مقاله درباره پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

Johannes Schemmel1, Karlheinz Meier1, and Felix Sch¨urmann1

Universit¨at Heidelberg, Kirchho_ Institut f¨ur Physik, Schr¨oderstr. 90, 69120

Heidelberg, Germany,

[e-mail],

WWW home page: http://www.kip.uni-heidelberg.de/vision.html

خلاصه

مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .

این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .

اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .

از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .

این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .

1- مقدمه

شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .

علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .

یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .

موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .

این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .

یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .

در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .

دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .

ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .

برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .

در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .

شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

مسئله اصلی که هنوز باید حل شود آموزش است .

حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .

در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .

آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .

دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .

اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .

بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .

اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .

برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .

این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .

مقاله درمورد پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

Johannes Schemmel1, Karlheinz Meier1, and Felix Sch¨urmann1

Universit¨at Heidelberg, Kirchho_ Institut f¨ur Physik, Schr¨oderstr. 90, 69120

Heidelberg, Germany,

[e-mail],

WWW home page: http://www.kip.uni-heidelberg.de/vision.html

خلاصه

مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .

این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .

اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .

از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .

این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .

1- مقدمه

شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .

علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .

یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .

موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .

این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .

یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .

در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .

دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .

ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .

برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .

در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .

شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

مسئله اصلی که هنوز باید حل شود آموزش است .

حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .

در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .

آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .

دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .

اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .

بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .

اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .

برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .

این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .

تحقیق درمورد پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

خلاصه

مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .

این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .

اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .

از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .

این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .

1- مقدمه

شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .

علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .

یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .

موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .

این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .

یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .

در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .

دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .

ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .

برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .

در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .

شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

مسئله اصلی که هنوز باید حل شود آموزش است .

حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .

در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .

آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .

دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .

اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .

بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .

اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .

برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .

این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .

با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد .

همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

مقاله درباره عینک آفتابی مناسب از نظر پزشکان

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 3

عینک آفتابی مناسب از نظر پزشکان

چشم یکی از اعضای بسیار حساس و آسیب پذیر در مقابل عوامل مختلف به ویژه نور آفتاب است. اشعه ماوراء بنفش ساطع شده از نور خورشید، لطمات جبران ناپذیری به شبکیه چشم وارد می کند که در صورت تداوم تأثیر اشعه ماوراء بنفش بر شبکیه، نابینایی اتفاق می افتد. استفاده از «عینک آفتابی» یکی از بهترین شیوه های محافظت از چشم درمقابل نور خورشید است، اما پزشکان بر انتخاب نوع عینک تأکید دارند. پزشکان و پژوهشگران آکادمی بینایی سنجی آمریکا نکاتی را برای انتخاب «عینک آفتابی» بیان می کنند که در پی می آید.

خورشید و چشم

با شدت گرفتن تابش آفتاب در تابستان محافظت از چشم بیش از فصول دیگر ضروری به نظر می رسد. چرا که اشعه ماوراءبنفش خورشید تأثیر بسیار مخربی بر چشم به ویژه قرنیه و شبکیه چشم وارد می کند.پژوهش های آکادمی بینایی سنجی آمریکا (American Academy of opthalmology) نشان می دهد تابش نور سفید خورشید به چشم، باعث افزایش خطر ابتلا به بیماری آب مروارید (Cataract) و از بین رفتن لکه زرد یا دژنره شدن لکه زرد (Macular degeneration) می شود (لکه زرد؛ نقطه ای در شبکیه چشم است که وضوح دید آن از همه نقاط شبکیه بیشتر است)؛ این دو بیماری از علل اصلی کم بینایی و سپس نابینایی در سن کهولت است. از سوی دیگر اشعه ماوراءبنفش خورشید (UV) می تواند آسیب های جدی و جبران ناپذیری را به چشم به ویژه به قرنیه و شبکیه چشم وارد کند.

