भूलने की बीमारी के बिना चेतना या एएनएन की अभिव्यक्ति का मॉडल

यह लेख चेतना और अचेतन के कार्यात्मक अलगाव के मॉडल का एक निरंतरता है । परिचय । इसमें, हमने रोसेनब्लाट पेसेप्ट्रॉन के सिद्धांतों का स्पष्ट रूप से वर्णन किया है। और उन्होंने दो या अधिक शिक्षकों से पढ़ाने की समस्या को उठाया। इस लेख में, "दो या दो से अधिक शिक्षकों" की समस्या पर विचार नहीं किया गया है; मेरे लिए इसे तकनीकी रूप से सरल उदाहरणों (जटिल वाले) के साथ तैयार करना काफी कठिन है। इसलिए, हम अगले लेख में शायद इससे निपटेंगे - अगर कुछ रुचि है।

इस लेख में हम चेतना के बारे में बात करेंगे, लेकिन यदि आप गीत को छोड़ना चाहते हैं (और यह विशेषज्ञों को थोड़ा परेशान करता है, लेकिन न केवल विशेषज्ञ समझना चाहते हैं), तो "जीरो कॉन्शसनेस मॉडल इन इंटेलेक्ट्रोनिक्स" अनुभाग से पढ़ना शुरू करें। लेकिन गीत फिर भी चेतना जैसे काल्पनिक अवधारणाओं के साथ संबंध के बारे में कुछ विचार देते हैं।



सबसे पहले, आइए तय करें कि अचेतन क्या है। यह वास्तव में शुरू की तुलना में आसान है। अचेतन स्मृति का पूरा तंत्र और वहां उत्पन्न होने वाले प्रभाव हैं। विशेष रूप से, पिछला लेख इसके लिए समर्पित था। वह सब वितरण, सहकारिता, दो-स्तर कभी सचेत नहीं थे, ये सभी प्रभाव आंतरिक हैं। और सचेत परिसर के प्रभाव में केवल अंतिम परिणाम (प्रतिक्रिया तत्व) को सतह पर अनुमति दी जाती है।

दूसरा, बल्कि महत्वपूर्ण बिंदु, सचेत परिसर का वर्णन है। यह सभी अचेतन से, अन्य स्मृति कार्यों से अलग कैसे है?

जंग के अनुसार, जटिल तब बनता है जब मानस के अचेतन क्षेत्र को गति में सेट किया जाता है। अचेतन में होने वाली प्रक्रिया कुछ मायनों में एक दूसरे के विपरीत हो सकती है। फिर इन प्रक्रियाओं को चेतना के स्तर तक ले जाया जाता है। चेतना उस ऊर्जा को वंचित कर सकती है जिसे इस परिसर के समाधान के लिए निर्देशित किया जाना चाहिए। यदि ऐसा होता है, तथाकथित "मानसिक स्तर को कम करना।" सचेत रुचियों और गतिविधियों की तीव्रता धीरे-धीरे कम हो जाती है, जिसके परिणामस्वरूप या तो उदासीनता जड़ता या चेतन कार्यों के प्रतिगामी विकास के रूप में होती है, जिसका अर्थ है कि उनके शिशु और पुरातन प्रथम-साथियों को उत्तरार्द्ध को कम करना, अर्थात। अधोगति जैसा कुछ। लेकिन चेतना इस परिसर के साथ की पहचान कर सकती है। तब इस तरह के परिसरों की उपस्थिति मानस के सामान्य गुणों में से एक बन जाती है। ये सचेत परिसर किसी भी तरह के विभेदित मानक सेटिंग या आवश्यकता में खुद को प्रकट करते हैं।

यह एक ऐसा सचेत परिसर है जो सीखने की प्रक्रिया में उत्पन्न होता है । कोई भी प्रशिक्षण अचेतन के लिए विरोधाभासी चीजों की घोषणा है। यह परिसर एक निश्चित गतिविधि को एक निश्चित प्रकार की घटनाओं के लिए बाहरी उत्तेजनाओं से संबंधित के लिए जिम्मेदार बनाता है। यह गतिविधि स्वयं उत्पन्न होती है, जैसा कि यह था, भीतर से, अचेतन के विरोधाभासी प्रकृति के साथ चेतना के संघर्ष के रूप में। इसमें, यह अन्य गतिविधि से भिन्न होता है जो बाहरी वातावरण की उत्तेजनाओं के जवाब में अचेतन में होता है।

