😗 🚌 🔪 एक सक्रियण डेटाबेस के रूप में तंत्रिका नेटवर्क 🎅🏾 🙋🏾 🍃

तंत्रिका नेटवर्क पर AI सार्वभौमिक होने के लिए, आपको यह समझने की जरूरत है कि बहुमुखी प्रतिभा के लिए तंत्रिका नेटवर्क क्या पर्याप्त नहीं है। ऐसा करने के लिए, तंत्रिका नेटवर्क पर किसी भी कार्यक्रम के पूर्ण निष्पादन को लागू करने का प्रयास करें।इसके लिए सशर्त संक्रमण, शर्तों, पढ़ने और डेटा संरचनाओं को लिखने की आवश्यकता होगी। उसके बाद, ऑब्जेक्ट-ओरिएंटेड न्यूरल नेटवर्क बनाना संभव होगा। लेख को भागों में विभाजित करना होगा।

विभिन्न प्रकार के तंत्रिका समूहों पर विचार करें। संवेदी और प्रभावकार समूहों का उल्लेख पहले ही किया जा चुका है।
यदि यह है और , यह केवल तभी सक्रिय होता है जब सभी स्थितियां सक्रिय होती हैं - अर्थात, सिग्नल सभी सिनेप्स पर आ गया है।
या- ट्रिगर अगर कम से कम एक विशेषता सक्रिय हो गया है। यदि यह क्लस्टर एक श्रृंखला का हिस्सा है, तो बैकवर्ड चेनिंग अनिवार्य है - यह एंड कंडीशन द्वारा जुड़ा हुआ है। दूसरे शब्दों में, एक क्लस्टर केवल तभी सक्रिय होता है जब श्रृंखला का पिछला क्लस्टर सक्रिय होता है और इसकी अपनी कोई भी स्थिति भी काम करती है। प्रोग्रामिंग भाषाओं के अनुरूप, श्रृंखला संचार केंद्रीय प्रोसेसर में एक निर्देश सूचक के रूप में कार्य करता है - एक संकेत "मैं क्लस्टर की शेष स्थितियों के निष्पादन की अनुमति देता हूं"। आइए कुछ कोड देखें।

एनसी वर्ग; // न्यूरोक्लस्टर
क्लास लिंक {
	सार्वजनिक:
		नेकां और _from;
		NC & _to;
		...
};
क्लास लिंकओ; / * आउटगोइंग लिंक के लिए कंटेनर। बढ़ावा के आधार पर करने के लिए सुविधाजनक :: घुसपैठ
 - स्मृति को बचाने और प्रदर्शन में सुधार करने के लिए * /
क्लास LinksI; // भी बढ़ावा के आधार पर :: घुसपैठ
स्ट्रक्चर न्यूरॉन 1 {
	qreal _activation = 0;
	static const qreal _threashold = 1;//          ,   .
	bool activated()const {
		return _activation >= _threshold;
	}
};
struct NeuronAT {
	qreal _activation = 0;
	qreal _threashold = 1;//  
	bool activated()const {
		return _activation >= _threshold;
	}
};
class NC {
	public:
		LinksO _next;
		LinksO _down;
		
		LinksI _prev;
		LinksI _up;
		
		NeuronA1 _nrnSumPrev;
		NeuronAT _nrnSumFromBottom;
		...
}
//  ,     _nrnSumPrev:
void NC::sendActivationToNext() {
	for(Link& link: _next) {
		link._to._nrnSumPrev._activation += 1;
	}
}
//      - and/or/not  :
bool NC::allowedToActivateByPrevChain()const {
	if(_prev.isEmpty())//    ,    ,    .
		return true;//    ,     .
	return _nrnSumPrev.activated();
	//         ,         .
	//      0    .
	// -     ,   -     ,    .
}

ध्यान दें कि _prev में आमतौर पर कोई लिंक या एक लिंक नहीं होता है। यह मेमोरी चेन से एक उपसर्ग वृक्ष बनाता है: _next में आपके जितने लिंक हो सकते हैं, और _prev में एक से अधिक नहीं हो सकते हैं। केवल सामान्य उपसर्ग पेड़ों में प्रत्येक स्थिति में केवल एक अक्षर होता है, और तंत्रिका नेटवर्क में वर्णों की एक मनमानी संख्या होती है। इसके लिए धन्यवाद, यहां तक कि ज़ालिज़निअक के शब्दकोश को संग्रहीत करने से बहुत अधिक स्मृति नहीं होगी।

