Liquid State Machines: Motivation, Theory, and Applications

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Maass W.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 21 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 827 کیلوبایت 

قیمت کتاب (تومان) : 49,000

موسسه علوم کامپیوتر نظری
دانشگاه فناوری گراز ماشین حالت مایع (LSM) به عنوان یک مدل محاسباتی مناسب‌تر از ماشین تورینگ ظاهر شده است. برای توصیف محاسبات در شبکه های بیولوژیکی نورون ها. ویژگی های مشخصه این مدل جدید عبارتند از: (1) این که یک مدل برای سیستم های محاسباتی تطبیقی ​​است، (2) روشی برای استفاده از مدارهای متصل به طور تصادفی یا حتی اشیاء فیزیکی پیدا شده برای محاسبات معنادار، (iii) ارائه یک روش زمینه نظری که در آن گیت‌ها یا پردازنده‌های محلی ناهمگن و نه کلیشه‌ای، قدرت محاسباتی یک مدار را افزایش می‌دهند، (iv) که روشی برای چندگانه‌سازی محاسبات مختلف (در یک ورودی مشترک) در یک مدار فراهم می‌کند. این فصل انگیزه این مدل، پیشینه نظری آن، و کار فعلی بر روی پیاده‌سازی این مدل در دستگاه‌های محاسباتی مصنوعی نوآورانه را بررسی می‌کند. ماشین حالت مایع (LSM) به عنوان یک مدل محاسباتی پیشنهاد شده بود که برای مدل‌سازی محاسبات در ریزمدارهای قشر مغز نسبت به مدل‌های سنتی، مانند ماشین‌های تورینگ یا مدل‌های مبتنی بر جاذبه در سیستم‌های دینامیکی، مناسب‌تر است. بر خلاف این مدل‌های دیگر، LSM مدلی برای محاسبات بلادرنگ بر روی جریان‌های پیوسته داده‌ها (مانند قطارهای سنبله، به عنوان مثال، دنباله‌ای از پتانسیل‌های عمل نورون‌ها که ورودی‌های خارجی را برای یک ریزمدار قشر مغز فراهم می‌کنند) است. به عبارت دیگر: هر دو ورودی و خروجی یک LSM جریانی از داده در زمان پیوسته هستند.

Institute for Theoretical Computer Science
Graz University of Technology The Liquid State Machine (LSM) has emerged as a computational model that is more adequate than the Turing machine for describing computations in biological networks of neurons. Characteristic features of this new model are (i) that it is a model for adaptive computational systems, (ii) that it provides a method for employing randomly connected circuits, or even found physical objects for meaningful computations, (iii) that it provides a theoretical context where heterogeneous, rather than stereotypical, local gates or processors increase the computational power of a circuit, (iv) that it provides a method for multiplexing different computations (on a common input) within the same circuit. This chapter reviews the motivation for this model, its theoretical background, and current work on implementations of this model in innovative artificial computing devices. The Liquid State Machine (LSM) had been proposed in as a computational model that is more adequate for modelling computations in cortical microcircuits than traditional models, such as Turing machines or attractorbased models in dynamical systems. In contrast to these other models, the LSM is a model for real-time computations on continuous streams of data (such as spike trains, i.e., sequences of action potentials of neurons that provide external inputs to a cortical microcircuit). In other words: both inputs and outputs of a LSM are streams of data in continuous time.