Архитектура для основанной на коробах вычислительной системы

Архитектура для основанной на коробах вычислительной системы

Иллюстрации

Показать все

Реферат

Область техники, к которой относится изобретение

Настоящее изобретение относится к программным вычислительным системам, основанным на коробах. В частности, изобретение относится к архитектуре вычислительной системы, использующей коробы для представления и обработки данных.

Уровень техники

Давно было обнаружено, что возможности обработки информации традиционных вычислительных систем значительно отличаются от возможностей обработки информации животного интеллекта, в том числе человеческого интеллекта. Живые системы животного интеллекта лидерствуют при решении задач за счет обращения к аналогиям с прошлым опытом. Традиционные цифровые вычислительные системы лидерствуют при следовании некоторой последовательности шагов для достижения результата. Традиционные аналоговые вычислительные системы лидерствуют в очень специфических вычислительных задачах, а именно тех, которые содержат решение дифференциальных уравнений. Традиционные связывающие вычислительные системы лидерствуют в выполнении интерполяций из одного многомерного пространства в другое на основании примеров, связывающих два пространства по точкам. Традиционные вычислительные системы, в целом сгруппированные под термином "системы искусственного интеллекта", в действительности пытаются эмулировать возможности обработки, имеющиеся у животного интеллекта, но успешность таких попыток ограничена.

Возможности живых систем животного интеллекта обрабатывать информацию являются аналоговыми и очень надежными по своей природе. Такие системы лидерствуют в видении и выполнении того, что аналогично виденному и выполненному ранее, и весьма снисходительны к ошибкам в данных. Термин "коррелитм" часто используется для родового описания процессов, в которых лидерствуют живые системы обработки информации, чтобы отличать их от алгоритмов, т.е. процессов, для которых лидерствуют традиционные системы обработки информации. Построение вычислительных систем, способных приблизиться или повторить эти и прочие уникальные возможности живых систем по обработке информации, было одной из наиболее сложных и наиболее интенсивно преследуемых целей исследований и разработок в течение всей истории искусственных вычислительных систем, и все же результаты на сегодняшний день скудны.

Возможности традиционных вычислительных систем несравненно ниже при решении тех типов задач, с которыми особенно успешно справляются живые вычислительные системы.

Традиционные цифровые вычислительные системы исключительно точны, но неустойчивы. Вычисления в этих системах выполняются посредством изящно оркестрованной последовательности дискретных шагов, включая точные данные. Ошибки всего лишь в единственном бите - минимальной единице различения данных в этих системах - в последовательности ли шагов или в данных, часто делает результат вычисления бесполезным. Мощные усилия в течение многих лет были направлены как на системы аппаратного обеспечения, так и на программное обеспечение, которое исполняется этим аппаратным обеспечением, чтобы избежать или минимизировать такие ошибки. Точность таких традиционных цифровых вычислительных систем и успешность предотвращения неустойчивости исполнения, обусловленной такой точностью, являются ключевыми величинами в развитии цифровой вычислительной индустрии. Точность и неустойчивость, однако, очень далеки от надежной аналоговой обработки информации в живых системах.

Обычно традиционные аналоговые вычислительные системы используются для решения математических уравнений, в частности, дифференциальных уравнений, путем исследования. Выполненные в виде электронных схем эквиваленты таких математических операторов, как сложение, умножение, взятие интеграла и так далее, взаимосвязаны для выработки общего электронного эквивалента конкретного уравнения. Путем варьирования параметров отдельных схем общий электронный эквивалент эмпирически исследует характеристики уравнения, которое он реализует. Хотя аналоговые вычислительные системы обеспечивают в высшей степени полезные функциональные возможности, ясно, что типы вычислений, которые можно приспособить к этой форме вычислений, чрезвычайно специфичны и ограничены. Кроме того, живые системы не очень функциональны при решении уравнений. Поэтому не представляется вероятным, чтобы аналоговые компьютеры могли бы внести значительный вклад в попытку воспроизведения живых систем обработки информации, и в действительности на сегодняшний день аналоговые компьютеры не сделали такого вклада.

