🔯 👨🏾‍🤝‍👨🏼 🛌🏼 सोचने का तर्क। भाग 11. डायनेमिक न्यूरल नेटवर्क। संबद्धता ♉️ 💃🏽 😴

लेखों की इस श्रृंखला में मस्तिष्क के एक लहर मॉडल का वर्णन किया गया है जो पारंपरिक मॉडल से गंभीर रूप से भिन्न है। मैं दृढ़ता से सलाह देता हूं कि जो लोग अभी शामिल हुए हैं वे पहले भाग से पढ़ना शुरू करते हैं।

तंत्रिका नेटवर्क, जिसमें जानकारी क्रमिक रूप से परत से परत तक वितरित की जाती है, समझ और मॉडलिंग के लिए सबसे सरल हैं। इनपुट पर एक सिग्नल लगाने से, प्रत्येक क्रमिक रूप से परतों की स्थिति की गणना भी की जा सकती है। इन स्थितियों की व्याख्या इनपुट सिग्नल के विवरण के एक सेट के रूप में की जा सकती है। इनपुट सिग्नल में बदलाव होने तक, इसका विवरण अपरिवर्तित रहेगा।

यदि तंत्रिका नेटवर्क में प्रतिक्रिया पेश की जाती है तो एक अधिक जटिल स्थिति उत्पन्न होती है। इस तरह के नेटवर्क की स्थिति की गणना करने के लिए, एक पास पर्याप्त नहीं है। जैसे ही हम इनपुट सिग्नल के अनुसार नेटवर्क की स्थिति बदलते हैं, फीडबैक इनपुट तस्वीर को बदल देंगे, जिसके लिए पूरे नेटवर्क की स्थिति के नए पुनर्गणना की आवश्यकता होगी, और इसी तरह।

आवर्तक नेटवर्क की विचारधारा इस बात पर निर्भर करती है कि प्रतिक्रिया में देरी छवि परिवर्तन अंतराल से कैसे संबंधित है। यदि विलंब शिफ्ट अंतराल की तुलना में बहुत कम है, तो हम केवल अंतिम संतुलन राज्यों में ही रुचि रखते हैं, और मध्यवर्ती पुनरावृत्तियों को विशेष रूप से कम्प्यूटेशनल प्रक्रिया के रूप में लिया जाना चाहिए। यदि वे तुलनीय हैं, तो नेटवर्क की गतिशीलता सामने आती है।

एफ। रोसेनब्लैट ने बहुपरत क्रॉस-लिंक्ड पेसेप्ट्रॉन का वर्णन किया और दिखाया कि उनका उपयोग चयनात्मक ध्यान देने और प्रतिक्रियाओं के अनुक्रम को पुन: उत्पन्न करने के लिए किया जा सकता है (रोसेनब्लैट, न्यूरोएडेनिक के सिद्धांत: पेरिसेप्ट्रोन और दि ब्रेन मैकेनिज्म का सिद्धांत, 1962)।

1982 में, जॉन हॉपफील्ड ने एक प्रतिक्रिया तंत्रिका नेटवर्क के निर्माण का प्रस्ताव दिया, ताकि इसका राज्य न्यूनतम ऊर्जा कार्यात्मक (हॉपफील्ड, 1982) की गणना से निर्धारित किया जा सके। यह पता चला कि हॉपफील्ड नेटवर्क के पास एक उल्लेखनीय संपत्ति है - उन्हें सामग्री द्वारा पता योग्य स्मृति के रूप में उपयोग किया जा सकता है।

हॉपफील्ड नेटवर्क

हॉपफील्ड नेटवर्क में सिग्नल स्पिन मान {-1.1} लेते हैं। एक नेटवर्क सीखना कई छवियों को याद कर रहा है

। शेष राशि को समायोजित करके संस्मरण होता है:

जो एक एल्गोरिथ्म की ओर जाता है, जो साधारण गैर-पुनरावृत्ति गणना द्वारा, आपको नेटवर्क मापदंडों को निर्धारित करने की अनुमति देता है:

