掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
AI芯片:前沿技術與創新未來 版權信息
- ISBN：9787115553195
- 條形碼：9787115553195 ; 978-7-115-55319-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
AI芯片:前沿技術與創新未來 本書特色
適讀人群 ：本書可供AI和芯片領域的研究人員、工程技術人員，科技、產業決策和管理人員，創投從業者和相關專業研究生、本科生以及所有對AI芯片感興趣的人士閱讀參考。市面上jue無僅有的AI芯片全書； AI芯片主流大廠首席科學家多年研究經驗和前瞻的傾心總結； 覆蓋AI芯片相關的技術路線、理論基礎和產業實踐等諸多方面； 揭示AI芯片全球舞臺上，芯片巨頭、互聯網巨頭、初創企業和學術界等各方面態勢； 從深度學習AI芯片等現有產品，到自學習/進化等下一代技術，再到量子場論、超材料甚至生物技術AI芯片等遠期前瞻題材，本書將帶你走進AI芯片的未來。
AI芯片:前沿技術與創新未來 內容簡介
本書從AI的發展歷史出發, 介紹了目前*熱門的深度學習加速芯片和基于神經形態計算的類腦芯片及相關算法、架構、電路等, 以及近年來產業界和學術界推出的一些引人注目的AI芯片, 包括生成對抗網絡芯片和深度強化學習芯片等。
AI芯片:前沿技術與創新未來 目錄
**篇 導論
第1 章 AI 芯片是人工智能未來發展的核心——什么是 AI 芯片 // 2
1.1 AI 芯片的歷史 // 3
1.2 AI 芯片要完成的基本運算 // 5
1.2.1 大腦的工作機制 // 5
1.2.2 模擬大腦運作的神經網絡的計算 // 7
1.2.3 深度學習如何進行預測 // 8
1.2.4 提高性能和降低功耗 // 9
1.3 AI 芯片的種類 // 11
1.3.1 深度學習加速器 // 15
1.3.2 類腦芯片 // 16
1.3.3 仿生芯片及其他智能芯片 // 17
1.3.4 基于憶阻器的芯片 // 19
1.4 AI 芯片的研發概況 // 22 1.5 小結 // 23
第2 章 執行“訓練”和“推理”的 AI 芯片 // 25
2.1 深度學習算法成為目前的主流 // 25
2.1.1 深度學習的優勢與不足 // 28
2.1.2 監督學習與無監督學習 // 29
2.1.3 AI 芯片用于云端與邊緣側 // 31
2.1.4 把 AI 計算從云端遷移到邊緣側 // 36
2.2 AI 芯片的創新計算范式 // 40
2.3 AI 芯片的創新實現方法 // 42 2.4 小 結 // 46
第二篇 *熱門的 AI 芯片
第3 章 深度學習 AI 芯片 // 48
3.1 深度神經網絡的基本組成及硬件實現 // 48
3.1.1 AI 芯片的設計流程 // 50
3.1.2 計算引擎和存儲系統 // 51
3.2 算法的設計和優化 // 57
3.2.1 降低數值精度的量化技術 // 57
3.2.2 壓縮網絡規模、“修剪”網絡 // 62
3.2.3 二值和三值神經網絡 // 63
3.2.4 可變精度和遷移精度 // 64
3.2.5 簡化卷積層 // 66
3.2.6 增加和利用網絡稀疏性 // 66
3.3 架構的設計和優化 // 67
3.3.1 把數據流用圖表示的架構設計 // 68
3.3.2 架構設計及優化的其他考慮 // 71
3.4 電路的設計和優化 // 72
3.4.1 用模數混合電路設計的 MAC // 73
3.4.2 FPGA 及其 Overlay 技術 // 74
3.5 其他設計方法 // 76
3.5.1 卷積分解方法 // 76
3.5.2 提前終止方法 // 76
3.5.3 知識蒸餾方法 // 77
3.5.4 經驗測量方法 // 77
3.5.5 哈希算法取代矩陣乘法 // 78
3.5.6 神經架構搜索 // 78
3.6 AI 芯片性能的衡量和評價 // 79
3.7 小 結 // 82
第4 章 近年研發的 AI 芯片及其背后的產業和創業特點 // 85
4.1 對 AI 芯片巨大市場的期待 // 86 4.2 “1+3”大公司格局 // 87
4.2.1 英偉達 // 87
4.2.2 谷歌 // 91
4.2.3 英特爾 // 94
