Zur Konstruktion künstlicher Gehirne

این کتاب اولین نسل از مغزهای مصنوعی برای بینایی را ارائه می دهد. منحصراً بر اساس مدل‌های نورون و سیناپس، یک سیستم تشخیص شی ساخته شده است که شامل یک هرم ویژگی با 8 جهت و 5 مقیاس وضوح برای 1000 شی و شبکه‌هایی برای اتصال ویژگی‌ها به اجسام است. این سیستم بصری می‌تواند مستقل از نور باشد. حالت چهره، فاصله و چرخشی که اجزای جسم را قابل مشاهده می کند، اشیا را تشخیص می دهد. تحقق آن به 59 تراشه - 4 تای آنها متفاوت است - نیاز دارد که با استفاده از فناوری 3 بعدی روی هم چیده شده اند تا مکعبی به ابعاد 8mm x 8mm x 1mm را تشکیل دهند.

عملکرد شبکه عصبی-سیناپسی مبتنی بر معرفی سیناپس‌های پویا به سرعت در حال تغییر است. برخلاف شبکه‌هایی که سیناپس‌های ثابت دارند، شبکه‌هایی که سیناپس‌های پویا دارند می‌توانند وظایف تشخیص الگوی کلی را انجام دهند. ساختار همبستگی مکانی-زمانی الگوها به طور جهانی توسط یک معادله دیفرانسیل سیناپسی منفرد گرفته شده است. همبستگی می‌تواند به صورت ضربان همزمان گروهی از نورون‌ها ظاهر شود، که نشان‌دهنده وجود یک ویژگی به شیوه‌ای قوی، یا به عنوان اتصال ویژگی‌ها به اشیا است.

حتی اگر نویسندگان متقاعد شده باشند که برای دستیابی به عملکرد مغز انسان باید نسل‌های زیادی را دنبال کنند، عصر محاسباتی جدیدی در حال طلوع است. زمانی بود که رایانه‌ها با دقت، قابلیت اطمینان و سرعت فوق‌العاده‌شان، به همان اندازه که هواپیماهای جت از گنجشک‌ها برتری دارند، از ماده مرطوب مغز ما برتری داشتند. مسلم است که این زمان ها به پایان رسیده است، زیرا سیستم های الهام گرفته از منطق رسمی، کنترل الگوریتمی و تحقق یافته با الکترونیک دیجیتال، کامپیوترهای امروزی به مرزهای پیچیدگی خود می رسند، از سوی دیگر، نتایج ارائه شده در اینجا راه را برای جایگزینی باز می کند. یک تغییر پارادایم در هوا وجود دارد: از سازمان‌دهی بیرونی به رایانه خودسازمان‌یافته.

In diesem Buch wird eine erste Generation von künstlichen Hirnen für das Sehen vorgestellt. Auf der ausschlie"slichen Grundlage von Neuron- und Synapsenmodellen wird ein Objekterkennungssystem konstruiert, welches eine Merkmalspyramide mit 8 Orientierungen und 5 Auflösungsskalen für 1000 Objekte sowie die Netze für die Bindung von Merkmalen zu Objekten umfasst. Dieses Sehsystem kann unabhängig von der Beleuchtung, dem Gesichtausdruck, der Entfernung und einer Drehung, welche die Objektkomponenten sichtbar lä"st, Objekte erkennen. Seine Realisierung erfordert 59 Chips - davon sind 4 verschieden - welche mittels 3D Technologie zu einem Quader von 8mm x 8mm x 1mm aufgeschichtet sind.

Die Leistungsfähigkeit des neuronal-synaptischen Netzwerkes beruht auf der Einführung von schnell veränderlichen dynamischen Synapsen. Anders als Netze mit konstanten Synapsen können solche mit dynamischen Synapsen allgemeine Aufgaben der Mustererkennung übernehmen. Die raum-zeitliche Korrelationsstruktur von Mustern wird durch eine einzige synaptische Differentialgleichung in universeller Weise erfasst. Die Korrelation kann in Erscheinung treten als synchrone Pulstätigkeit einer Neurongruppe, wodurch das Vorliegen eines Merkmals in robuster Weise angezeigt wird, oder als Bindung von Merkmalen zu Objekten.

Auch wenn die Autoren der Überzeugung sind, dass noch viele Generationen folgen müssen, um die Leistungsfähigkeit des menschlichen Gehirns zu erreichen, sehen sie doch ein neues Rechen-Zeitalter aufziehen. Es gab Zeiten, da wurden Computer mit ihrer Präzision, Zuverlässigkeit und rasanten Geschwindigkeit der feuchten Materie unseres Gehirns als so weit überlegen angesehen wie das Düsenflugzeug dem Spatzen. Da"s diese Zeiten vorbei sind, ist gewi"s, denn durch formale Logik inspirierte, algorithmisch gesteuerte und mit digitaler Elektronik realisierte Systeme, die heutigen Computer, sto"sen an ihre Komplexitätsgrenzen. Andererseits eröffnen die hier vorgestellten Ergebnisse den Weg zu einer Alternative. Ein Paradigmenwechsel liegt in der Luft: vom fremdorganisierten zum selbstorganisierten Computer.