जहाँ

- एक मैट्रिक्स न्यूरॉन्स के वजन से बना है, और

- संस्मरणित चित्रों की संख्या। विकर्ण मैट्रिक्स

इसे शून्य माना जाता है, जिसका अर्थ है कि स्वयं पर न्यूरॉन्स के प्रभाव की अनुपस्थिति। इस तरह से निर्धारित वजन स्टोर किए गए वैक्टर के अनुरूप नेटवर्क की स्थिर स्थिति को निर्धारित करते हैं।

न्यूरॉन्स की सक्रियण क्रिया है:
$a_{i}=\sum_{j}\omega _{ji}y_{i}\cdot \rightarrow y_{i}=\left\{\begin{matrix}1, & a_{i}\geq 0 \\ -1, &a_{i}< 0 \end{matrix}\right.$

प्रारंभिक छवि के रूप में इनपुट छवि को नेटवर्क को सौंपा गया है। फिर पुनरावृति प्रक्रिया शुरू होती है, जो भाग्य के साथ, एक स्थिर स्थिति में परिवर्तित होती है। ऐसी स्थिर स्थिति को याद की गई छवियों में से एक होने की संभावना है। इसके अलावा, यह इनपुट सिग्नल के समान छवि होगी। दूसरे शब्दों में, छवि इसके साथ जुड़ी हुई है।

आप नेटवर्क ऊर्जा की अवधारणा को पेश कर सकते हैं, जैसे:

जहाँ

- प्रयुक्त न्यूरॉन्स की संख्या। इस मामले में, एक स्थानीय ऊर्जा न्यूनतम प्रत्येक याद की गई छवि के अनुरूप होगी।

हालांकि हॉपफील्ड के नेटवर्क बहुत सरल हैं, वे मस्तिष्क के तीन मौलिक गुणों का वर्णन करते हैं। पहला डायनेमिक्स में मस्तिष्क का अस्तित्व है, जब कोई बाहरी या आंतरिक गड़बड़ी किसी को वर्तमान स्थानीय न्यूनतम ऊर्जा की स्थिति को छोड़ने के लिए मजबूर करती है और एक नए के लिए गतिशील खोज पर आगे बढ़ती है। दूसरी पिछली मेमोरी द्वारा परिभाषित अर्ध-स्थिर स्थिति में आने की क्षमता है। तीसरा, संक्रमणों की संबद्धता, जब वर्णनात्मक राज्यों के परिवर्तन में एक निश्चित सामान्यीकृत निकटता का लगातार पता लगाया जाता है।

हॉपफील्ड नेटवर्क की तरह, हमारा मॉडल शुरू में गतिशील है। यह स्थिर अवस्था में मौजूद नहीं हो सकता। कोई भी लहर केवल गति में मौजूद है। न्यूरॉन्स की प्रेरित गतिविधि पहचानकर्ताओं की तरंगों को ट्रिगर करती है। ये तरंगें पैटर्न को ट्रिगर करती हैं जो परिचित तरंग पैटर्न को पहचानती हैं। पैटर्न नई लहरों को गति देते हैं। और इसलिए बिना रुके।

लेकिन हमारे नेटवर्क की गतिशीलता बुनियादी रूप से हॉपफील्ड नेटवर्क की गतिशीलता से अलग है। पारंपरिक नेटवर्क में, गतिशीलता को स्थिर अवस्था में नेटवर्क राज्य के अभिसरण की पुनरावृत्ति प्रक्रिया में कम किया जाता है। हमारे देश में, एल्गोरिथम उन प्रक्रियाओं के समान हैं जो एल्गोरिथम कंप्यूटर में होती हैं।

सूचना का तरंग प्रसार एक डेटा ट्रांसफर तंत्र है। इस संचरण की गतिशीलता पुनरावृत्त अभिसरण की गतिशीलता नहीं है, लेकिन पहचान की लहर के स्थानिक प्रसार की गतिशीलता है। एक सूचना तरंग के प्रसार के प्रत्येक चक्र में न्यूरॉन्स की प्रेरित गतिविधि की तस्वीर बदल जाती है। कॉर्टेक्स को एक नए राज्य में बदलने का मतलब है कि वर्तमान विवरण में परिवर्तन और, तदनुसार, हमारे विचारों की तस्वीर में बदलाव। इन परिवर्तनों की गतिशीलता फिर से एक पुनरावृत्ति प्रक्रिया नहीं है, लेकिन हमारी धारणा और सोच की छवियों का एक क्रम बनाती है।

