Maskin för flytande tillstånd

En vätsketillståndsmaskin ( LSM ) är en typ av reservoardator som använder ett spikande neuralt nätverk . En LSM består av en stor samling enheter (kallade noder eller neuroner ). Varje nod tar emot tidsvarierande input från externa källor (ingångarna ) såväl som från andra noder. Noder är slumpmässigt kopplade till varandra. Anslutningarnas återkommande karaktär förvandlar den tidsvarierande inmatningen till ett rums -temporalt mönster av aktivering i nätverksnoderna. De spatio-temporala mönstren för aktivering läses ut av linjära diskriminantenheter .

Soppan av återkommande anslutna noder kommer att sluta beräkna en stor mängd olinjära funktioner på ingången. Givet en tillräckligt stor variation av sådana olinjära funktioner är det teoretiskt möjligt att erhålla linjära kombinationer (med hjälp av de utlästa enheterna) för att utföra vilken matematisk operation som krävs för att utföra en viss uppgift, såsom taligenkänning eller datorseende .

Ordet vätska i namnet kommer från analogin som dras till att tappa en sten i en stillastående vattenmassa eller annan vätska. Den fallande stenen kommer att generera ringar i vätskan. Ingången (den fallande stenens rörelse) har omvandlats till ett spatio-temporalt mönster av vätskeförskjutning (krusningar).

hjärnans funktion . LSM hävdas vara en förbättring jämfört med teorin om artificiella neurala nätverk eftersom:

1. Kretsar är inte hårdkodade för att utföra en specifik uppgift.
2. Kontinuerliga tidsinmatningar hanteras "naturligt".
3. Beräkningar på olika tidsskalor kan göras med samma nätverk.
4. Samma nätverk kan utföra flera beräkningar.

Kritik av LSM som används inom beräkningsneurovetenskap är att

1. LSM förklarar faktiskt inte hur hjärnan fungerar. I bästa fall kan de replikera vissa delar av hjärnans funktionalitet.
2. Det finns inget garanterat sätt att dissekera ett fungerande nätverk och ta reda på hur eller vilka beräkningar som utförs.
3. Mycket liten kontroll över processen.

Universell funktionsapproximation

Om en reservoar har blekningsminne och ingångsseparerbarhet , med hjälp av en avläsning, kan det bevisas att vätsketillståndsmaskinen är en universell funktionsapproximator med hjälp av Stone–Weierstrass teorem .

Se även

• Ekotillståndsnätverk : liknande koncept i återkommande neurala nätverk
• Reservoarberäkning : det konceptuella ramverket
• Självorganiserande karta

Bibliotek

• LiquidC#: Implementering av topologiskt robust vätsketillståndsmaskin med en neuronal nätverksdetektor [ 1]

•     Maass, Wolfgang; Natschläger, Thomas; Markram, Henry (november 2002), "Real-time computing without stabil states: a new framework for neural computation based on perturbations" ( PDF) , Neural Comput , 14 (11): 2531–60, CiteSeerX 10.1.1.183.2874 , doi : 10.1162/089976602760407955 , PMID 12433288 , S2CID 1045112 , arkiverad från originalet den 22 februari 2012. {{ citation } } : CS1 maint : unfit URL
• Wolfgang Maass; Thomas Natschläger; Henry Markram (2004), "Computational Models for Generic Cortical Microcircuits" (PDF) , In Computational Neuroscience: A Comprehensive Approach, Ch 18 , 18 : 575–605