ฉันเปลี่ยนไปใช้คอมพิวเตอร์ควอนตัมในภายหลังในอาชีพของฉัน — นี่คือสิ่งที่มันเป็น

RPA

ไม่ใช่ทุกคนที่สามารถเริ่มต้นการเดินทางด้วยคอมพิวเตอร์ควอนตัมได้อย่างสดใหม่จากโรงเรียนมัธยมปลายหรือวิทยาลัย โดยทำงานให้กับชุดควอนตัมขนาดใหญ่หรือห้องปฏิบัติการวิจัย พวกเราบางคนไม่สามารถลงสนามได้จนถึงช่วงกลางหรือช่วงปลายอาชีพของเรา

ระบบจัดการภายใน

เมื่อสามสิบปีที่แล้ว ฉันเรียนวิชาอิเล็กทรอนิกส์ วิศวกรรมวิทยุ-ฟิสิกส์ และโทรคมนาคมที่วิทยาลัยวิศวกรรมอันทรงเกียรติแห่งหนึ่งในอินเดีย ในเวลานั้น ฉันหลงใหลเกี่ยวกับกลศาสตร์ควอนตัม ปัญญาประดิษฐ์ และโครงข่ายประสาทเทียมอยู่แล้ว สี่ปีหลังจากสำเร็จการศึกษา ฉันมาที่สหรัฐอเมริกาโดยหวังว่าฉันจะได้อยู่ในศูนย์กลางของการประมวลผลที่ทันสมัย ​​— แต่ที่น่าผิดหวังของฉัน มีคนไม่กี่คนที่เคยได้ยินเกี่ยวกับความก้าวหน้าด้านคอมพิวเตอร์เหล่านี้ในเมืองที่ฉันทำงานครั้งแรก และภาคสนาม ท่ามกลาง “ฤดูหนาวของ AI” ซึ่งเป็นช่วงที่ดอกเบี้ยลดลง ดังนั้น แทนที่จะทำให้ฉันหิวโหยในวิทยาศาสตร์และเทคโนโลยี ฉันกลับต้องยุ่งอยู่กับการอยู่ในประเทศใหม่นี้ รักษาวีซ่า และหาเลี้ยงชีพโดยส่วนใหญ่ทำงานด้วยซอฟต์แวร์เกี่ยวกับบัญชีและซัพพลายเชน
ฉันใช้ชีวิตนี้จนถึงเมื่อไม่กี่ปีที่ผ่านมา – ฉันคิดว่าแม้จะฝึกวิชาฟิสิกส์ แต่ในที่สุดฉันก็จะเกษียณในฐานะที่ปรึกษาการบัญชีน้ำมันและก๊าซ แต่แล้วบางสิ่งที่ไม่คาดคิดก็เกิดขึ้นจากแหล่งที่ไม่น่าเป็นไปได้ นั่นคือ ลูกๆ ของฉัน ฉันอาศัยอยู่ในสิงคโปร์กับครอบครัวในขณะทำงานด้านการวางแผนทรัพยากรองค์กร (ERP) อยู่มาวันหนึ่ง ฉันกำลังเล่าให้ลูกสาวฝาแฝดวัย 10 ขวบของฉันฟังเรื่องที่น่าสนใจที่พวกเขาอาจศึกษาและเปิดวิดีโอให้พวกเขาดูบน YouTube และสังเกตเห็นวิดีโอที่เกี่ยวข้อง แม้ว่าฉันจะไม่ได้ให้ความสนใจกับ AI มากนักจนถึงจุดนั้น แต่ฉันก็ตระหนักว่าความก้าวหน้าที่ฉันรู้สึกตื่นเต้นมากในช่วงต้นของอาชีพการงานของฉัน บัดนี้กลายเป็นสินค้าที่ผู้บริโภคต้องเผชิญอย่างแพร่หลาย ด้วยความสนใจจำนวนมหาศาล ตอนนี้ฉันอายุสี่สิบต้นๆ ได้ไหม กลับมาสู่สนามที่เคยสนใจ? หรือมันสายเกินไป?