हमारा तरंग मॉडल एक सरल गतिशील नेटवर्क की तुलना में बहुत अधिक जटिल है। बाद में हम बहुत सारे गैर-प्रतिबंधात्मक तंत्रों का वर्णन करेंगे जो इसके काम को नियंत्रित करते हैं। यह आश्चर्य की बात नहीं है कि होपफील्ड नेटवर्क में संबद्धता की तुलना में हमारे मामले में संबद्धता का विचार अधिक जटिल है, और बल्कि डेटा प्रतिनिधित्व के कंप्यूटर मॉडल में निहित अवधारणाओं जैसा दिखता है।

प्रोग्रामिंग में, अनुरूपता को एक पैटर्न के समान डेटा की खोज करने की प्रणाली की क्षमता के रूप में समझा जाता है। उदाहरण के लिए, यदि हम क्वेरी मानदंड को निर्दिष्ट करते हुए डेटाबेस में जाते हैं, तो, वास्तव में, हम इस क्वेरी द्वारा वर्णित पैटर्न के समान सभी तत्वों को प्राप्त करना चाहते हैं।

कंप्यूटर पर, साहचर्य खोज समस्या को सरल गणना द्वारा हल किया जा सकता है ताकि खोज मानदंड के अनुपालन के लिए सभी डेटा की जांच की जा सके। लेकिन एक पूर्ण खोज समय लेने वाली होती है, यदि डेटा पहले से तैयार किया जाता है, तो खोज बहुत तेज होती है ताकि वे कुछ मानदंडों को पूरा करने वाले नमूनों को जल्दी से उत्पन्न कर सकें। उदाहरण के लिए, पहले पत्र द्वारा सामग्री की तालिका बनाकर पता पुस्तिका की खोज में काफी तेजी लाई जा सकती है।

उचित रूप से तैयार मेमोरी को साहचर्य कहा जाता है। सहक्रियाशीलता का एक व्यावहारिक कार्यान्वयन इंडेक्स टेबल, हैश एड्रेसिंग, बाइनरी ट्री और इसी तरह का उपयोग कर सकता है।

कार्यान्वयन के बावजूद, साहचर्य खोज को समानता या निकटता के लिए मानदंड की आवश्यकता होती है। जैसा कि हमने पहले ही कहा है, मुख्य प्रकार के निकटता विवरण से निकटता, संयुक्त अभिव्यक्ति द्वारा निकटता और एक सामान्य घटना द्वारा निकटता हैं। पहले समानता के रूप में बोलती है, बाकी की समानता कुछ सार में। यह ऑनलाइन स्टोर में उत्पाद खोजने के समान है। यदि आप एक नाम दर्ज करते हैं, तो आपको उन उत्पादों की एक सूची प्राप्त होगी जिनके नाम दिए गए के करीब होंगे। लेकिन इसके अलावा, आपको एक और सूची प्राप्त होने की संभावना है, जिसे कहा जाएगा, कुछ इस प्रकार है: "जो लोग इस उत्पाद की तलाश में हैं वे अक्सर ध्यान देते हैं ..."। उसी समय, उनके विवरण द्वारा दूसरी सूची के तत्व मूल अनुरोध द्वारा तैयार किए गए विवरण के समान नहीं हो सकते हैं।

