Flüssigkeitszustandsmaschine - Liquid state machine

Eine Liquid State Machine ( LSM ) ist eine Art Reservoir-Computer , der ein neuronales Netzwerk mit Spiking verwendet . Ein LSM besteht aus einer großen Sammlung von Einheiten (genannt Knoten oder Neuronen ). Jeder Knoten empfängt zeitveränderliche Eingaben von externen Quellen (den Eingaben ) sowie von anderen Knoten. Knoten sind zufällig miteinander verbunden . Die wiederkehrende Natur der Verbindungen verwandelt den zeitlich variierenden Input in ein räumlich-zeitliches Muster von Aktivierungen in den Netzwerkknoten. Die räumlich-zeitlichen Aktivierungsmuster werden durch lineare Diskriminanzeinheiten ausgelesen .

Die Suppe aus wiederkehrenden Knoten wird am Ende eine Vielzahl von nichtlinearen Funktionen auf der Eingabe berechnen . Bei einer ausreichend großen Vielfalt solcher nichtlinearer Funktionen ist es theoretisch möglich, Linearkombinationen (unter Verwendung der Ausleseeinheiten) zu erhalten, um jede mathematische Operation durchzuführen, die zum Ausführen einer bestimmten Aufgabe, wie Spracherkennung oder Computer Vision, benötigt wird .

Das Wort Flüssigkeit im Namen kommt von der Analogie, einen Stein in ein stilles Gewässer oder eine andere Flüssigkeit fallen zu lassen. Der fallende Stein erzeugt Wellen in der Flüssigkeit. Der Input (Bewegung des fallenden Steins) wurde in ein räumlich-zeitliches Muster der Flüssigkeitsverschiebung (Wellen) umgewandelt.

LSMs wurden vorgeschlagen, um die Funktionsweise des Gehirns zu erklären . Es wird argumentiert, dass LSMs eine Verbesserung gegenüber der Theorie künstlicher neuronaler Netze darstellen, weil:

  1. Schaltkreise sind nicht fest codiert, um eine bestimmte Aufgabe auszuführen.
  2. Zeitkontinuierliche Eingaben werden "natürlich" behandelt.
  3. Berechnungen auf verschiedenen Zeitskalen können unter Verwendung desselben Netzwerks durchgeführt werden.
  4. Dasselbe Netzwerk kann mehrere Berechnungen durchführen.

Kritikpunkte an LSMs, wie sie in der Computational Neuroscience verwendet werden, sind, dass

  1. LSMs erklären nicht wirklich, wie das Gehirn funktioniert. Bestenfalls können sie einige Teile der Gehirnfunktionalität nachbilden.
  2. Es gibt keine garantierte Möglichkeit, ein funktionierendes Netzwerk zu analysieren und herauszufinden, wie oder welche Berechnungen durchgeführt werden.
  3. Sehr wenig Kontrolle über den Prozess.

Näherung der universellen Funktion

Wenn ein Reservoir einen schwindenden Speicher und eine Eingabetrennbarkeit hat , kann mit Hilfe einer Auslesung nachgewiesen werden, dass die Flüssigkeitszustandsmaschine ein universeller Funktionsapproximator mit dem Satz von Stone-Weierstrass ist .

Siehe auch

Bibliotheken

  • LiquidC#: Implementierung einer topologisch robusten Flüssigkeitszustandsmaschine mit einem neuronalen Netzwerkdetektor [1]

Verweise