ویژگی های عینک آفتابی مناسب

اشاره کردیم که یکی از روش های مطمئن و مؤثر برای جلوگیری از آسیب چشم در اثر تابش نور آفتاب استفاده از عینک آفتابی است، اما عینک آفتابی باید دارای شرایط ویژه ای باشد تا خود عاملی جهت افزایش آسیب به چشم نباشد. براساس اعلام آکادمی بینایی سنجی آمریکا، عینک آفتابی باید دارای ویژگی هایی به این شرح باشد:* عینک انتخابی باید بتواند به خوبی چشم را در مقابل نفوذ اشعه ماورای بنفش خورشید محافظت کند، چرا که با زدن عینک آفتابی به چشم مردمک چشم گشادتر شده و نور بیشتری به چشم وارد می شود. اگر عینک آفتابی نتواند مانع ورود اشعه ماوراء بنفش خورشید به چشم شود، شبکیه به راحتی در معرض نور UV قرار گرفته و به سرعت تخریب می شود. بنابراین عینکی را انتخاب کنید که شیشه های آن در مقابل نور UV نفوذناپذیر باشد.* میزان تیرگی شیشه عینک ربطی به مقاومت آن در مقابل نفوذ نور خورشید ندارد. از روی شناسنامه عینک از میزان مقاومت آن در برابر نور خورشید به ویژه نور سفید و نور UV آگاه شوید.* عینک باید بتواند چشم را در مقابل اشعه های دیگر خورشید نیز بیمه کند.* اشعه خورشید نباید از کناره ها یا بالای عینک به چشم نفوذ کند. در واقع چشم باید به طور کامل تحت پوشش شیشه ها و قاب عینک قرار بگیرد.* اگر از عینک طبی استفاده می کنید، بهتر است برای انتخاب عینک آفتابی نزد کسی بروید که عینک طبی را از او خریداری کرده اید.* برای انتخاب عینک آفتابی مناسب، حتما با چشم پزشک مشورت کنید. این نکته برای افرادی که عینک طبی استفاده می کنند، ضروری است.* بهتر است، از عینک هایی که قبلا کیفیت آنها تایید شده، استفاده کنید؛چرا که کیفیت انواع جدید عینک با مارک های جدید چندان مطمئن نیست.* سعی کنید شیشه عینک، خش بر ندارد. این مسأله از کیفیت عینک می کاهد. خش های روی شیشه عینک مانند منافذی برای نفوذ نور عمل کرده و به چشم آسیب وارد می شود.پزشکان آکادمی بینایی سنجی آمریکا استفاده از عینک آفتابی را در فصل تابستان و زمستان ضروری می دانند.

موارد استفاده از عینک

اگر چه پزشکان استفاده از عینک آفتابی را در تمام فصول سال توصیه می کنند، اما استفاده از عینک آفتابی در تابستان و زمستان ضروری است.در فصل تابستان به جهت افزایش شدت تابش نور خورشید، گرمای هوا، باز تابش نور از سطح آسفالت، ساختمانها به ویژه ساختمان های دارای شیشه های بلند و زیاد و در فصل زمستان به جهت بازتابش نور خورشید از سطح سفید برف استفاده از عینک آفتابی توصیه می شود.علاوه بر این نگاه کردن به ماسه های داغ کنار ساحل، سطح صخره ها به هنگام کوهنوردی، سطح مواج آب دریا به ویژه در فصل تابستان و به هنگام رانندگی به جهت بازتابش نور از سطح ماشین(کاپوت ماشین) به چشم استفاده از عینک آفتابی ضروری است.و کلام پایانی: استفاده نکردن از عینک آفتابی باعث سوزش و خارش چشم، تورم چشم و سردرد در مراحل اولیه شده و با ادامه بی توجهی به چشم عوارضی چون خشکی سطح قرنیه، آسیب به قرنیه، شبکیه، لکه زرد و در نهایت کوری ایجاد خواهد شد؛ اما توجه کنید برای حفاظت از چشم محافظی مناسب برای آن انتخاب کنید.منبع:همشهری آنلاین/ن

تحقیق درمورد کودهای مناسب برای شالیزار

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 13

کودهای مناسب برای شالیزار

کودهایی که در مزارع شالی‌کاری بکار می‌رود عبارتند از:

کودهای سبز، کودهای دامی و کودهای شیمیایی.

این کودها را باید در موقع مناسب به خاک اضافه کرد. اصولاً خاکی که کمتر از 2 درصد مواد آلی داشته باشد از نظر حاصلخیزی ضعیف است، چنین خاکی از ثبات و استقامت خوبی برخوردار نیست. این نوع خاک، آب و عناصر معدنی مورد لزوم گیاهان را نمی‌تواند در خود نگهدارد.