4.2.4 微軟 // 96
4.2.5 其他一些著名公司的 AI 芯片 // 97
4.2.6 三位世界級 AI 科學家 // 101
4.3 學術界和初創公司 // 102
4.3.1 大學和研究機構的 AI 芯片 // 103
4.3.2 四家初創“獨角獸”公司的芯片 // 111
4.4 小 結 // 119
第5 章 神經形態計算和類腦芯片 // 121
5.1 脈沖神經網絡的基本原理 // 122
5.2 類腦芯片的實現 // 125
5.2.1 憶阻器實現 // 127
5.2.2 自旋電子器件實現 // 129
5.3 基于 DNN 和 SNN 的 AI 芯片比較及未來可能的融合 // 131
5.4 類腦芯片的例子及*新發展 // 133
5.5 小 結 // 138
第三篇 用于 AI 芯片的創新計算范式
第6 章 模擬計算 // 142
6.1 模擬計算芯片 // 143
6.2 新型非易失性存儲器推動了模擬計算 // 147
6.2.1 用阻變存儲器實現模擬計算 // 147
6.2.2 用相變存儲器實現模擬計算 // 149
6.2.3 權重更新的挑戰 // 150
6.2.4 NVM 器件的材料研究和創新 // 151
6.3 模擬計算的應用范圍及其他實現方法 // 153
6.4 模擬計算的未來趨勢 // 154
6.5 小 結 // 156
第7 章 存內計算 // 158
7.1 馮·諾依曼架構與存內計算架構 // 158
7.2 基于存內計算的 AI 芯片 // 161
7.2.1 改進現有存儲芯片來完成存內計算 // 161
7.2.2 用 3D 堆疊存儲技術來完成存內計算 // 164
7.2.3 用新型非易失性存儲器來完成存內計算 // 165
7.3 小 結 // 171
第8 章 近似計算、隨機計算和可逆計算 // 174
8.1 近似計算 // 174
8.1.1 減少循環迭代次數的近似計算 // 176
8.1.2 近似加法器和近似乘法器 // 177
8.1.3 降低電源電壓的近似計算 // 178
8.1.4 基于 RRAM 的近似計算 // 180
8.1.5 應對電路故障的近似計算 // 182
8.2 隨機計算 // 182
8.3 可逆計算 // 187
8.4 小 結 // 191
第9 章 自然計算和仿生計算 // 192
9.1 組合優化問題 // 193
9.2 組合優化問題的*優化算法 // 195
9.2.1 模擬退火 // 195
9.2.2 自組織映射 // 197
9.2.3 群體算法 // 199
9.3 超參數及神經架構搜索 // 201
9.3.1 粒子群優化的應用 // 202
9.3.2 強化學習方法的應用 // 202
9.3.3 進化算法的應用 // 203
9.3.4 其他自然仿生算法的應用 // 204
9.4 基于自然仿生算法的 AI 芯片 // 205
9.4.1 粒子群優化的芯片實現 // 206
9.4.2 用憶阻器實現模擬退火算法 // 207
9.5 小 結 // 208
第四篇 下一代 AI 芯片
第10 章 受量子原理啟發的 AI 芯片——解決組合優化問題的突破 // 210
10.1 量子退火機 // 210
10.2 伊辛模型的基本原理 // 212
10.3 用于解決組合優化問題的 AI 芯片 // 214
10.3.1 基于 FPGA 的可編程數字退火芯片 // 214
10.3.2 使用 OPO 激光網絡來進行*優化計算 // 216
10.3.3 CMOS 退火芯片 // 218
10.3.4 商用量子啟發 AI 芯片 // 220
10.4 量子啟發 AI 芯片的應用 // 221
10.5 小 結 // 223
第11 章 進一步提高智能程度的 AI 算法及芯片 // 224
11.1 自學習和創意計算 // 225
11.2 元學習 // 226
11.2.1 模型不可知元學習 // 226
11.2.2 元學習共享分層 // 227
11.2.3 終身學習 // 228
11.2.4 用類腦芯片實現元學習 // 229
11.3 元推理 // 230
11.4 解開神經網絡內部表征的纏結 // 231
11.5 生成對抗網絡 // 235
11.5.1 生成對抗網絡的 FPGA 實現 // 239
11.5.2 生成對抗網絡的 CMOS 實現 // 239