इस तरह के एक सचेत परिसर का काम सीखने की प्रक्रिया को गंभीरता से बढ़ाता है। यह इस तथ्य से उपजा है कि परिसर स्वयं विभिन्न प्रकार की घटनाओं को अलग करता है, और प्रशिक्षण के दौरान यह बेहोश की अन्य उभरती गतिविधियों के साथ समन्वय करने के लिए रहता है। यह अचेतन की बल्कि विरोधाभासी गतिविधि को पूरी तरह से समेटने की तुलना में बहुत सरल है।

इसके अलावा, पूरा प्रश्न उस डिग्री में है जिस पर चेतना द्वारा अधिगम किया जाता है। यदि प्रशिक्षण जल्दी हुआ, तो यह उच्च स्तर की जागरूकता दर्शाता है। अब जब क्षमता का परीक्षण होता है, तो जो प्रशिक्षण हुआ, उसमें प्राप्त प्रशिक्षण की मात्रा महत्वपूर्ण हो जाती है। यदि यह बहुत छोटा है (ज्ञान के क्षेत्र की कुल मात्रा के साथ तुलना में), तो अचेतन वैसे भी चालू हो जाता है, और किसी भी तरह चेतना के साथ काम को बदलने की कोशिश करता है, यह सामान्य करता है कि वास्तविकता का अनुमान लगाने के लिए ज्ञान कैसे प्राप्त किया जा सकता है। दुर्भाग्य से, इस मामले में, बेहोश का व्यावहारिक रूप से सामान्यीकरण करने के लिए कुछ भी नहीं है और यह केवल किसी प्रकार की गैरबराबरी का पता लगाता है।

यदि प्राप्त ज्ञान की मात्रा अधिक है, तो यह अचेतन प्रक्रियाओं को विस्थापित करता है। और चेतना पहले प्राप्त ज्ञान को पुनर्स्थापित करती है, और अचेतन केवल ज्ञान के एक छोटे से सामान्यीकरण की अनुमति देता है। लेकिन उन सभी क्षेत्रों के लिए जिन्हें सीधे याद नहीं किया गया था, परिणामस्वरूप, बस किसी भी धारणा को बनाना संभव नहीं है, बहुत कम उनके अर्थों का अनुमान लगाते हैं।

अंतर्ज्ञान संतोषजनक रूप से तभी काम करता है जब सीखने की प्रक्रिया को पूरी तरह से चेतना द्वारा कब्जा नहीं किया गया हो, लेकिन किसी प्रकार का अमूर्तता हुई। यह अमूर्तता या बाद में भूलने की बीमारी बहुत बड़ी नहीं होनी चाहिए, लगभग 80% ध्यान रहना चाहिए। उसी समय, सीखने की प्रक्रिया में थोड़ी देरी हो जाती है - यह आपको बेहोश सीखने में शामिल होने की अनुमति देता है।

जब बाद में क्षमता का परीक्षण होता है (ज्ञान की पर्याप्त मात्रा के साथ), चेतना का काम आपको ज्ञान की स्पष्ट सीमाओं को रेखांकित करने की अनुमति देता है, और अचेतन का काम उन जगहों की सामग्री को भरने के लिए होता है, जिन्हें प्रशिक्षण पर ध्यान नहीं दिया गया था, अर्थात् एक निश्चित सामान्यीकरण, दूरदर्शिता (पूर्वानुमान) है।

अलग-अलग, इस मामले में अचेतन का काम एक प्रकार के "धुंधले स्थान" का प्रतिनिधित्व करता है, जब चेतना के काम पर लगाया जाता है, विश्वसनीय ज्ञान प्राप्त होता है।

लेकिन कभी-कभी सीखने की प्रक्रिया चेतना की उपस्थिति के साथ नहीं हो सकती है। इस मामले में, बाद में पर्याप्त संतोषजनक परिणाम प्राप्त होगा, लेकिन स्पष्टता प्राप्त करना कभी भी संभव नहीं होगा। ज्ञान निरंतर धुंधला हो जाएगा।

