Holografiskt associativt minne

För holografisk datalagring är holografiskt associativt minne ( HAM ) ett informationslagrings- och hämtningssystem baserat på holografins principer . Hologram görs genom att använda två ljusstrålar, kallade en "referensstråle" och en "objektstråle". De producerar ett mönster på filmen som innehåller dem båda. Efteråt, genom att återskapa referensstrålen, återskapar hologrammet en visuell bild av originalobjektet. I teorin skulle man kunna använda objektstrålen för att göra samma sak: reproducera den ursprungliga referensstrålen. I HAM fungerar informationsbitarna som de två strålarna. Var och en kan användas för att hämta den andra från mönstret. Det kan ses som ett artificiellt neuralt nätverk som efterliknar hur hjärnan använder information. Informationen presenteras i abstrakt form av en komplex vektor som kan uttryckas direkt av en vågform som har frekvens och magnitud. Denna vågform är analog med elektrokemiska impulser som tros överföra information mellan biologiska neuronceller .

Definition

HAM är en del av familjen av analoga, korrelationsbaserade, associativa, stimulus-responsminnen, där information kartläggs på fasorienteringen av komplexa tal som fungerar. Det kan betraktas som ett komplext värderat artificiellt neuralt nätverk . Det holografiska associativa minnet uppvisar några anmärkningsvärda egenskaper. Holografer har visat sig vara effektiva för associativa minnesuppgifter , generalisering och mönsterigenkänning med föränderlig uppmärksamhet. Möjligheten till dynamisk söklokalisering är central för det naturliga minnet. Till exempel, i visuell perception, tenderar människor alltid att fokusera på vissa specifika objekt i ett mönster. Människor kan enkelt ändra fokus från objekt till objekt utan att behöva lära sig om. HAM tillhandahåller en beräkningsmodell som kan efterlikna denna förmåga genom att skapa representation för fokus. I hjärtat av detta nya minne ligger en ny bimodal representation av mönster och ett hologramliknande komplext sfäriskt vikttillståndsutrymme. Förutom de vanliga fördelarna med associativ beräkning, har denna teknik också utmärkt potential för snabb optisk realisering eftersom de underliggande hypersfäriska beräkningarna naturligt kan implementeras på optiska beräkningar.

Den bygger på principen om informationslagring i form av stimulus-svarsmönster där information presenteras genom fasvinkelorientering av komplexa tal på en Riemann-yta . Ett mycket stort antal stimulus-svarsmönster kan läggas över eller "inbäddas" på ett enda neuralt element. Stimulus-responsassociationer kan både kodas och avkodas i en icke-iterativ transformation. Den matematiska grunden kräver ingen optimering av parametrar eller feltillbakaförökning, till skillnad från anslutningistiska neurala nätverk . Det huvudsakliga kravet är att stimulusmönster ska göras symmetriska eller ortogonala i den komplexa domänen. HAM använder typiskt sigmoid -förbearbetning där råa indata ortogonaliseras och konverteras till gaussiska distributioner.

Funktionsprinciper

1) Stimulus-respons-associationer både lärs in och uttrycks i en icke-iterativ transformation. Ingen backpropagation av feltermer eller iterativ bearbetning krävs.

2) Metoden bildar en icke- anslutningsmodell där förmågan att överlagra en mycket stor uppsättning analoga stimulus-svarsmönster eller komplexa associationer finns inom den individuella neuroncellen .

3) Den genererade fasvinkeln kommunicerar svarsinformation och magnituden kommunicerar ett mått på igenkänning (eller förtroende för resultatet).

4) Processen tillåter en förmåga med neurala system för att etablera dominansprofil för lagrad information, och på så sätt uppvisa en minnesprofil av alla intervall - från korttids- till långtidsminne .

5) Processen följer icke-störningsregeln, det vill säga att tidigare stimulus-respons-associationer påverkas minimalt av efterföljande lärande.

6) Informationen presenteras i abstrakt form av en komplex vektor som kan uttryckas direkt av en vågform som har frekvens och magnitud. Denna vågform är analog med elektrokemiska impulser som tros överföra information mellan biologiska neuronceller .

Se även

• OCH Corporation
• Holografiskt minne
• Holonomisk hjärnteori
• Glest distribuerat minne

Bibliografi

• Sutherland, J., Holographic Models of Memory, Learning and Expression, International Journal of Neural Systems , 1(3), 1990, pp356–267
• JI Khan. Attention Modulated Associative Computing och Content-Associative Search in Image Archive . Doktorsavhandling, University of Hawaii, augusti 1995.
• KI Khan och DY Yun. Kännetecken för multidimensionellt holografiskt associativt minne vid hämtning med dynamiskt lokaliserbar uppmärksamhet . IEEE Transactions on Neural Networks , 9(3):389–406, maj 1998.
• HE Michel, AAS Awwal, Förbättrade artificiella neurala nätverk med hjälp av komplexa tal , Neural Networks , 1999. Proceedings. 1999 IEEE International Joint Conference on
• R Stoop, J Buchli, G Keller, WH Steeb, Stokastisk resonans vid mönsterigenkänning av en holografisk neuronmodell , Physical Review E , 2003.
• Y Hendra, RP Gopalan, MG Nair, En metod för dynamisk indexering av stora bilddatabaser, Systems, Man, and Cybernetics , 1999. IEEE SMC'99.
• HE Michel, S Kunjithapatham, Processing Landsat TM-data med komplext värderade neurala nätverk , Proceedings of SPIE , International Society for Optical, 2002.
• RP Gopalan, G Lee, Indexing of Image Databases Using Untrained 4D Holographic Memory Model, 15th Australian Joint Conference on Artificial Intelligence , - Springer Page 1. RI McKay och J. Slaney (Eds.): AI 2002, LNAI 2557, s. 237 –248.
• RWTH Aachen, IH Ney, Approaches to Invariant Image Object Recognition, [1]