人们一直在研究人类的大脑，以获得计算系统的灵感。尽管我们还有很长的路要走，直到我们能够实现一个与人脑在认知任务上的效率相匹配的计算系统，一些受大脑启发的计算范例正在被研究。卷积神经网络相对于基于规则或符号的方法具有显著的性能，因此是人工智能相关应用中广泛使用的机器学习方法。尽管如此，对于许多任务，机器学习需要大量的数据和训练，以收敛到一个可接受的性能水平。
哈利法大学的博士生艾曼·哈桑(Eman Hasan)正在研究另一种名为“超维计算”的人工智能计算方法，这种方法可能会让人工智能系统向类人认知更近一步。该工作由芯片系统中心(SOCC)的副教授兼主任Baker Mohammad博士和博士后研究员Yasmin Halawani博士指导。
哈桑的研究成果最近发表在该杂志上 IEEE访问，分析了不同的超维计算模型，并强调了这种计算模式的优势。超维计算(HDC)是一种相对较新的计算模式，使用大型向量(比如每个10000位)进行计算，其灵感来自人类大脑的神经活动模式。允许基于人工智能的计算系统保留内存的方法可以减少它们的计算和电力需求。
从本质上讲，HDC向量对噪声也非常强大，就像人类的中枢神经系统一样。智能需要检测、存储、绑定和解绑定杂波模式，而HDC非常适合处理杂波模式。HDC架构的设计灵感来自于人脑神经元回路的抽象表现，包括编码、训练和比较三个阶段。
人类的大脑非常擅长识别模式，并利用这些模式来推断其他事物的信息。例如，人类通常理解，椅子少了一条腿并不意味着它就不再是椅子了。人工智能系统可能会看着这把三条腿的椅子，然后认为它是一个全新的物体，需要一个新的分类。然而，HDC矢量提供了一些误差空间。使用HDC，识别特定特征将生成一个与椅子足够相似的向量，计算机可以根据记忆中的椅子的样子推断出这个物体是一把椅子。因此，在超维计算中，三条腿的椅子仍然是一把椅子，而在传统的物体识别中，这是一项困难的任务。
哈桑解释说:“在高清矢量中，我们可以整体地表示数据，这意味着一个对象的价值分布在许多数据点中。”“因此，我们可以重构向量的含义，只要我们有60%的内容。”
向量的结构导致了HDC方法最大的优点之一，即它可以容忍错误，因此是近似计算应用程序的一个很好的选择。这来自于超向量的表示，其中位值独立于其在位序列中的位置。
HDC的强大之处在于它是以内存为中心的，这使得它能够在需要较少计算能力的情况下执行复杂的计算。这种类型的计算对于“边缘”计算特别有用，“边缘”计算是指在数据源或数据源附近进行的计算。在越来越多的设备中，包括自动驾驶汽车，计算必须在数据收集时立即进行，而不是依赖于在数据中心的云计算。
Hasan解释说:“对于边缘设备来说，超维计算是一种很有前途的模型，因为它不包括广泛使用的卷积神经网络中要求计算量高的训练步骤。”“然而，超维计算也有其自身的挑战，编码本身就需要大约80%的训练执行时间，而且一些编码算法会导致编码数据增长到原来的20倍。”
Hasan研究了HDC范式及其在一维和二维应用中的主要算法。研究表明，在一维数据集应用(如语音识别)中，HDC优于数字神经网络，但一旦扩展到2D应用，复杂性就会增加。
Hasan解释说:“与最先进的简单深度神经网络相比，HDC在一维应用中显示出了很有前景的结果，功耗更低，延迟更低。”“但在2D应用中，卷积神经网络仍能实现更高的分类精度，但代价是计算量增加。”