ฉันเริ่มเรียนทุกเย็นและวันหยุดสุดสัปดาห์ และในปี 2014 ฉันก็รับงาน ERP ที่ IBM โดยแอบหวังว่าในที่สุดฉันจะสามารถทำงานในการวิจัยคอมพิวเตอร์ที่ก้าวล้ำ โดยเฉพาะอย่างยิ่ง AI ณ จุดนั้น เต็มเวลา แต่ไม่นานฉันก็เข้าใจว่าแค่เปลี่ยนอาชีพก็พูดง่ายกว่าทำ หลายปีผ่านไปและแม้จะบอกทุกคนเกี่ยวกับความหลงใหลและเป้าหมายในอาชีพการงานของฉัน แต่ก็ไม่มีอะไรเปลี่ยนแปลงจริงๆ แม้ว่าฉันจะมีเจ้านายใจดีที่อนุญาตให้ฉันเข้าร่วมการประชุม AI เช่น NeurIPS, ICML เป็นต้น ในระหว่างนี้ ฉันใช้เวลาส่วนตัวอย่างลึกซึ้ง สู่การเรียนรู้การเสริมแรง
ในที่สุดสิ่งต่างๆ ก็เริ่มเปลี่ยนไปสำหรับฉันในปี 2018 ลูกสาวของฉันโทรหาฉันด้วยความเป็นห่วง หลังจากที่ได้อ่านเรื่องราวที่ไม่ถูกต้องตามข้อเท็จจริงเกี่ยวกับผลกระทบที่อาจเกิดขึ้นจากการคำนวณด้วยควอนตัมต่อสกุลเงินดิจิทัล ความอยากรู้อยากเห็นของฉันเพิ่มขึ้น — ฉันรู้เกี่ยวกับการคำนวณควอนตัมผ่านนิตยสารวิทยาศาสตร์ยอดนิยมอย่างScientific Americanแต่ไม่เจาะลึกมากนัก เมื่อฉันเริ่มเรียนรู้มากขึ้น ฉันก็ตระหนักว่านี่เป็นสาขาที่ดีสำหรับฉันมากกว่า AI เมื่อพิจารณาจากพื้นฐานด้านอิเล็กทรอนิกส์และวิทยุฟิสิกส์ ตอนนี้ฉันเปลี่ยนเวลาปิดการอ่านจากปัญญาประดิษฐ์เป็นคอมพิวเตอร์ควอนตัม เรียนหลักสูตรควอนตัมบน YouTube และติดต่อสมาชิกของทีม IBM Quantum
ฉันยังคงสิ้นหวัง — เล็กน้อยในอาชีพการงานของฉันที่เปลี่ยนไป แม้ว่าฉันจะได้เรียนรู้นอกหลักสูตรทั้งหมด แต่แล้ววันหนึ่งในปี 2020 ขณะฟังการนำเสนอของการประชุมหลังจากทำงานมาทั้งวัน ฉันได้ยินมาว่า IBM Quantum Challenge จะเริ่มในสัปดาห์หน้า ฉันเข้าร่วมทีม ลงมือทำ และแก้ไขปัญหาท้าทายทั้งหมด (คุณสามารถอ่านโพสต์ของฉันเกี่ยวกับประสบการณ์นั้นได้ที่นี่ )
ความสนใจในการคำนวณควอนตัมกำลังขยายตัวและตำแหน่งงานต่างๆ ก็เปิดรับ และฉันใช้เวลาว่างส่วนใหญ่ในการสร้างการศึกษาควอนตัม ดังนั้นฉันจึงเริ่มสัมภาษณ์ตำแหน่งในทีมอย่างจริงจัง ฉันได้รับการยอมรับให้ดำรงตำแหน่งปัจจุบันของฉันเมื่อกลางเดือนกรกฎาคมปีที่แล้วและเข้าร่วมทีมในอีกหนึ่งเดือนต่อมาในฐานะนักวิทยาศาสตร์ข้อมูลหลักสำหรับ Quantum Center of Competency ของ Global Business Services ของ IBM
จากเรื่องราวของฉันเอง ฉันคิดว่ายังมีที่ว่างมากมายสำหรับคนทำงานสายอื่นๆ ที่ไม่มีปริญญาดุษฎีบัณฑิตให้เข้าร่วมในสาขานี้ แน่นอนว่ามี 2 อย่างที่ขัดแย้งกับเรา: ผู้ที่มีปริญญาเอก Quantum มักจะได้รับการสนับสนุนจากการว่าจ้างผู้จัดการในสาขานี้ และมีความลำเอียงต่อเราในวัยชรา โดยเฉพาะอย่างยิ่งพวกเราที่ไม่มีประสบการณ์ของทหารผ่านศึกในอุตสาหกรรมหรือพวกเรา ที่ยังไม่ได้ตีพิมพ์บทความมากมาย
สำหรับฉัน กุญแจสำคัญในการเอาชนะอุปสรรคเหล่านี้คือความหลงใหลและความอดทน ความปรารถนาของฉันที่จะเข้าสู่ทุ่งเหล่านี้มีมาก และฉันต้องยืนหยัดต่อต้านการปฏิเสธครั้งแล้วครั้งเล่า ฉันถือว่าการปฏิเสธเหล่านี้เป็นการฝึกปฏิบัติในการสัมภาษณ์ และเตือนตัวเองว่ามีเพียงงานเดียวเท่านั้นที่ต้องตอบตกลงเพื่อให้ประสบความสำเร็จในความพยายามของฉัน
ฉันแสดงออกถึงความหลงใหลในสองวิธีหลัก อย่างแรกคือการศึกษา การอ่านบทความ บทความ หนังสือ และการดูวิดีโอ YouTube อย่างไม่หยุดยั้ง ทุก ๆ ชั่วโมงที่ฉันใช้เวลาเรียนมีประโยชน์ในภายหลัง อย่างที่สองคือ การสร้างเครือข่าย การสร้างกลุ่มเพื่อนร่วมงานที่จะสามารถสนับสนุนฉันและจัดหาผู้ติดต่อที่เหมาะสม ทุกการติดต่อที่ฉันพบและทุกการประชุมที่ฉันเข้าร่วมมีความสำคัญต่อฉัน
ฉันยังต้องละทิ้งความภาคภูมิใจของฉัน ฉันใช้เวลาหลายทศวรรษในการก้าวขึ้นสู่ตำแหน่งอันทรงเกียรติด้วยความมั่นคงในงาน ซึ่งเป็นบทบาทที่ฉันไม่เคยลืมเลือนในการเป็นผู้มาใหม่ที่อยู่ด้านล่างสุดของบันไดที่มีช่วงการเรียนรู้ที่ชัน การตัดสินใจครั้งนี้ต้องใช้ความเสียสละทั้งส่วนตัวและทางอาชีพอย่างมาก ฉันต้องถือว่าการเรียนรู้เป็นงานที่สอง ทำงานอย่างไม่รู้จักเหน็ดเหนื่อยในตอนกลางคืนและวันหยุดสุดสัปดาห์ มักจะต้องตัดสินใจระหว่างการเรียนและการใช้เวลาอันมีค่ากับครอบครัว บางครั้ง งานพิเศษก็ตัดงานที่ผ่านมาของฉันด้วย ฉันหวังว่าตอนนี้ที่ฉันบรรลุเป้าหมายหลักข้อหนึ่งของฉันแล้ว ฉันจะเริ่มลดการทำงานนอกหลักสูตรนี้ได้ในอีกไม่กี่เดือนข้างหน้า
แต่อย่างน้อยในกรณีของฉัน มันก็คุ้มค่า การเรียนรู้สิ่งใหม่ ๆ เป็นเรื่องที่น่าตื่นเต้นมาก และฉันรู้สึกว่าวันหนึ่งฉันอาจจะสามารถเผยแพร่งานวิจัยของฉันและได้รับความโดดเด่นในชุมชนนี้ที่ฉันตื่นเต้นมานานแล้ว หลังจากเอาชนะโคกเริ่มต้น ตอนนี้ฉันสามารถทำงานกับคนที่อายุน้อยกว่าฉันมาก เช่นเดียวกับผู้ทดลอง นักวิชาการ และนักธุรกิจที่ฉันเคยชื่นชอบ เกี่ยวกับเทคโนโลยีในฝันของฉัน

management system

บางครั้งฉันถามตัวเองและคุณควรถามตัวเองว่าการเปลี่ยนแปลงนั้นคุ้มค่าหรือไม่ พวกเราหลายคนที่ทำงานสายเกินไปคุ้นเคยกับการตัดสินใจที่ยากลำบากเช่นนี้ และในหลาย ๆ กรณี การตัดสินใจโดยพิจารณาจากสิ่งที่ปลอดภัย มากกว่าสิ่งที่เราปรารถนา การตัดสินใจเหล่านี้มาพร้อมกับความเสี่ยงของความเจ็บปวด ความไม่มั่นคงทางการเงิน การเสียสละ และแม้กระทั่งความอับอาย แต่สำหรับฉัน การเรียกนั้นแข็งแกร่งมากจนเป็นไปไม่ได้ที่ฉันจะทำงานที่ผ่านมาต่อไป หากนั่นอธิบายคุณได้เช่นกัน ท้ายที่สุดโชคก็เข้าข้างผู้กล้า และฉันคิดว่าหากคุณเดินตามเส้นทางเดียวกับฉัน คุณจะสามารถเพิ่มโอกาสในการประสบความสำเร็จได้อย่างมาก
เมื่อคุณเลือกภาษาที่คุณสามารถนำไปสู่คุณสามารถเข้าสู่ตัวเองขึ้นโดยทำตามคำแนะนำเหล่านี้ จากนั้นคุณจะถูกเพิ่มลงในแพลตฟอร์มการจัดการการแปลของCrowdin
ก่อนที่คุณจะตัดสินใจเพิ่มภาษาใหม่ คุณควรถามตัวเองเสมอว่า อัตราส่วนของคนที่พูดภาษาของฉันจริงๆ จะเลือกบริโภคเนื้อหาเกี่ยวกับคอมพิวเตอร์ควอนตัมหรือ Qiskit ในภาษาแม่มากกว่าภาษาอังกฤษอย่างไร ทั้งนี้ขึ้นอยู่กับเนื้อหาและกลุ่มเป้าหมายของเอกสาร มีหลายกรณีที่คนส่วนใหญ่อาจต้องการใช้เนื้อหาเป็นภาษาอังกฤษมากกว่าในภาษาอื่น คิดเสมอว่าต้องมีการแปลเอกสารเฉพาะอย่างสิ้นหวังเพียงใด ก่อนที่คุณจะเริ่มดำเนินการโลคัลไลเซชัน
เราภาคภูมิใจในความพยายามของเราอย่างมาก และยังคงได้รับการตอบรับเชิงบวกจากชุมชนอย่างต่อเนื่อง ไม่นานมานี้ ศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์ในปารีสแสดงความยินดีกับทีมและบอกเราว่างานแปลมีประโยชน์ต่อการสอนอย่างไร คำตอบเช่นนี้เตือนเราว่าทำไมเราถึงทำในสิ่งที่เราทำ และกระตุ้นให้เราใช้การแปลเป็นภาษาท้องถิ่นต่อไปเพื่อสร้างชุมชนคอมพิวเตอร์ควอนตัมที่รวบรวมภูมิหลังและวัฒนธรรมที่หลากหลาย
ปัญญาประดิษฐ์สมัยใหม่(AI)ช่วยให้ชีวิตของเรามีอุปกรณ์ที่ชาญฉลาดมากขึ้น เช่น สมาร์ทโฟนที่มีความสามารถที่ไม่เคยมีมาก่อนในการทำความเข้าใจคำพูดของเรา และให้คำตอบที่มีความหมายและแม่นยำ ระบบอัจฉริยะที่ฝังอยู่ในรถยนต์ที่ขับด้วยตนเองหรืออุปกรณ์ส่วนบุคคลสำหรับบ้านอัจฉริยะและการดูแลสุขภาพ อย่างไรก็ตาม ความก้าวหน้าใน AI ในปัจจุบันถูกป้องกันโดยข้อจำกัดในฮาร์ดแวร์
อุปกรณ์สมองกลฝังตัว เช่น เซ็นเซอร์และสมาร์ทโฟนต้องการการทำงานที่ใช้พลังงานต่ำ ในขณะที่โปรเซสเซอร์สมัยใหม่มักจะใช้พลังงานมาก นอกจากนี้ จำเป็นต้องจำแนกภาพ เสียง และคำพูดอย่างรวดเร็วและมีประสิทธิภาพ การรวมข้อกำหนดทั้งสองนี้เข้าด้วยกัน พลังงานต่ำและความเร็ว ถือเป็นความท้าทายสำหรับฮาร์ดแวร์ CMOS ที่มีอยู่
เพื่อเอาชนะสิ่งนี้ นักวิจัยจากIBM AI Hardware Centerกำลังตรวจสอบกระบวนทัศน์การคำนวณแบบใหม่ ซึ่งอาจเกินแนวทางฮาร์ดแวร์ที่มีอยู่ทั้งหมดสำหรับ AI
ที่งาน 2019 Symposia on Very Large Scale Integration (VLSI) Technology and Circuits ซึ่งจะจัดขึ้นในวันที่ 9-14 มิถุนายน ในเมืองเกียวโต ประเทศญี่ปุ่น นักวิจัยของ IBM จากห้องปฏิบัติการของเรา 3 แห่ง ( Thomas J. Watson Research Center , IBM Research-AlmadenและIBM Research-Zurich ) จะนำเสนอเอกสาร 3 ฉบับที่นำเสนอโซลูชั่นใหม่ๆ สำหรับการประมวลผล AI โดยอิงจากอุปกรณ์นาโนที่เรียกว่า Phase-Change Memory (PCM)

