Нейронные сети и физические системы с возникающими коллективными вычислительными способностями.
Neural networks and physical systems with emergent collective computational abilities.
1982-04-01
SCID: 54.1/yq2tf4hj
Discuss with AI
асинхронная параллельная обработкапамять с адресацией по содержаниюэмпирическое коллективное вычислениекоррекция ошибокраспознавание знакомости
Figures from the paper
Abstract (AI)
Вычислительные свойства, полезные для биологических организмов или для создания вычислительных устройств, могут возникать как коллективные свойства систем, состоящих из большого числа простых эквивалентных компонентов (или нейронов). Физический смысл памяти с адресацией по содержанию описывается посредством соответствующего потока состояния в фазовом пространстве системы. Представлена модель такой системы, основанная на аспектах нейробиологии, но легко адаптируемая для интегральных схем. Коллективные свойства этой модели обеспечивают память с адресацией по содержанию, которая корректно восстанавливает полную память по любой достаточно большой её части. Алгоритм эволюции состояния системы во времени основан на асинхронной параллельной обработке. Дополнительные возникающие коллективные свойства включают некоторую способность к обобщению, распознаванию знакомости, категоризации, исправлению ошибок и сохранению временных последовательностей. Коллективные свойства слабо зависят от деталей моделирования или от отказа отдельных устройств.
Key Findings
1
Система из многих простых эквивалентных компонентов может проявлять возникающие коллективные вычислительные свойства, полезные для биологических организмов и компьютеров.
2
Коллективные свойства модели устойчивы и слабо чувствительны к деталям моделирования или failures отдельных компонентов.
3
Память с адресацией по содержанию реализуется как течение по фазовому пространству состояний системы, позволяя восстанавливать полную память по достаточно большой части входа.
4
Модель демонстрирует возникающие способности, включая обобщение, распознавание знакомости, категоризацию, коррекцию ошибок и сохранение временных последовательностей.
5
Предложенная модель, вдохновленная нейробиологией и адаптируемая к интегральным схемам, реализует асинхронную параллельную эволюцию состояния системы во времени.
Research Object
Модель нейронной сети/физической системы, состоящей из множества простых эквивалентных компонентов (нейронов), реализующей коллективные вычисления и ассоциативную (content-addressable) память
Research Subject
Эмергентные коллективные вычислительные свойства системы, в частности извлечение ассоциативной памяти по частичным сигналам, а также связанные поведения (обобщение, распознавание знакомости, категоризация, коррекция ошибок, сохранение временных последовательностей) при асинхронной параллельной динамике и устойчивости к сбоям компонент
Publication Details
Publication Date
1982-04-01
Journal
Publisher
ISSN
Cited by
22910
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Работы, цитирующие эту статью20
Снижение размерности данных с помощью нейронных сетей2006
Модель графовой нейронной сети2008
Искусственные нейронные сети: учебное руководство1996
Машинное обучение в сельском хозяйстве: обзор2018
Машинное обучение в механике жидкости2019
Столетие гештальт-психологии в зрительном восприятии: I. Перцептивная группировка и организация фигуры и фона2012
Всесторонний обзор машинного обучения для сетей: эволюция, приложения и перспективы исследований2018
Унифицирующий обзор глубоких и поверхностных методов обнаружения аномалий2021
Машинное обучение и искусственный интеллект в квантовой области: обзор последних достижений2018
Динамические принципы в нейронауке2006
Встраивание графов знаний для предсказания связей2021
Динамическое резервное вычисление на основе мемристоров для высокоэффективной обработки временных сигналов2021
Потенциал, проблемы и перспективные направления применения глубокого обучения в задачах прогнозирования и управления техническим состоянием2020
Фреймворк прогностического технического обслуживания воздухообрабатывающих установок на основе автоматического обнаружения и диагностики неисправностей с использованием цифрового двойника2022
Комплексный обзор глубокого обучения для прогнозирования временных рядов: архитектурное разнообразие и нерешённые проблемы2025
Ускорение научных открытий с помощью Co-Scientist2026
Искусственный интеллект и передовые материалы2022
Нелинейная динамика мозга: эмоции и когнитивные функции2010
Глубокие сети с эхо-состояниями и количественной оценкой неопределенности для пространственно-временного прогнозирования2018
Электрореологический демпфер с кольцевыми каналами для защиты от сейсмических воздействий1996