Голографическая ассоциативная память

Для данных хранения голографических голографическая ассоциативная память ( ГАМ ) представляет собой систему хранения и поиска информации, основанную на принципах голографии . Голограммы создаются с использованием двух лучей света, называемых «опорным лучом» и «объектным лучом». узор Они создают на пленке , содержащий их обоих. Далее, воспроизводя опорный луч, голограмма воссоздает визуальное изображение исходного объекта. Теоретически можно было бы использовать объектный луч для того же самого: воспроизвести исходный опорный луч. В HAM фрагменты информации действуют как два луча. Каждый из них можно использовать для извлечения другого из шаблона. Его можно рассматривать как искусственную нейронную сеть , которая имитирует способ использования информации мозгом. Информация представлена в абстрактной форме в виде комплексного вектора, который может быть непосредственно выражен формой сигнала, обладающего частотой и величиной. Эта форма волны аналогична электрохимическим импульсам, которые, как полагают, передают информацию между биологическими нейронами. клетки.

Определение

HAM является частью семейства аналоговых, основанных на корреляции, ассоциативных воспоминаний типа «стимул-реакция», где информация отображается в фазовой ориентации комплексных чисел. Его можно рассматривать как комплексную искусственную нейронную сеть . Голографическая ассоциативная память обладает некоторыми замечательными характеристиками. Было доказано, что голографии эффективны для задач ассоциативной памяти , обобщения и распознавания образов с переменным вниманием. Способность динамического поиска и локализации занимает центральное место в естественной памяти. ^[1] Например, при зрительном восприятии люди всегда склонны сосредотачиваться на каких-то конкретных объектах в узоре. Люди могут легко переключать фокус с объекта на объект, не требуя повторного обучения. HAM предоставляет вычислительную модель, которая может имитировать эту способность, создавая представление для фокусировки. В основе этой новой памяти лежит новое бимодальное представление паттерна и подобное голограмме сложное сферическое пространство состояний веса. Помимо обычных преимуществ ассоциативных вычислений, этот метод также имеет отличный потенциал для быстрой оптической реализации, поскольку лежащие в его основе гиперсферические вычисления могут быть естественным образом реализованы в оптических вычислениях.

Он основан на принципе хранения информации в виде шаблонов стимул-реакция, где информация представлена фазовыми углами ориентации комплексных чисел на римановой поверхности . ^[2] Очень большое количество паттернов стимул-реакция может быть наложено или «свернуто» на один нервный элемент. Ассоциации «стимул-реакция» могут быть как закодированы, так и декодированы за одно неитерационное преобразование. Математическая основа не требует оптимизации параметров или обратного распространения ошибок , в отличие от коннекционистских нейронных сетей. Основное требование состоит в том, чтобы модели стимулов были симметричными или ортогональными в сложной области. HAM обычно использует сигмовидную предварительную обработку, при которой необработанные входные данные ортогонализуются и преобразуются в гауссово распределение.

Принципы работы

Ассоциации «стимул-реакция» одновременно изучаются и выражаются в одном неитеративном преобразовании. Не требуется обратного распространения ошибок или итеративной обработки.
Этот метод формирует неконнекционистскую модель клетки существует возможность наложения очень большого набора аналоговых , в которой внутри отдельной нейронной паттернов стимул-реакция или сложных ассоциаций .
Сгенерированный фазовый угол передает информацию об ответе, а величина передает меру распознавания (или уверенности в результате).
Этот процесс позволяет нейронной системе устанавливать профиль доминирования хранимой информации, тем самым демонстрируя профиль памяти любого диапазона - от кратковременной до долговременной памяти .
Этот процесс следует правилу ненарушения, то есть предшествующие ассоциации «стимул-реакция» подвергаются минимальному влиянию последующего обучения.
Информация представлена в абстрактной форме в виде комплексного вектора, который может быть непосредственно выражен формой сигнала, обладающего частотой и величиной. Эта форма волны аналогична электрохимическим импульсам, которые, как полагают, передают информацию между биологическими нейронными клетками.

См. также

AND Corporation – канадская технологическая компания
Голономная теория мозга – квантовая интерпретация нейробиологии
Самоорганизующаяся карта — метод машинного обучения, полезный для уменьшения размерности.
Разреженная распределенная память - Математическая модель памяти.

Ссылки

^ Хан, Джи (1998). «Характеристики многомерной голографической ассоциативной памяти при воспроизведении с динамически локализуемым вниманием» . Транзакции IEEE в нейронных сетях . 9 (3): 389–406. дои : 10.1109/72.668882 . ISSN 1045-9227 .
^ Сазерленд, Джон Г. (1 января 1990 г.). «Голографическая модель памяти, обучения и выражения». Международный журнал нейронных систем . 01 (3): 259–267. дои : 10.1142/S0129065790000163 .

Дальнейшее чтение

Гопалан, РП; Ли, Дж. (2002). Маккей, Род-Айленд; Слейни, Дж. (ред.). Индексирование баз данных изображений с использованием необученной 4D-модели голографической памяти . 15-я Австралийская совместная конференция по искусственному интеллекту. Спрингер. стр. 237–248.
Хендра, Ю.; Гопалан, РП; Наир, М.Г. (1999). Метод динамического индексирования больших баз изображений . IEEE SMC'99. Системы, человек и кибернетика.
Хан, Дж.И. (август 1995 г.). Ассоциативные вычисления, модулированные вниманием, и контентно-ассоциативный поиск в архиве изображений (PDF) (докторская диссертация). Гавайский университет.
Мишель, HE; Аввал, ААС (1999). Расширенные искусственные нейронные сети, использующие комплексные числа . IJCNN'99. Международная совместная конференция по нейронным сетям. Слушания (Кат. № 99CH36339. Том 1. Вашингтон, округ Колумбия, США. стр. 456–461. doi : 10.1109/IJCNN.1999.831538 .
Мишель, HE; Кунджитапатам, С. (2002). Дасарати, Белур В. (ред.). «Обработка данных Landsat TM с использованием комплексных нейронных сетей» (PDF) . Труды SPIE . Интеллектуальный анализ данных и обнаружение знаний: теория, инструменты и технологии IV. 4730 . Международное общество оптики: 43–51. дои : 10.1117/12.460209 . S2CID 7664487 . Архивировано из оригинала (PDF) 11 сентября 2017 г.
Ступ, Р.; Бухли, Дж.; Келлер, Г.; Стиб, WH (2003). «Стохастический резонанс в распознавании образов с помощью голографической модели нейрона» (PDF) . Физический обзор E . 67 .

[1] Хан, Джи (1998). «Характеристики многомерной голографической ассоциативной памяти при воспроизведении с динамически локализуемым вниманием» . Транзакции IEEE в нейронных сетях . 9 (3): 389–406. дои : 10.1109/72.668882 . ISSN 1045-9227 .

[2] Сазерленд, Джон Г. (1 января 1990 г.). «Голографическая модель памяти, обучения и выражения». Международный журнал нейронных систем . 01 (3): 259–267. дои : 10.1142/S0129065790000163 .

[1]

[2]