Verwendung von Spiking Neural Networks und hochmodernen Umschulungsfunktionen. In einem Prozess namens „Few-Shot-Learning“ wurde das Modell darauf trainiert, mit minimalen zusätzlichen Proben auch Hirntumoren zu identifizieren. Die Forschung untersuchte außerdem, wie die beim Edge-Learning verwendeten Parameter die Klassifizierungsgenauigkeit beeinflussten. Es zeigte sich, dass die Parameterauswahl und -interaktion einen Kompromiss hinsichtlich der Genauigkeit der Blutungs- und Tumorklassifizierungsmodelle mit sich brachte, es konnte jedoch eine optimale Parameterkonstellation extrahiert werden. Diese Ergebnisse sollen als Grundlage für zukünftige Bemühungen in der Bildanalyse mit neuromorpher Hardware dienen, insbesondere im Bereich des Wenig-Aufnahmen- und On-Edge-Lernens. Die Integration dieser Modelle in den medizinischen Bereich hat das Potenzial, die Diagnose intrakranieller Pathologien zu rationalisieren, die Genauigkeit und Effizienz zu erhöhen und gleichzeitig medizinische Fachkräfte zu entlasten.