अब, सुविधा के लिए, हम आगे दौड़ेंगे और इसलिए कि बाद में हमें ऐसे कोड को फिर से लिखना नहीं पड़ेगा, हम तुरंत न्यूरॉन्स और सक्रियण से छुटकारा पा लेंगे।
यदि क्लस्टर किसी तरह सक्रियण इतिहास को बनाए रखते हैं, और अपनी सक्रियता को दूसरों के पास नहीं भेजते हैं, तो हम इस फ़ंक्शन को इस तरह से फिर से लिख सकते हैं:

बूल नेकां :: अनुमतToActivateByPrevChain () const {
	के लिए (लिंक और लिंक: _prev) {
		NC & nc = link._from;
		if (nc.wasActivated ()) // अंतिम चक्र की जांच करें
			झूठा लौटना;
	}
	सच लौटना;
}

फिर बहुत सारी समस्याएं तुरंत दूर हो जाएंगी:
1) कई पूर्वानुमान चक्रों के बाद, तंत्रिका नेटवर्क की स्थिति को बहाल करना आवश्यक नहीं है - क्लस्टर दोनों संगत चक्रों के लिए उनकी सक्रियता के बारे में जानकारी संग्रहीत और संग्रहीत करते हैं। भविष्यवाणी को बहुत अधिक बार और आगे के अंतराल पर शामिल किया जा सकता है।
2) तंत्रिका नेटवर्क परिवर्तनों के लिए प्रतिरोधी है: यदि क्लस्टर से कनेक्शन को क्लस्टर में जोड़ा गया था, तो आपको गंतव्य क्लस्टर पर सक्रियण को योग करने के लिए फिर से संकेत भेजने की आवश्यकता नहीं है - आप तुरंत शर्तों की जांच कर सकते हैं। कोड अधिक कार्यात्मक-प्रतिमान बन जाता है - कम से कम दुष्प्रभाव।
3) मनमाना सिग्नल देरी को लागू करना संभव हो जाता है: यदि सक्रियण कैश विभिन्न चक्रों के लिए डेटा संग्रहीत कर सकता है, तो आप जांच सकते हैं कि क्या एन चक्रों के क्लस्टर पहले सक्रिय थे।
ऐसा करने के लिए, कनेक्शन के लिए एक चर पैरामीटर जोड़ें - विलंब समय:

क्लास लिंक {
	...
	int _delay = 1;
};

और फिर फ़ंक्शन को इस तरह संशोधित किया जाता है:

बूल नेकां :: अनुमतToActivateByPrevChain () const {
	के लिए (लिंक और लिंक: _prev) {
		NC & nc = link._from;
		if ((nc.wasActivated (link._delay)) // एन चक्र वापस देखें
			झूठा लौटना;
	}
	सच लौटना;
}

4) हम "घास में यार्ड, घास पर जलाऊ लकड़ी, ..." हकलाना से छुटकारा पा लेते हैं: नए चक्र से संकेत पुराने वाले को अधिलेखित नहीं करेंगे, और इसके विपरीत।
5) कोई खतरा नहीं है कि सक्रियण दूर हो जाएगा (अपने आप से, समय-समय पर) जब यह अभी भी आवश्यक है। आप समय में बहुत पीछे की स्थितियों की जांच कर सकते हैं।
6) अंत में, आप "लयबद्ध गतिविधि प्रबंधन के माध्यम से तंत्रिका नेटवर्क प्रबंधन", "इलेक्ट्रोएन्सेफेलोग्राम के नियंत्रण संकेतों के लिए विज़ुअलाइज़ेशन के तरीके", "इलेक्ट्रोएन्सेफेलोग्राम को नियंत्रित करने के लिए विशेष डीएसएल" और इस सब को बाहर फेंकने के बारे में एक दर्जन लेख नहीं लिख सकते हैं:

अब इस तरह के एक सक्रियण कैश को लागू करने के बारे में:
1) ईएनएस हमें सक्रियण कैश रखने के लिए तीन विकल्प देता है: न्यूरोक्लस्टर में अपने न्यूरॉन्स में वर्तमान सक्रियण, सक्रियण (पहचान तरंगों के रूप में?) हिप्पोकैम्पस में (यहां यह क्लस्टर पर ही लंबे समय तक संग्रहीत होता है), और दीर्घकालिक स्मृति। यह आधुनिक प्रोसेसर की तरह, तीन-स्तरीय कैश निकला।
2) सॉफ्टवेयर मॉडल में, पहली नज़र में सक्रियण कैश प्रत्येक क्लस्टर में आसानी से स्थित है।
3) अधिक विशेष रूप से, हमारे पास पहले से ही यह है और वह है: इस मॉडल में हिप्पोकैम्पस एक मेमोरी चेन बनाता है, और सभी क्लस्टर्स के लिए लिंक जो सक्रिय थे और उस समय बाधित नहीं हुए थे जब मेमोरी चेन में प्रवेश किया जाता है। और प्रत्येक कनेक्शन को एक क्लस्टर में आउटगोइंग और दूसरे में इनकमिंग के रूप में संग्रहीत किया जाता है। इससे पता चलता है कि "कैश" वास्तव में कैश नहीं है, बल्कि दीर्घकालिक स्मृति भी है। केवल जैविक तंत्रिका नेटवर्क केवल सक्रियण के माध्यम से, और ANN कर सकते हैं, सीधे लंबी अवधि की स्मृति से जानकारी नहीं निकाल सकते हैं। यह ईएनएस के ऊपर एआई का लाभ है, जो मूर्खतापूर्ण रूप से उपयोग नहीं करने के लिए है - अगर हमें अर्थ संबंधी जानकारी की आवश्यकता है तो सक्रियण से परेशान क्यों हैं?

इसलिए, यह जांचने के लिए कि क्या क्लस्टर सक्रिय एन स्टेप्स वापस आ गया है, आप निम्नलिखित (अनुकूलित नहीं) छद्मकोड का उपयोग कर सकते हैं:

नेकां * मस्तिष्क :: _ हिप्पो; // वर्तमान क्लस्टर जिसमें वर्तमान घटनाओं को जोड़ा जाता है
NC* NC::prevNC(int stepsBack)const {
	//       _prev
	//   link._delay,       .
	// , () 
}
bool NC::wasActivated(int stepsAgo)const {
	NC* timeStamp = _brain._hippo->prevNC(stepsAgo);
	if(!timeStamp)//       
		return false;
	return linkExists(timeStamp, this);
//      ,   boost    intrusive ,
//  ,    node    2  3 
}

यदि, एक सक्रियण के बजाय जो विस्मरण में चला गया है, तो न केवल कनेक्शन की उपस्थिति को संरक्षित करना आवश्यक है, बल्कि सक्रियण बल भी है, फिर संबंधित क्षेत्र को कनेक्शन में ही जोड़ा जा सकता है। अन्य क्षेत्रों का उपयोग इस उद्देश्य के लिए किया जा सकता है, अतिरिक्त लोगों को पेश किए बिना: उदाहरण के लिए, "महत्व", जिस पर संचार जीवन काल निर्भर करता है।
लेकिन उन समूहों के बारे में क्या है, जिनमें सक्रियता दहलीज तक नहीं पहुंचती है, लेकिन फिर भी उपयोगी है, उदाहरण के लिए, फजी मान्यता के लिए, या संभावनाओं का गलत मूल्यांकन, आदि? एक अनौपचारिक समाधान सभी समान कनेक्शनों का उपयोग करना है। ऐसा करने के लिए, या तो क्लस्टर के भीतर अतिरिक्त कंटेनरों का निर्माण करें और उन्हें वहां जोड़ें (ताकि काम करने वाले सामान्य लोगों के साथ मिश्रण न करें), या यहां तक कि एक हीप में सब कुछ के साथ हस्तक्षेप करें, और उन्हें केवल बल द्वारा अलग करें। ऐसे कनेक्शनों को तेजी से हटाने की आवश्यकता होगी, क्योंकि वे दूसरों की तुलना में बड़े परिमाण का एक क्रम हैं। एक अधिक अनुकूलित समाधान: प्रत्येक क्लस्टर एक सामान्य सक्रियण कैश संग्रहीत करता है - उदाहरण के लिए, 16 तत्वों का एक गोलाकार बफर (रिंग), जहां प्रत्येक तत्व उस चक्र के लिए चक्र संख्या और सक्रियण बल संग्रहीत करता है। एक दो-स्तरीय कैश है: कमजोर संकेतों के लिए, सबथ्रेशोल्ड, और सबसे हाल ही में - क्लस्टर में एक बफर,अन्यथा, दीर्घकालिक स्मृति के लिए संचार। यह मत भूलो कि इन लेखों में केवल छद्मकोड और भोले एल्गोरिदम दिखाए जाते हैं, और अनुकूलन के मुद्दे बहुत अधिक जगह ले सकते हैं।

एक सक्रियण डेटाबेस के रूप में तंत्रिका नेटवर्क

More articles: