下一代神經網絡可能會存在於硬體中

邏輯閘網路的潛力

一旦網路訓練完成，成本就會大幅降低。彼得森（Petersen）將他的邏輯閘網路與其他超高效的網路進行比較，例如二元神經網路，這些網路使用簡化的感知器，只能處理二進位值。邏輯閘網路在分類CIFAR-10資料集中的圖片時，表現與這些其他高效方法一樣好。CIFAR-10資料集包含10種不同類別的低解析度圖片，從“青蛙”到“卡車”。它使用的邏輯閘數量不到其他方法的十分之一，所需的時間也少於千分之一。彼得森使用可編程的電腦晶片（FPGAs）來測試他的網路，這些晶片可以模擬許多不同的邏輯閘模式；如果將網路實現於不可編程的ASIC晶片上，成本將進一步降低，因為可編程晶片需要使用更多元件來達到靈活性。

專家的看法

加州大學聖地牙哥分校的電機與計算機工程教授法里納茲·庫尚法（Farinaz Koushanfar）表示，她對邏輯閘網路在面對更現實的問題時的表現並不完全信服。“這是一個有趣的想法，但我不確定它的擴展性如何，”她說。她指出，邏輯閘網路只能通過放鬆策略進行大致訓練，而這種近似方法可能會失敗。雖然目前尚未出現問題，但庫尚法表示，隨著網路的增長，這可能會變得更具挑戰性。

彼得森的抱負

儘管如此，彼得森仍然抱有雄心。他計劃繼續推進他的邏輯閘網路的能力，並希望最終能創造出他所稱的“硬體基礎模型”。一個強大且通用的邏輯閘網路可以直接在電腦晶片上大規模生產，這些晶片可以整合到個人手機和電腦等設備中。彼得森表示，這將帶來巨大的能源效益。例如，如果這些網路能有效地從低解析度信息重建照片和視頻，那麼在伺服器和個人設備之間傳輸的數據量將大大減少。

邏輯閘網路的未來

彼得森承認，邏輯閘網路在性能上永遠無法與傳統神經網路競爭，但這並不是他的目標。他認為，製作出一個運作良好且盡可能高效的系統就足夠了。“它不會是最好的模型，”他說。“但它應該是最便宜的。”