KI News: Kurz und klar.

Ein neues arXiv‑Preprint zeigt, dass beim Training tiefer neuronaler Netzwerke Phase‑Übergänge auftreten, die eine klare hierarchische Struktur im Verlust‑ und Fehlerlandscape offenbaren.

Die neue Methode Manhattan Distance Mapping (MDM) optimiert die Platzierung aktiver Memristoren in bit-sliced Compute‑in‑Memory (CIM) Crossbars. Durch die gezielte Umordnung der Zeilen nach Manhattan‑Entfernung werden aktive Zellen in Bereiche verlagert, die weniger von parasitischer Widerstand (PR) betroffen sind. Das Ergebnis ist ein deutlich reduzierter Nicht‑Idealitätsfaktor (NF) und eine höhere Genauigkeit bei analogen DNN‑Berechnungen.

Das neue arXiv‑Paper untersucht, wie tiefe neuronale Netzwerke (DNNs) ihr Generalisierungsverhalten steuern, wenn sie mit sogenannten „Fooling‑Examples“ konfrontiert werden – Eingaben, die für Menschen zufällig oder unstrukturiert wirken, die Netzwerke aber mit hoher Sicherheit klassifizieren.