stringtranslate.com

Машина жидкого состояния

Жидкостная машина ( LSM ) — это тип резервуарного компьютера , который использует импульсную нейронную сеть . LSM состоит из большого набора единиц (называемых узлами или нейронами ). Каждый узел получает изменяющиеся во времени входные данные от внешних источников ( входные данные ), а также от других узлов. Узлы случайным образом соединены друг с другом. Повторяющаяся природа соединений превращает изменяющиеся во времени входные данные в пространственно-временной шаблон активаций в узлах сети. Пространственно-временные шаблоны активаций считываются линейными дискриминантными единицами.

Суп из рекуррентно связанных узлов в конечном итоге вычислит большое разнообразие нелинейных функций на входе. При достаточно большом разнообразии таких нелинейных функций теоретически возможно получить линейные комбинации (используя считываемые блоки) для выполнения любой математической операции, необходимой для выполнения определенной задачи, такой как распознавание речи или компьютерное зрение .

Слово «жидкость» в названии происходит от аналогии, проведенной с падением камня в неподвижный водоем или другую жидкость. Падающий камень будет создавать рябь в жидкости. Входные данные (движение падающего камня) были преобразованы в пространственно-временную модель перемещения жидкости (рябь).

LSM были предложены как способ объяснить работу мозга . LSM, как утверждается, являются улучшением по сравнению с теорией искусственных нейронных сетей, потому что:

  1. Схемы не имеют жесткого кода для выполнения определенной задачи.
  2. Непрерывные временные входные данные обрабатываются «естественным образом».
  3. Вычисления в различных временных масштабах можно выполнять с использованием одной и той же сети.
  4. Одна и та же сеть может выполнять несколько вычислений.

Критика LSM, используемого в вычислительной нейронауке, заключается в том, что

  1. LSM на самом деле не объясняют, как функционирует мозг. В лучшем случае они могут воспроизвести некоторые части функциональности мозга.
  2. Не существует гарантированного способа проанализировать работающую сеть и выяснить, как и какие вычисления в ней выполняются.
  3. Контроль над этим процессом очень слабый.

Универсальная аппроксимация функции

Если резервуар имеет затухающую память и разделяемость входов , то с помощью считывания можно доказать, что жидкостный автомат является универсальным аппроксиматором функций, используя теорему Стоуна–Вейерштрасса . [1]

Смотрите также

Библиотеки

Ссылки

  1. ^ Маасс, Вольфганг; Маркрам, Генри (2004), «О вычислительной мощности рекуррентных цепей импульсных нейронов», Журнал компьютерных и системных наук , 69 (4): 593–616, doi : 10.1016/j.jcss.2004.04.001
  2. ^ Хананел, Хазан; Ларри, М., Маневит (2012), «Топологические ограничения и надежность в жидкостных машинах», Экспертные системы с приложениями , 39 (2): 1597–1606, doi :10.1016/j.eswa.2011.06.052.{{citation}}: CS1 maint: несколько имен: список авторов ( ссылка )