आइए देखें कि हमारे मॉडल में उपयोग की जाने वाली अवधारणाओं पर सहानुभूति के बारे में तर्क कैसे लागू होते हैं। यहाँ अवधारणा न्यूरॉन डिटेक्टरों के पैटर्न का एक सेट है जो एक ही छवि से जुड़ा हुआ है। यह बहुत कम संभावना है कि एक एकल कॉर्टिकल मिनिकोल्यूमेंट एक पैटर्न से मेल खाता है। एक छवि न्यूरॉन्स के ग्रहणशील क्षेत्र पर संकेतों का एक निश्चित संयोजन है। प्रांतस्था के संवेदी क्षेत्रों पर, छवि स्थलाकृतिक प्रक्षेपण संकेतों द्वारा बनाई जा सकती है। उच्च स्तर पर, एक छवि गतिविधि का एक पैटर्न है जो न्यूरॉन के चारों ओर उठता है जब पहचानकर्ताओं की एक लहर से गुजरती है।

एक न्यूरॉन के लिए प्रेरित गतिविधि की स्थिति में संक्रमण के लिए, यह आवश्यक है कि छवि अपने सिनेप में तराजू की तस्वीर से सटीक रूप से मेल खाती है। इसलिए यदि अवधारणाओं के एक निश्चित संयोजन का पता लगाने के लिए एक न्यूरॉन को कॉन्फ़िगर किया गया है, तो तरंग पहचानकर्ता में उनमें से प्रत्येक के पहचानकर्ताओं का पर्याप्त हिस्सा होना चाहिए।

एक न्यूरॉन की ट्रिगरिंग जब इसकी विशिष्ट उत्तेजना को बनाने वाली अधिकांश अवधारणाओं को मान्यता कहा जाता है। मान्यता और इससे होने वाली संबद्ध गतिविधि सामान्यीकृत संबद्धता नहीं देती है। इस मोड में, न्यूरॉन उन अवधारणाओं का जवाब नहीं देता है जिनकी अस्थायी आत्मीयता है, या अवधारणाओं के लिए, हालांकि वे एक न्यूरॉन की उत्तेजना विशेषता के विवरण में शामिल हैं, लेकिन बाकी विवरणों से अलग-अलग सामना किया जाता है।

हम अपने मॉडल में जिन न्यूरॉन्स का उपयोग करते हैं, और जिनकी हम वास्तविक मस्तिष्क के न्यूरॉन्स के साथ तुलना करते हैं, न केवल अन्तर्ग्रथनी भार में बदलाव के कारण, बल्कि मेटाबोट्रोपिक रिसेप्टिव क्लस्टर में बदलाव के कारण भी जानकारी संग्रहीत करने में सक्षम हैं। उत्तरार्द्ध के कारण, न्यूरॉन्स पर्यावरण गतिविधि के पैटर्न के टुकड़ों को याद करने में सक्षम हैं। इस तरह की याद की गई तस्वीर की पुनरावृत्ति न्यूरो-प्रेरित गतिविधि की उपस्थिति का कारण नहीं बनती है, जिसमें दालों की एक श्रृंखला शामिल है, लेकिन एक स्पाइक का कारण बनता है। इस तरह से कुछ भी याद नहीं होगा कि न्यूरॉन कई कारकों से निर्धारित होता है, जिनमें से एक इस न्यूरॉन की झिल्ली क्षमता में बदलाव है। झिल्ली क्षमता में वृद्धि के कारण मेटाबोट्रोपिक रिसेप्टर्स के विभाजन समाप्त हो जाते हैं, जिससे उन्हें संस्मरण के लिए आवश्यक संवेदनशीलता प्राप्त होती है।

जब एक न्यूरॉन एक विशिष्ट छवि को पहचानता है और प्रेरित गतिविधि की स्थिति में प्रवेश करता है, तो इसकी झिल्ली क्षमता काफी बढ़ जाती है, जो झिल्ली के एक्सट्रैसिनैप्टिक भाग पर इसके आसपास के गतिविधि पैटर्न को याद रखना संभव बनाता है।

