在海思和華芯忙着設計和晶片突破的時候，徐川也在別墅中研究着這些和晶片設計方面有關的數學問題。
NPU神經性網絡架構相對比CPU架構和GPU架構來說，算是新興的計算機領域。
它最早由心理學家和神經生物學家提出，通過模擬人體或者其他生活大腦神經細胞的結構及運算方式來應用到計算機上。
相對比原本扁平的計算架構，神經性網絡架構更類似於3D性質，在解決複雜問題時，往往能夠提供一種相對更簡單的方法。
因此，神經性網絡架構近年來越來越受到計算機行業的關注。
海思和華芯選擇這塊進行突破，一方面是想要彎道超車，另一方面則是無奈了。
沒辦法，相對比那些西方國家和企業來說，華國在CPU架構和GPU架構的基礎研究上起步太晚，遠比不上別人雄厚的經驗和實力。
當然，還有最為關鍵的專利。
依賴着專利這道護城河，高通、蘋果、谷歌等西方國家的公司幾乎徹底壟斷了這一領域。
想要繞過去，就只能另闢蹊徑了。
這也是海思和華芯會選擇從NPU神經性網絡架構入手的原因。
儘管這份架構依舊是從ARM公司研究的ARM架構上研究出來的，但它能為未來的獨立研發做一份雄厚的鋪墊。
......
翻閱着電腦上的資料，徐川認真的研究和剖析着。
一般來說，神經網絡架構主要利用各種各樣、各式各樣的數學模型從不同的角度對生物神經系統進行不同層次的描述和模擬。
代表性的網絡模型有BP網絡、RBF網絡、Hopfield網絡、自組織特徵映射網絡等等。
相對比傳統的CPU架構和GPU架構來說，他入手這種架構反而更快一些。
畢竟數學模型和建模，以及背後的數學公式，本就是他的研究範疇之一。
比如RBF神經網絡架構（徑向基函數網絡架構）就是是以函數逼近理論為基礎而構造的一類前向網絡。
這類網絡的學習等價於在多維空間中尋找訓練數據的最佳擬合平面，其徑向基函數網絡的每個隱層神經元激活函數都構成了擬合平面的一個基函數。
用數學理論來解釋，其實原理很簡單。
即，在選定的一類函數中尋找某個函數g，使它是已知函數?在一定意義下的近似表示，並求出用g近似表示?而產生的誤差。」
這是高中數學的函數基礎之一。
對於徐川來說，研究這些東西一開始只是為了解決海思和華芯的問題，不過隨着時間的推移，他越來越對這種神經性網絡感興趣了。
這種從數學機理出發，利用模型來完備進行不同層次的描述和模擬的結構，除了晶片外，在其他領域也有不少的應用。
比如人工智能、自動控制、機械人、統計學等等。
這些都是徐川相當感興趣的領域。
人工智能就不用多說了，這是未來發展的趨勢。
而自動控制和機械人，則是社會生產力進步的核心關鍵點之一。
至於統計學，看似它是一門應用數學，主要為其他領域而工作的。
但實際上，它本身也是可以應用在數學領域的。
當然，他更看重的，是通過神經性網絡來統計和分析高能物理領域亦或者材料學領域的數據。
後兩者的數據量都相當大，需要更健全和簡便的數學統計以及分析方式。
而且這些天研究下來，徐川敏銳的感覺到，這種神經性網絡，相對比普通的矽基晶片構成計算機來說，它似乎更適合量子晶片與量子計算機。
如果說將傳統的矽基晶片構成計算機看成
第四百八十九章 等不及的物理學家們