Intellectronics में शून्य चेतना मॉडल

“ कॉम्प्लेक्स बाहरी उत्तेजनाओं के एक निश्चित प्रकार की घटनाओं के लिए जिम्मेदार एक निश्चित गतिविधि को स्थापित करता है। यह गतिविधि स्वयं उत्पन्न होती है, जैसा कि यह था, भीतर से, अचेतन के विरोधाभासी प्रकृति के साथ चेतना के संघर्ष के रूप में। "

यह वाक्यांश चिकित्सकों के लिए है - साइबरनेटिक्स बहुत अस्पष्ट है और बहुत ज्यादा संकेत नहीं देता है कि चेतना के मॉडल में क्या विशेषता होनी चाहिए। यहां हम इस विचार को अधिक विशेष रूप से समझाने की कोशिश करेंगे।

मॉडल मेमोरी मॉडल पर आधारित है - रोसेनब्लाट पेसेप्ट्रॉन। परसेप्ट्रोन भूलने की समस्या को जानता है। यह निम्नानुसार स्वयं प्रकट होता है: प्रशिक्षण के दौरान, प्रत्येक बाद की उत्तेजना स्मृति को अधिलेखित कर सकती है, या बल्कि, वजन गुणांक को बदल सकती है, जिस पर प्रतिक्रिया पिछले उत्तेजना पर आधारित थी। इसलिए, एक पास (पुनरावृत्ति) जिसमें प्रशिक्षण सेट से उत्तेजनाओं को एक बार प्रदर्शित किया जाता है, भले ही किसी विशेष उत्तेजना के लिए पहले से ही सही प्रतिक्रिया मिली हो, बाद के प्रशिक्षण से भूलने की बीमारी हो सकती है। इसलिए, प्रशिक्षण केवल तभी पूरा होता है जब सभी उत्तेजना-प्रतिक्रिया जोड़े पूरे प्रशिक्षण नमूने पर सहमत होते हैं, जो समय-समय पर भूल जाते हैं।

यह समझ में आता है, क्योंकि यह समीकरणों की प्रणाली में गुणांक खोजने से मेल खाती है। यदि गुणांक पाए गए थे कि सिस्टम में कुल समीकरण N की संख्या से कई समीकरण K के समाधान को संतुष्ट करते हैं, तो गुणांक के लिए बाद की खोज में, इस तथ्य के बावजूद कि अन्य M समीकरण सुसंगत होंगे, K में से कुछ के लिए स्थितियां फिर से मेल नहीं खाएंगी। यह समस्या लंबे प्रशिक्षण का कारण है।

सरल बनाने, सुधारने और इस तरह तेजी से प्रशिक्षण प्राप्त करने के लिए, आप नीचे वर्णित तकनीक का उपयोग कर सकते हैं। बाहरी परिणामों के अनुसार, यह तकनीक अचेतन में चेतना की अभिव्यक्ति के समान है। लेकिन चलो खुद से आगे नहीं।

एक परसेप्ट्रॉन मॉडल का उपयोग नहीं कर सकता है, लेकिन बस इनपुट-आउटपुट पत्राचार को याद करता है। लेकिन इस तरह हम कुछ सामान्यीकरण करने का अवसर खो देंगे, और सबसे महत्वपूर्ण बात यह है कि हमारे पास गैर-समीकरणों की एक प्रणाली द्वारा व्यक्त की जाने वाली रुचि के विषय क्षेत्र के संबंध का मॉडल नहीं होगा।

एक समान परिणाम साहचर्य परत (ए-तत्वों) के तत्वों के सक्रियण नियंत्रण में सीधे हस्तक्षेप करके प्राप्त किया जा सकता है। यह क्या देगा?

