：等不及的物理学家们

    在海思和华芯忙着设计和芯片突破的时候，徐川也在别墅中研究着这些和芯片设计方面有关的数学问题。

    NPU神经性网络架构相对比CPU架构和GPU架构来说，算是新兴的计算机领域。

    它最早由心理学家和神经生物学家提出，通过模拟人体或者其他生活大脑神经细胞的结构及运算方式来应用到计算机上。

    相对比原本扁平的计算架构，神经性网络架构更类似于3D性质，在解决复杂问题时，往往能够提供一种相对更简单的方法。

    因此，神经性网络架构近年来越来越受到计算机行业的关注。

    海思和华芯选择这块进行突破，一方面是想要弯道超车，另一方面则是无奈了。

    没办法，相对比那些西方国家和企业来说，华国在CPU架构和GPU架构的基础研究上起步太晚，远比不上别人雄厚的经验和实力。

    当然，还有最为关键的专利。

    依赖着专利这道护城河，高通、苹果、谷歌等西方国家的公司几乎彻底垄断了这一领域。

    想要绕过去，就只能另辟蹊径了。

    这也是海思和华芯会选择从NPU神经性网络架构入手的原因。

    尽管这份架构依旧是从ARM公司研究的ARM架构上研究出来的，但它能为未来的dú • lì 研发做一份雄厚的铺垫。

    翻阅着电脑上的资料，徐川认真的研究和剖析着。

    一般来说，神经网络架构主要利用各种各样、各式各样的数学模型从不同的角度对生物神经系统进行不同层次的描述和模拟。

    代表性的网络模型有BP网络、RBF网络、Hopfield网络、自组织特征映射网络等等。

    相对比传统的CPU架构和GPU架构来说，他入手这种架构反而更快一些。

    毕竟数学模型和建模，以及背后的数学公式，本就是他的研究范畴之一。

    比如RBF神经网络架构（径向基函数网络架构）就是是以函数逼近理论为基础而构造的一类前向网络。

    这类网络的学习等价于在多维空间中寻找训练数据的最佳拟合平面，其径向基函数网络的每个隐层神经元激活函数都构成了拟合平面的一个基函数。

    用数学理论来解释，其实原理很简单。

    即，在选定的一类函数中寻找某个函数g，使它是已知函数在一定意义下的近似表示，并求出用g近似表示而产生的误差。”

    这是高中数学的函数基础之一。

    对于徐川来说，研究这些东西一开始只是为了解决海思和华芯的问题，不过随着时间的推移，他越来越对这种神经性网络感兴趣了。

    这种从数学机理出发，利用模型来完备进行不同层次的描述和模拟的结构，除了芯片外，在其他领域也有不少的应用。

    比如人工智能、自动控制、机器人、统计学等等。

    这些都是徐川相当感兴趣的领域。

    人工智能就不用多说了，这是未来发展的趋势。

    而自动控制和机器人，则是社会生产力进步的核心关键点之一。

    至于统计学，看似它是一门应用数学，主要为其他领域而工作的。

    但实际上，它本身也是可以应用在数学领域的。

    当然，他更看重的，是通过神经性网络来统计和分析高能物理领域亦或者材料学领域的数据。

    后两者的数据量都相当大，需要更健全和简便的数学统计以及分析方式。

本章未完，请点击下一页继续阅读