کود سبز:

کود سبز باقیماندة گیاهان است که پس از برداشت محصول قسمتی از آن در خاک باقی می‌ماند و دارای اهمیت زیادی برای حاصلخیزی خاک است مثل کلش و سبوس، برگ، ساقه و باقیماندة ریشه‌ها.

اضافه شدن مواد آلی به خاک توسط گیاه بستگی به نوع کشت و آب و هوا دارد.

کلش به برگ و ساقة گیاهان تیرة غلات گفته می‌شود که عمده‌ترین مواد اولیة تولید کننده و قسمت آلی و هوموس خاک را تشکیل می‌دهد و از نظر پتاس و کلسیم غنی است. افزودن این ماده در خزانه باعث افزایش مواد غذایی سطح خاک می‌گردد. اکثر وزن کلش از مواد آلی تشکیل شده است، مقدار ازت آن نسبتاً کم بوده (حدود 5/0 درصد و حتی کمتر) ولی در صورت تجزیه مقدار آن افزایش می‌یابد.

کلش دارای مواد شیمیایی زیادی است ولی عموماً فاقد اسید هومیک است کلش را می‌توان مستقیماً به خاک افزود و یا اینکه ابتدا آنرا در محل مخصوصی تبدیل به کود نمود و سپس به خاک اضافه کرد. هر تن کلش 250 کیلوگرم هوموس می‌تواند تولید نماید. بطور کلی هدف از استفاده از کود سبز بالا بردن حاصلخیزی خاک، افزایش هوموس و مقدار ازت خاک می‌باشد. شخم کود سبز باید سطحی باشد زیرا اگر شخم عمیق صورت گیرد کلش در زیر خاک بدون تخمیر و پوسیدگی مانده و موجب اختلالاتی در خاک می‌گردد.

کودهای سبزی که در شالیزار استفاده می‌گردد عموماً شبدر و یا یونجه است، همچنین گیاهان دیگری که سازگار با شرایط رشد و نمو برنج باشند. گاهی اوقات از جلبک‌های آبی نیز برای افزایش ازت خاک بهره‌گیری می شود.

اخیراً در یکی از کشورهای آفریقایی توسط کود سبز توانسته‌اند عملکرد برنج را از 2 تن به 6 تن در هکتار برسانند.

در این روش از گیاه Sesbania rostrata متعلق به تیرة حبوبات (Leyuminosae) بعنوان کود سبز مورد استفاده قرار می‌گیرد. غده‌های جذب کنندة ازت هم در ریشه‌ها و هم در قسمتی از ساقه آن وجود دارد. این گیاه را 50 روز قبل از کاشت برنج در خاک می‌کارند سپس خاک را با ساقه و برگ و ریشة گیاه فوق مخلوط نموده و شخم می‌زنند و سپس نهال‌ها یا نشاء‌های برنج را روی آن می‌کارند. با استفاده از این روش 200 کیلوگرم ازت بخاک اضافه می‌گردد.

با توجه به اینکه هر هکتار زراعت برنج در طول هر دورة رشد به 80 تا 150 واحد ازت نیاز دارد و خاک برنجکاری باید همیشه از عناصر مصرفی غنی باشد مقدار ازت خاک نباید از 2/1 در هزار هکتار کمتر باشد.

استفاده از کودهای شیمیایی ازت‌دار برای تأمین این مقدار ازت به خاک برنجکاری هزینه‌های گزافی‌ را می‌طلبد. بر این اساس محققین و پژوهشگران در کشورهایی نظیر ژاپن، چین و ویتنام بعد از تحقیقات زیاد متوجه شدند که نوعی سرخس بنام آزولا (Azolla) که از تیرة Salriniaceae می‌باشد، وجود دارد که بین این گیاه و نوعی جلبک همزیستی وجود داشته و جلبک بعلت جذب ازت موجود در جو یا ازتی که بصورت محلول در آب وجود دارد هر ساله مقدار زیادی ازت در حدود 200 کیلوگرم ازت به خاک می‌افزاید.

آزولا را چند ماه قبل از شروع کشت برنج در مزرعه یا شالیزار کشت می‌‌کنند و پس از حدود 3 تا 4 ماه آن را با خاک کاملاً شخم می زنند و سپس نشاءهای برنج را روی آن می‌کارند. گیاه آزولا علاوه بر اینکه باعث افزایش ازت خاک می‌گردد در کنترل علف‌های هرز نیز مؤثر و مفید است، چون مانند لایه‌‌ای سطح آب را می‌پوشاند.