Fysikere træner det oscillerende neurale netværk til at genkende billeder

Fysikere fra Petrozavodsk State University har foreslået en ny metode til oscillerende neuralt netværk til at genkende simple billeder. Sådanne netværk med en justerbar synkron tilstand af individuelle neuroner har, formentlig, dynamik svarende til neuroner i den levende hjerne.

ET oscillerende neuralt netværk er en kompleks sammenfletning af interagerende elementer (oscillatorer), der er i stand til at modtage og transmittere svingninger af en bestemt frekvens. Modtagelse af signaler af forskellige frekvenser fra foregående elementer, den kunstige neuron oscillator kan synkronisere sin rytme med disse udsving. Som resultat, i netværket, nogle af elementerne er synkroniseret med hinanden (periodisk og samtidigt aktiveret), og andre elementer er ikke synkroniserede. På denne måde, dannes et rum-tid-billede af synkroniseringsfordelingen. Det er almindeligt blevet antaget, at sådanne processer er ansvarlige for behandling og transmission af information i den menneskelige hjerne, og er derfor af særlig interesse for undersøgelsen.

Forskerne fra Institut for Elektronik og Power Engineering ved Petrozavodsk State University har sat sig målet om mønstergenkendelse baseret på koblede oscillatornetværk implementeret på vanadiumdioxidstrukturer. Fysikere har udviklet en synkroniseringsregistreringsmetode med høj følsomhed og selektivitet. Ved at anvende det i praksis, det er muligt at skabe et netværk, der er i stand til at genkende billeder på samme måde, som biologiske neurale systemer gør.

I undersøgelsen, inputbillederne i form af tre-til-tre dimensionstabeller blev overført til netværket ved at ændre forsyningsstrømmene, og strømme ændrede oscillatorers oscillationsfrekvenser. Som resultat, netværket reagerede på hvert modtaget billede med specifik dynamik. Ideen med den nye metode var at vælge nøglenetværksparametre for at træne systemet til kun at synkronisere for et specifikt inputbillede, hvilket betyder at genkende det.

Synkroniseringstilstanden for outputneuron-oscillatoren i forhold til rytmen af ​​hovedneuron-oscillatoren blev valgt som det optagede outputsignal. Forfatterne demonstrerede, at synkronisering ikke kun kan observeres ved de grundlæggende frekvenser, men også ved deres multiple dele (underharmoniske). En stigning i antallet af synkrone tilstande på grund af subharmoniske kaldes en højordens synkroniseringseffekt. Har flere synkroniseringstilstande samtidigt, neuronen bliver en multilevel neuron. Derfor, et oscillerende netværk af et lille antal neuroner kan udføre komplekse operationer såsom tale, billed- og videogenkendelse, og løse forudsigelser, optimerings- og kontrolproblemer.

Ved at bruge denne ejendom, forskerne konfigurerede netværket på en sådan måde, at forskellige inputbilleder forårsagede forskellige synkroniseringsmønstre af det oscillerende netværk. De opdagede, at netværket var i stand til at genkende op til 14 tre-til-tre figurer ud af 102 mulige varianter, mens der kun er én oscillator ved udgangen.

"I fremtiden, kompakte neurale netværkschips med nanoskalaoscillatorer kan oprettes på basis af disse netværk. Det karakteristiske træk ved den neurale netværksteknologi, som vi udvikler, er et fundamentalt nyt informationsbehandlingssystem. Effekten af ​​højordens synkronisering af pulserede signaler tillader udnyttelse af multilevel neuroner med en høj grad af funktionalitet. Fordelen ved sådanne oscillerende neurale netværk er udsigten til at skabe neurale netværk ved hjælp af en bred vifte af fysiske oscillatorer, herunder magnetiske og elektriske oscillatorer. På samme tid, det uddannede netværk ikke længere har brug for computerberegninger, og fungerer uafhængigt som en separat neural organisme, " siger lektor Andrei Velichko.