Global Temporal Dynamic

토론
여기에 설명 된 연구는 살아있는 신경 시스템의 시간적 동적에 의해, 특히 인간과 고등 동물의 시간 능력에 의해 동기 부여됩니다. 우리의 두뇌는 시간에 따라 변하는 신호에 반응 할 수 있고, 시간에 따라 변하는 패턴을 생성 할 수 있고, 시간에 따라 정보를 처리 할 수 ​​있으며, 임의의 시간 간격으로 정신적으로 개념과 이미지를 표현할 수 있으며, 진행중인 자립적 활동의 다른 상태를 가질 수 있습니다 ( 깨우다, 깨우다, 자고있다). 더구나 우리는 시간과 관련된 기술과 역 동성을 자동적으로 가지고있는 것처럼 보입니다. 명백한 통제 시간 시계가 없음에도 불구하고 뇌에서의 내부 처리의 조정; 발진 (예 : 호흡 신경 세포) 또는 다른보다 복잡한 지속 활동 ( "자발적 활동")을 통해 뇌의 많은 영역에서 자립적 인 동적 활동이 존재하는 것으로 나타났습니다. 이러한 광범위한 시간적 능력과 시간에 따른 활동은 이러한 과정의 근본을 이루는 시간적으로 역동적 인 신경망을 가리킨다. 지금까지 많은 신경 모델은 패턴 매핑 능력을 보여 주었지만 모델링하려는 시스템의 역동 성과 시간적 행동이 부족합니다.
우리는 신경 네트워크에서 동적 인 활동에 관련된 일련의 패러다임을 탐구 해 왔습니다. 우리는 어떻게 신경 네트워크의 단순한 모델이 역동적 인 attractors, 자립적 인 활동 및 혼돈을 개발할 수 있는지 설명했습니다. 체중 배율 인 매개 변수 g를 제어하면 단순 고정 점 애 트렉터에서 혼돈으로 진행되는 동역학을 조정할 수 있습니다. 일단 신경망에서 카오스 활동 패턴을 생성하면 자극 패턴을 적용하고 네트워크를 한계 사이클 애 트렉터에 고정시킬 수 있습니다. 이 시나리오는 패턴 인식 및 신호 분류를 수행 할 수있는 잠재적 인 방법을 제시합니다. 동적 시스템은 attractor에 대해 복잡한 유역 경계를 가질 수 있기 때문에 이러한 유형의 접근에서 성능 및 일반화 기능이 향상 될 것으로 기대하는 이유가 있습니다.
신경망에서 다중 attractor를 개발하는 것은 weight perturbations을 가진 accretional 방법을 통해 수행 될 수있다. 결과 네트워크에서 일련의 초기 상태는 각각 자신의 어 트랙터를 나타냅니다. 패턴 분류와 연상 메모리에서의 계산 작업은 다른 동적 인 attractor를 불러 일으키는 초기 상태를 통해 수행 될 수 있습니다.
역동적 인 이진 네트워크에서, attractor basin의 탐구와 그 유역의 유연성은 attractor의 용량이 정적 Hopfield network (0.15n)의 기억의 수보다 상당히 높다는 것을 보여 주었다. 다이나믹 바이너리 네트워크에서 5 개의 뉴런 만 있으면 수천 개의 유역 클래스 (서로 다른 유역으로의 패턴 구분)를 달성 할 수 있습니다.
신경 네트워크에 특정 attractor를 훈련시키기 위해, 시간 지연을 지닌 신경 네트워크가 closed-loop 궤도를 생성하도록 훈련되었습니다. 트레이닝 된 네트워크는 시끄러운 시작 조건과 초기 세그먼트가 다르더라도이 궤적을 생성합니다. 그 결과 통신 및 제어 어플리케이션을위한 강력한 신호 및 경로 생성기가 탄생했습니다.
임펄스 열차는 생물학적 신경 시스템에서 새로운 시공간 프로세싱을 추가합니다. 뉴런의 앙상블 사이의 신경 자극 및 동기화의 시간 패턴은 정보 처리 및 표현을위한 추정 코드입니다. 뉴런 및 신경 앙상블의 발화 활동은 생물학적 신경 처리의 임펄스 트레인 구조에 겹쳐지는 과도 현상 및 동적 인 attractor를 반영 할 수 있습니다.
Spatiotemporal 신호의 인식과 생성에 대한 일반적인 문제는 많은 연구가 이루어져야하지만 동적 인 신경망으로 해결할 수 있습니다. 동적 진동 어트 락터를 기반으로자가 유지 활동을 생성하고 훈련하는 기능은 여기에 설명 된 예비 결과에 나와 있습니다.