11.5.3 生成對抗網絡的 RRAM 實現 // 240
11.6 小結 // 242
第12 章 有機計算和自進化 AI 芯片 // 243
12.1 帶自主性的 AI 芯片 // 244
12.2 自主計算和有機計算 // 247
12.3 自進化硬件架構與自進化 AI 芯片 // 248
12.3.1 自進化硬件架構 // 248
12.3.2 自進化 AI 芯片 // 250
12.4 深度強化學習 AI 芯片 // 252
12.5 進化算法和深度學習算法的結合 // 253
12.6 有機計算和遷移學習的結合 // 254
12.7 小 結 // 255
第13 章 光子 AI 芯片和儲備池計算 // 256
13.1 光子 AI 芯片 // 257
13.1.1 硅光芯片 // 258
13.1.2 光學神經網絡架構 // 259
13.1.3 光子 AI 芯片 // 261
13.2 基于儲備池計算的 AI 芯片 // 263
13.3 光子芯片的新進展 // 267
13.4 小 結 // 268
第五篇 推動 AI 芯片發展的新技術
第14 章 超低功耗與自供電 AI 芯片 // 271
14.1 超低功耗 AI 芯片 // 271
14.2 自供電 AI 芯片 // 274
14.2.1 使用太陽能的 AI 芯片 // 276
14.2.2 無線射頻信號能量采集 // 277
14.2.3 摩擦生電器件 // 280
14.2.4 微塵大小的 AI 芯片 // 282
14.2.5 可采集能源的特性 // 283
14.2.6 其他可能被發掘的能源 // 284
14.3 小 結 // 285
第15 章 后摩爾定律時代的芯片 // 287
15.1 摩爾定律仍然繼續，還是即將終結 // 287
15.1.1 摩爾定律進一步 // 290
15.1.2 比摩爾定律更多 // 293
15.1.3 超越 CMOS // 300
15.2 芯片設計自動化的前景 // 311
15.3 后摩爾定律時代的重要變革是量子計算芯片 // 312
15.4 小 結 // 314
第六篇 促進 AI 芯片發展的基礎理論研究、應用和創新
第16 章 基礎理論研究引領 AI 芯片創新 // 316
16.1 量子場論 // 317
16.1.1 規范場論與球形曲面卷積 // 317
16.1.2 重整化群與深度學習 // 321
16.2 超材料與電磁波深度神經網絡 // 322
16.3 老子之道 // 327
16.4 量子機器學習與量子神經網絡 // 331
16.5 統計物理與信息論 // 333
16.6 小結 // 336
第17 章 AI 芯片的應用和發展前景 // 338
17.1 AI 的未來發展 // 338
17.2 AI 芯片的功能和技術熱點 // 341
17.3 AI 的三個層次和 AI 芯片的應用 // 343
17.4 更接近生物大腦的 AI 芯片 // 347
17.4.1 帶“左腦”和“右腦”的 AI 芯片 // 349
17.4.2 用細菌實現的擴散憶阻器 // 350
17.4.3 用自旋電子器件實現的微波神經網絡 // 351
17.4.4 用電化學原理實現模擬計算 // 352
17.5 AI 芯片設計是一門跨界技術 // 353
17.6 小 結 // 355
附錄 中英文術語對照表 // 360
參考文獻 // 369
展開全部
AI芯片:前沿技術與創新未來 作者簡介
張臣雄 畢業于上海交通大學電子工程系，在德國獲得工學碩士和工學博士學位。曾在德國西門子、Interphase、上海通信技術中心及一家世界500 強大型高科技企業分別擔任項目主管、CTO、CEO、首席科學家等職，長期從事及主管半導體芯片的研究和開發，推動芯片的產業化應用。 張臣雄博士是兩家創業公司的創始人之一，兼任首席科學家。他擁有200 余項專利及專利申請，出版了多本專著并發表了100 多篇論文。
書友推薦
- >
【精裝繪本】畫給孩子的中國神話
- >
有舍有得是人生
- >
伯納黛特,你要去哪(2021新版)
- >
名家帶你讀魯迅:朝花夕拾
- >
經典常談
- >
中國歷史的瞬間
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
詩經-先民的歌唱
本類暢銷