Web​ application

การคำนวณในหน่วยความจำเป็นกระบวนทัศน์การคำนวณแบบ non-von Neumann ที่เกิดขึ้นใหม่ โดยคุณลักษณะทางกายภาพของอุปกรณ์หน่วยความจำ เช่น PCM ถูกใช้เพื่อทำงานด้านคอมพิวเตอร์โดยไม่จำเป็นต้องส่งข้อมูลระหว่างหน่วยความจำและหน่วยประมวลผล ตัวอย่างเช่น เมื่ออุปกรณ์ PCM เมื่อจัดระเบียบในอาร์เรย์หนาแน่น สามารถใช้การดำเนินการคูณเวกเตอร์เมทริกซ์ได้อย่างง่ายดายโดยใช้ประโยชน์จากกฎฟิสิกส์ การปรับค่าการนำไฟฟ้า PCM อย่างระมัดระวังจะทำให้สถานะอนาล็อกมีเสถียรภาพ ทำให้สามารถจดจำน้ำหนักโครงข่ายประสาทเทียมในการกำหนดค่าเฟสของอุปกรณ์เหล่านี้ได้ โดยการใช้แรงดันไฟฟ้าบน PCM เดียว กระแสจะเท่ากับผลคูณของกระแสแรงดันและกระแสนำไฟฟ้า การใช้แรงดันไฟฟ้าในทุกแถวของอาร์เรย์ทำให้เกิดผลรวมแบบขนานของผลิตภัณฑ์เดี่ยวทั้งหมด กล่าวอีกนัยหนึ่ง
เทคนิคนี้เป็นแกนหลักของการเร่งความเร็วของ Deep Neural Networks (DNNs) ในเซิร์ฟเวอร์ DNN ขนาดใหญ่จะได้รับการฝึกฝนโดยการปรับน้ำหนักอย่างระมัดระวัง ขั้นตอนนี้เรียกว่าการฝึกอบรม DNN ต้องใช้ความสามารถในการวิเคราะห์ภาพนับล้านและอัปเดตน้ำหนักตามลำดับ และอาจใช้เวลานานอย่างเจ็บปวดสำหรับ DNN จริง ในระบบฝังตัว เช่น เซ็นเซอร์ IoT รถยนต์หรือกล้อง ความเร็วในการจำแนกระดับสูงเป็นที่ต้องการ ในขณะที่น้ำหนักจะถูกคำนวณในซอฟต์แวร์ก่อนแล้วจึงปล่อยทิ้งไว้ในชิปไม่เปลี่ยนแปลง การอนุมาน DNN ด้วยความเร็วสูงแสดงให้เห็นถึงความท้าทายที่สำคัญในแง่ของเวลาแฝงต่ำและพลังงานต่ำ
บทความ “Confined PCM-based Analog Synaptic Array for Deep Learning” โดย Wanki Kim et al เผยเป็นครั้งแรกว่าอุปกรณ์ PCM แบบใหม่ที่ช่วยให้สามารถปรับค่าการนำไฟฟ้าแบบเกือบเชิงเส้นด้วยสถานะแอนะล็อก 500 หรือ 1000 สถานะได้ สถานะจำนวนมากที่มีการเปลี่ยนแปลงน้ำหนักเชิงเส้นดังกล่าวเป็นสิ่งจำเป็นเพื่อให้มีการปรับแต่งอุปกรณ์คุณภาพสูงในระหว่างการฝึกอบรม DNN ด้วยการจำลองความแม่นยำที่สามารถไปได้เกิน 97 เปอร์เซ็นต์ภายใต้สภาพการทำงานบางอย่าง นอกจากผลลัพธ์ที่น่าพึงพอใจแล้ว การเคลื่อนตัวของสื่อนำไฟฟ้าและสัญญาณรบกวนของ PCM จะลดลงอย่างมากด้วยความทนทานที่ดีขึ้นด้วยโครงสร้างที่ออกแบบอย่างพิถีพิถัน อุปกรณ์นี้สามารถปูทางสำหรับการฝึกอบรม DNN แบบเร่งรัดโดยใช้พื้นที่ที่ต่ำมาก เนื่องจากอุปกรณ์ดังกล่าวสามารถปรับขนาดได้อย่างมากและสามารถซ้อนกันในอาร์เรย์ขนาดใหญ่ได้
