应用大脑研究(ABR)的研究人员表示，已经在一系列人工智能设备上取得了显著的降低功耗的成果。
ABR设计了一种名为勒让德记忆单元(LMU)的新型神经网络。借助LMU，设备上在执行人工智能任务时可以减少94%的电量，如可穿戴设备、智能手机和智能扬声器等具有语音功能的设备。
通过LMU实现的功耗降低将对智能手表等体积系数更小的设备特别有利，因为这种设备的体型小，电池容量相对较小，降低耗电量和能耗可以令使用者获得更佳的体验。执行人工智能任务的物联网设备也会受益，但在被替换之前可能需要持续数月甚至数年时间。
LMU被描述为递归神经网络（RNN），它可以降低功率并更精确地处理时变信号。
ABR表示，LMU可以用于构建用于所有时变任务的人工智能网络，如语音处理、视频分析、传感器监控和控制系统。
人工智能行业当前的首选模型是长期短期记忆（LSTM）网络。LSTM最早是在1995年提出的，如今已用于最流行的语音识别和翻译服务，例如Google，Amazon，Facebook和Microsoft的服务。
去年，滑铁卢大学的研究人员首次推出了LMU作为LSTM的替代RNN。这些研究人员继续组建了ABR，目前由20名员工组成。
Applied Brain Research联合首席执行官Peter Suma在一封电子邮件中说：
“我们是威斯康星大学理论神经科学实验室的滑铁卢大学分校。我们研究了大脑如何及时处理信号，并根据大脑中“时间单元”的工作方式创建了一种算法。
在我们使用数学工具对时间单元进行建模之后，我们将新的AI称为Legendre-Memory-Unit（LMU）。在数学上证明LMU在处理信号方面是最佳的。你不能做得更好。在未来几年，这将使所有形式的人工智能变得更好。”
ABR在2019年晚些时候的NeurIPS会议上发表了一篇论文，该论文表明LMU比LSTM编码的时间步长100倍时，精度要高100万倍。
在尺寸方面，LMU模型也更小。LMU使用500个参数，而LSTM使用41,000个参数(网络大小减少98%)。
Suma说:“我们使用LMU实现了语音识别，它将用于命令字处理的功率降低到百万分之一瓦，比目前市场上最好的功率低了94%。”“对于完整的语音，我们将功率降低到4毫瓦，这比目前最好的版本要小70%。”
Suma说ABR的下一步是致力于视频、传感器和无人机控制的人工智能处理，使它们更小更好。Suma表示，ABR的下一步是致力于视频，传感器和无人机控制AI处理，以使其更小，更好。