कहें, इन उद्देश्यों के लिए, हम अतिरिक्त रूप से कई आर-तत्वों के रूप में आवंटित करेंगे, अर्थात्। स्मृति के आकार को बढ़ाएं, संवेदी तत्वों के साथ जोड़कर, प्रतिक्रियाशील तत्वों के आकार के बिना। और प्रशिक्षण के दौरान, संवेदी तत्वों के लिए उपयुक्त उत्तेजना को लागू करते समय, हम एक साथ इन अतिरिक्त ए-तत्वों की गतिविधि स्थापित करेंगे। उसी समय, हम इस गतिविधि को स्थापित करेंगे ताकि यह वास्तव में आर-तत्वों की आवश्यक स्थिति से मेल खाती हो। अन्य ए-तत्वों की गतिविधि की स्थिति छद्म-यादृच्छिक होगी, अधिक सटीक रूप से, यह किसी तरह इनपुट उत्तेजना पर निर्भर करेगा।

इस मामले में, प्रशिक्षण लगभग तात्कालिक होगा, क्योंकि मेमोरी (साहचर्य परत) में इस तरह के पैटर्न को कृत्रिम रूप से निर्मित किया जाता है, जैसा कि आउटपुट पर आवश्यक होता है। यह प्रशिक्षण प्रक्रिया का लाभ उठाएगा, जिसका उद्देश्य केवल अन्य "साधारण" ए-तत्वों पर यादृच्छिक गतिविधि को बेअसर कर देगा।

यह ध्यान दिया जाना चाहिए कि यहां प्रस्तुत "त्वरित सीखने" तकनीक में एक महत्वपूर्ण खामी है - ऐसा मॉडल वस्तुतः सामान्यीकरण और परीक्षा सेट पर बाद के पूर्वानुमान की संभावना को समाप्त करता है। यह इस मामले में धारणा के उपयोग पर संदेह करता है।

लेकिन यह निश्चित रूप से एक पतित उदाहरण है। केवल कुछ विवरणों को बदलना आवश्यक है और फिर "त्वरित सीखने" की इस पद्धति से किसी भी तंत्रिका नेटवर्क पर कई तरीकों से महत्वपूर्ण लाभ होंगे।

ऐसे विवरण इस प्रकार हैं। अतिरिक्त ए-तत्वों की सक्रियता में यादृच्छिकता (उत्परिवर्तन) के कुछ तत्व को पेश करना आवश्यक है, जो ऊपर उल्लेखित थे। उदाहरण के लिए, यदि आवश्यक हो, तो हम 80% में एक अतिरिक्त ए-तत्व को सक्रिय करेंगे (हम इस आंकड़े को ध्यान का एक कारक कहेंगे, या, अधिक तकनीकी रूप से, पूर्वानुमान की सटीकता), हम वास्तव में इसे सक्रिय करेंगे। यह थोड़ा सीखना धीमा कर देगा, क्योंकि संवेदी गतिविधि को बेअसर करना आसान नहीं होगा। आंतरिक गतिविधि के बाद से आउटपुट पर आवश्यक प्रतिक्रिया की 100% विश्वसनीयता खो जाएगी, गुणांक (प्रशिक्षण) स्थापित करने की प्रक्रिया को संवेदी जानकारी को ध्यान में रखना होगा और इसे आंतरिक के साथ समन्वयित करना होगा। यह प्रक्रिया आलंकारिक रूप से, या बस एक संकीर्ण, विशेष रूप से प्रकट हो सकती है - जिसे अचेतन से चेतन की अभिव्यक्ति कहा जाता है।

सबसे महत्वपूर्ण बात यह है कि इस मॉडल को "पीछे" लगाने से भूलने की समस्या बनी रहती है और इस तरह के तंत्रिका नेटवर्क (दूसरों के विपरीत) में ऐसी स्थितियाँ नहीं होती हैं कि यह प्रशिक्षित होने की तुलना में अधिक खराब हो। ऐसा नेटवर्क आपको सामान्यीकरण के स्तर (ध्यान कारक के माध्यम से) को समायोजित करने की अनुमति देता है - एक चरम मामले में, पूरे प्रशिक्षण नमूने का एक खाता प्राप्त करें, लेकिन व्यावहारिक रूप से कोई पूर्वानुमान क्षमता नहीं है; दूसरे चरम मामले में, हमें अवधारणात्मक के परिणाम के समान परिणाम मिलता है, जब सामान्यीकरण इतना महान होता है कि छवि बहुत धुंधली हो जाती है और यह समझना अब संभव नहीं है कि छवि की कौन-सी विशेषताएं प्रशंसनीय हैं (प्रशिक्षण के अनुरूप); ध्यान का कारक बदलकर, कोई भी आसानी से सामान्यीकरण के स्तर को समायोजित कर सकता है, प्राप्त कर सकता है, छवि की ज्ञात विशेषताओं के अलावा, सबसे संभावित सामान्यीकरण। इसके अलावा, सीखने की दर पूर्वानुमान योग्य हो जाती है और ध्यान कारक पर निर्भर करती है।