แม้ว่าการฝึกอบรม DNN จะต้องใช้อุปกรณ์ที่มีความเป็นเส้นตรงมาก แต่การอนุมาน DNN ก็เผชิญกับความท้าทายที่แตกต่างกัน เนื่องจาก PCM ในการอนุมานข้อมูลชิปควรได้รับการปรับอย่างระมัดระวังเพียงครั้งเดียวหรือสองสามครั้ง ในกรณีนี้ คุณสมบัติที่ต้องการอย่างสูงคือความสามารถในการปรับแต่งอุปกรณ์ได้อย่างแม่นยำและความเสถียรของสถานะการนำไฟฟ้าแบบอะนาล็อกเป็นเวลานานขึ้นเรื่อยๆ
ในบทความเรื่อง “การอนุมานเครือข่ายหน่วยความจำระยะสั้นระยะยาวที่ความแม่นยำเทียบเท่าซอฟต์แวร์โดยใช้อุปกรณ์หน่วยความจำเปลี่ยนเฟสแบบอะนาล็อก 2.5 ล้าน” โดย Hsinyu Tsai et al. ความท้าทายในการอนุมานนั้นกำหนดเป้าหมายโดยใช้อุปกรณ์จำนวนมากเพื่อให้ได้ค่าประมาณที่ใกล้เคียง ของสิ่งที่จะเกิดขึ้นในที่สุดในชิปจริง PCM ได้รับการปรับแต่งแบบแอนะล็อกโดยใช้รูปแบบการเขียนแบบนวนิยายและแบบขนานที่สามารถนำไปใช้อย่างมีประสิทธิภาพในอาร์เรย์แบบคานขวาง จากนั้นใช้วิธีนี้เพื่อทำการอนุมาน Long-Short Term Memory (LSTM) ซึ่งเป็นเครือข่ายที่เกิดซ้ำซึ่งเปิดใช้งานการรู้จำคำพูด ผลลัพธ์แสดงให้เห็นถึงความเท่าเทียมกันอย่างมากระหว่างการอนุมานซอฟต์แวร์และฮาร์ดแวร์ โดยมีความทนทานต่อความไม่เสถียรของการนำไฟฟ้า PCM และการเบี่ยงเบน

Robot Auto process

สุดท้าย ไฮไลท์ของการวิจัยล่าสุดที่ดำเนินการในด้านการคำนวณในหน่วยความจำสำหรับการอนุมาน DNN และการฝึกอบรมที่มีความแม่นยำแบบผสมได้แสดงไว้ในบทความเรื่อง “การอนุมานตามหน่วยความจำด้วยคอมพิวเตอร์และการฝึกอบรมเครือข่ายประสาทเทียมระดับลึก” โดย อาบู เซบาสเตียน และคณะ บทความนี้จะนำเสนอคำอธิบายเกี่ยวกับคุณสมบัติการเปิดใช้งานที่สำคัญของอุปกรณ์ PCM สำหรับการฝึกอบรมและการอนุมาน DNN ต่อจากนั้น ผลการอนุมานบน Convolutional Neural Networks ที่ทันสมัย ​​เช่น ResNet-20 จะถูกนำเสนอ แสดงให้เห็นว่าแม้การทำแผนที่โดยตรงของตุ้มน้ำหนักที่ผ่านการฝึกด้วยความแม่นยำระดับเดียวจะเผยให้เห็นผลลัพธ์ที่ไม่ดี แต่การแมปของตุ้มน้ำหนักที่ฝึกด้วยเทคนิคแบบกำหนดเองจะให้ความแม่นยำที่ใกล้เคียงที่สุด แม้หลังจากผ่านไปหนึ่งวัน บทความนี้ยังนำเสนอแนวทางที่มีความแม่นยำแบบผสมในการฝึกอบรม DNN ซึ่งการคำนวณการอัปเดตน้ำหนักดิจิทัลที่มีความแม่นยำสูง ร่วมกับการส่งสัญญาณไปข้างหน้าและย้อนกลับแบบอะนาล็อกผ่านอาร์เรย์ครอสบาร์ของ PCM เผยให้เห็นผลลัพธ์ที่มีแนวโน้มสำหรับการฝึกอบรม DNN แบบเร่งรัด หลังอบรม อนุมานในเครือข่ายนี้ยังคงดำเนินการโดยมีการลดความแม่นยำในการทดสอบลงเล็กน้อย