यह माना जा सकता है कि प्रेरित गतिविधि के समय, न्यूरॉन को उसके आसपास के सभी तरंग पैटर्न याद रहते हैं। इस तरह के ऑपरेशन का एक निश्चित अर्थ है। मान लीजिए कि हमारे पास क्या हो रहा है, इसका एक पूरा विवरण है, जिसमें बड़ी संख्या में अवधारणाएं शामिल हैं। उनमें से कुछ न्यूरॉन को उस अवधारणा को पहचानने की अनुमति देगा जिसका डिटेक्टर इसका पैटर्न (मिनीकोल्यूम) है। मान्यता सामान्य वर्णन में भागीदारी के साथ इस अवधारणा को प्रदान करेगी। इसके अलावा, अवधारणा के लिए जिम्मेदार न्यूरॉन्स पर, पूर्ण वर्णनात्मक चित्र में शामिल किए गए अन्य अवधारणाओं को क्या रिकॉर्ड किया जाएगा।

यह निर्धारण उन सभी न्यूरॉन्स पर होगा जो हमारे डिटेक्टर पैटर्न (मिनीकोल्यूमेंट) को बनाते हैं। इस तरह की प्रक्रिया को नियमित रूप से दोहराए जाने से ग्रहणशील समूहों के न्यूरॉन्स-डिटेक्टरों की सतह पर संचय हो जाएगा जो कि पहचानकर्ताओं के कुछ संयोजनों के प्रति संवेदनशील हैं।

यह माना जा सकता है कि डिटेक्टर पैटर्न की गतिविधि के साथ जितनी अधिक बार एक अवधारणा होती है, उतनी ही अधिक संभावना होती है कि इसकी स्वतंत्र उपस्थिति एक्सट्रैसिनैप्टिक रिसेप्टर्स द्वारा निर्धारित की जाएगी और एकल स्पाइक का कारण होगी। यही है, अगर अभिव्यक्ति में अवधारणाओं के बीच एक अनुकूलता है, तो एक अवधारणा के न्यूरॉन्स एक एकल स्पाइक के साथ प्रतिक्रिया करेंगे जब इसके साथ जुड़ी एक और अवधारणा लहर विवरण में दिखाई देती है।

एक डिटेक्टर पैटर्न के न्यूरॉन्स के एक साथ एकल स्पाइक इसी पहचान की लहर को ट्रिगर करने का आधार है। यह पता चला है कि एक अवधारणा को स्थापित करने और अपनी तरंग पहचानकर्ता को वितरित करने के बाद, कोई भी तरंग विवरण में इसके साथ जुड़ी अवधारणाओं का एक सेट प्राप्त कर सकता है। इसकी तुलना इस तरह से की जा सकती है कि अनुरोध पर डेटाबेस इस क्वेरी के मानदंडों से मेल खाने वाले सभी रिकॉर्डों को सूचीबद्ध करता है। डेटाबेस से सूची प्राप्त करने के बाद, हम इस सूची के साथ काम करने के लिए अतिरिक्त एल्गोरिदम का उपयोग करते हैं। इसी तरह, आप मस्तिष्क के काम की कल्पना कर सकते हैं। संघों तक पहुंच प्राप्त करना उनके काम के चरणों में से एक है। अतिरिक्त प्रतिबंध न्यूरॉन्स की गतिविधि पर लगाए जा सकते हैं, जो संघों के केवल भाग को लहर विवरण में तोड़ने की अनुमति देगा। इन अतिरिक्त प्रतिबंधों का सार काफी हद तक सोच में निहित सूचना प्रक्रियाओं को निर्धारित करता है।

साहित्य का इस्तेमाल किया

विस्तार

पिछले भाग:
भाग 1. न्यूरॉन
भाग 2. कारक
भाग 3. अवधारणात्मक, दृढ़ नेटवर्क
भाग 4. पृष्ठभूमि गतिविधि
भाग 5. मस्तिष्क की तरंगें
भाग 6. प्रोजेक्शन सिस्टम
भाग 7. मानव कंप्यूटर इंटरफ़ेस
भाग 8. तरंग नेटवर्क में कारकों का अलगाव
भाग 9. न्यूरॉन डिटेक्टरों के पैटर्न। उलटा प्रक्षेपण
भाग 10. स्थानिक स्व-संगठन

सोचने का तर्क। भाग 11. डायनेमिक न्यूरल नेटवर्क। संबद्धता

More articles: