在过去的十年左右的时间里，研究人员已经开发了多种基于人工神经网络（ANN）的计算模型。尽管已发现许多这些模型在特定任务上表现良好，但它们并不总是能够识别可应用于新问题的迭代，序列或算法策略。过去的研究发现，添加外部存储器组件可以提高神经网络获取这些策略的能力。但是，即使使用外部存储，它们也容易出错，对提供给它们的数据变化敏感，并且需要大量的训练数据才能正常运行。达姆施塔特理工大学的研究人员最近推出了一种基于新的基于ANN的基于内存增强的体系结构，该体系结构可以学习解决问题的抽象策略。该结构将算法计算与依赖于数据的操作分开，并将由算法处理的信息流划分为两个不同的“流”。研究人员在论文中写道：“用外部存储器扩展神经网络已经提高了他们学习该策略的能力，但是它们仍然容易发生数据更改，难以学习可扩展和可转移的解决方案，并且需要大量的训练数据。” ; “我们提出了神经哈佛计算机，这是一种基于内存的基于网络的体系结构，它通过将算法操作与数据操作分离，通过拆分信息流和单独的模块来实现来使用抽象。”神经哈佛计算机或NHC将输入算法的信息流分为两个不同的流，即数据流（包含特定于数据的操作）和控制流（包含算法操作）。最后，它可以区分与数据相关的模块和算法模块，从而创建两个独立但耦合的存储器。 NHC具有三个主要的算法模块，分别称为控制器，存储器和总线。这三个组件具有不同的功能，但彼此交互以获得可以应用于将来任务的抽象。研究人员在论文中解释说：“这种抽象机制和进化训练使学习健壮和可扩展的算法解决方案成为可能。”研究人员通过使用NHC训练和运行11种不同的算法来评估NHC。然后，他们测试了这些算法的性能以及它们的泛化和抽象能力。研究人员发现，NHC可以可靠地运行所有11种算法，同时还使它们能够在比最初训练的任务更复杂的任务上执行良好。 “在11种复杂程度不同的算法中，我们证明了NHC可靠地学习了具有强大通用性和抽象性的算法解决方案，可以完美地将其推广和扩展到任何任务配置和复杂性，而这些复杂性和复杂性远远超出了任何复杂性在训练过程中可见，与数据表示和任务域无关。”研究小组的最新研究证实，在复杂程度不同的任务中，可以使用外部存储组件来增强基于神经网络的任务。该体系结构的性能和可扩展性潜力。将来，NHC体系结构可用于合并和改进不同ANN的功能，以帮助开发可识别有用策略并基于新数据做出准确预测的模型。