यह उल्लेखनीय है कि लेखक की राय में, कुछ प्रसिद्ध तंत्रिका नेटवर्क में, यहां प्रस्तुत कुछ सिद्धांत पूरी तरह से जानबूझकर उपयोग नहीं किए गए थे।

उदाहरण के लिए, CC4 विधि एस। काक, कोणीय वर्गीकरण के विचारों का उपयोग करता है, और आंतरिक परत की गतिविधि की स्थैतिक गणना द्वारा अधिकतम सीखने की कोशिश करता है, विभिन्न उत्तेजनाओं के लिए केवल एक ए-तत्व को कृत्रिम रूप से सक्रिय करता है। यह इस तथ्य के समान है कि हम सीधे ए परत की गतिविधि को प्रभावित करते हैं, लेकिन यह अलग है कि हम आर परत पर आवश्यक परिणाम के साथ ए परत की गतिविधि के पत्राचार को अधिक सटीक रूप से डालते हैं। और कोणीय वर्गीकरण में सामान्यीकरण की चिकनाई (जो कि हमारी तुलना में एक अलग तरीके से की जाती है) वांछित होने के लिए बहुत कुछ छोड़ देती है।

इसके अलावा, अमोसोव के स्टोकेस्टिक नेटवर्क, जिसमें, लेखक की राय में, बहुत अधिक, अनुचित रूप से साहचर्य परत के यादृच्छिक सक्रियण के मुद्दे पर ध्यान दिया जाता है, हमारे दृष्टिकोण में कुछ सादृश्य है। यह ध्यान कारक की परिमाण के आधार पर अतिरिक्त ए-तत्वों के यादृच्छिक सक्रियण के सिद्धांत को संदर्भित करता है, लेकिन अमोसोव के नेटवर्क के विपरीत, शेष ए-तत्व सक्रियण पर इस तरह की यादृच्छिकता से प्रभावित नहीं होते हैं।

यह हमारे दृष्टिकोण की अखंडता है जो हमें दूर के बारे में बात करने की अनुमति देती है, लेकिन एक व्यक्ति के चेतना के प्रकट होने पर उत्पन्न होने वाली सूचना प्रक्रियाओं के साथ समानता। अंत में, हमारी चेतना का मॉडल एक जैविक न्यूरॉन के लिए एक कृत्रिम न्यूरॉन के मॉडल के रूप में मानव चेतना के समान संबंध है।

अंत में, यह इस तथ्य पर ध्यान देने योग्य है कि इस तरह के "शून्य चेतना" के मॉडल को स्वाभाविक रूप से सुधारने की आवश्यकता है।

और पहले वाला लागू तकनीक की कृत्रिमता का सवाल है, क्योंकि हम सीधे "आकाश से" साहचर्य परत में अतिरिक्त तत्वों को विनियमित करते हैं। उन्हें फीडबैक से संकेतों पर निर्भर होना चाहिए, और उस स्थिति की भविष्यवाणी करनी चाहिए जो होनी चाहिए। यह सिर्फ एक कारण है कि हॉकिन्स नेटवर्क दिलचस्प क्यों हैं - पदानुक्रमित टेम्पोरल मेमोरी (NTM)।

दूसरा और सबसे महत्वपूर्ण, "कई शिक्षकों से शिक्षण" की समस्या का मॉडलिंग यहाँ शामिल नहीं है, और तदनुसार, विरोधाभास - जागरूक जटिल, अभी तक उत्पन्न नहीं होता है।