Как класс, традиционные связывающие вычислительные системы функционируют в качестве систем интерполяции. Интерполяционные функции, обеспечиваемые многими связывающими системами, берутся из конкретных примеров, называемых "обучающим множеством", которое перечисляет точки в области определения функции интерполяции и для каждой из этих точек указывает единственную точку изображения в области значений функции интерполяции. Другие связывающие системы используют обучающее множество, состоящее только из точек области определения, вырабатывая свои собственные единственные и пригодные точки области значений для каждой из точек области определения. Подробности архитектур, конструкций и операций связывающих систем широко варьируются, как и средства, используемые каждой из таких систем для выработки приемлемых функций интерполяции из обучающих множеств. Для каждого обучающего множества обычно существует много альтернативных связывающих систем, которые обеспечат практически эквивалентные результаты, но в конце концов, все связывающие вычислительные системы обеспечивают приемлемое математическое отображение из одного многомерного пространства в другое.

Связывающие системы показали обеспечение очень полезных функциональных возможностей, которые на самом деле могут быть аналогичны определенным низкоуровневым элементам систем животного интеллекта, но сложно прогнозировать, что появится что-либо подобное полному диапазону возможностей обработки информации животного интеллекта только из функциональных возможностей связывающих систем.

Традиционно компьютерные системы, сгруппированные под термином "искусственный интеллект", сфокусированы непосредственно на попытках дублирования или приближения к различным характеристикам обработки информации систем животного интеллекта. Аспекты области искусственного интеллекта содержат экспертные системы, распознавание образов, робототехнику, эвристику и различные технологии структурирования, сортировки и поиска данных. Было сделано так много впечатляющих ошибок в зафиксированной истории этого вопроса, что сегодня большинство ученых смотрят на искусственный интеллект с некоторым скептицизмом. Несмотря на то, что были достигнуты ограниченные успехи, остается верным часто произносимая сентенция о том, что "эти системы работают в тех случаях, для которых они разработаны, в противном случае они ошибаются". В основе ошибок лежит тот факт, что традиционно практикуемая технология искусственного интеллекта весьма неустойчива. Не хватает именно некоторых надежных аналоговых способностей, всегда имеющихся в изобилии в живых системах обработки информации. Это кажется странным, учитывая предпринимаемые в течение долгих лет расширяющиеся попытки приблизиться к системам искусственного интеллекта, но это подчеркивает тот непреклонный факт, что вся компьютерная промышленность не достигает поставленных перед ней целей.

Сегодня точно неизвестно, как представляются, хранятся и обрабатываются данные в живых системах обработки информации. Работа по раскрытию этих секретов активно велась в течение многих лет и была в основном сфокусирована на биохимических, нейрофизиологических и структурных аспектах живых нейросистем. В ходе этой работы были идентифицированы некоторые ограниченные вычислительные механизмы, но не было описано никаких математических структур данных для родового представления информации в живых нейросистемах, не было выстроено общей теории манипуляций данными и вычислений в живых нейросистемах, и, что наиболее важно, не создано приемлимой общей теории, которая описывала бы вычислительные возможности систем животного интеллекта способами, которые достаточны для поддержания разработки новых неживых систем, способных проявлять подобные характеристики обработки информации.

Объекты изобретения

Соответственно, общей целью данного настоящего изобретения является обеспечение архитектуры (структуры) вычислительной системы, которая преодолевает недостатки известного уровня техники.

Подобным же образом, целью настоящего изобретения является обеспечение архитектуры (структуры) для вычислительной системы, вычислительные достоинства которой лежат в областях, подобных областям вычислительных достоинств живых систем обработки информации.

Еще одной целью настоящего изобретения является обеспечение архитектуры вычислительной системы, которая в большой мере увеличивает аналоговые функциональные возможности, способность системы "видеть и делать" подобно "виденному и деланному" в прошлом.

Дополнительной целью настоящего изобретения является обеспечение архитектуры вычислительной системы, которая в значительной мере увеличивает надежность, устойчивость к ошибкам в очень широком диапазоне задач по обработке информации.

Дополнительной целью настоящего изобретения является обеспечение компонентов, несущих преимущества коробов, уникальных математических и вычислительных объектов данных, которые автор настоящего изобретения открыл и которые могут являться надежной основой функциональных возможностей живых систем обработки информации.

Дополнительной целью настоящего изобретения является обеспечение архитектуры (структуры) вычислительной системы, использующей коробы.

Дополнительной целью настоящего изобретения является обеспечение архитектуры (структуры) основанной на коробах вычислительной системы, являющейся "совершенной машиной Тьюринга", т.е. способной воплощать любую вычислимую функцию, ограничиваясь только объемом физической памяти и временем.

Дополнительной целью настоящего изобретения является обеспечение средства для использования коробов в качестве структур данных.

Дополнительной целью настоящего изобретения является обеспечение средства для выполнения обработки информации с помощью коробов.

Дополнительной целью настоящего изобретения является обеспечение средства для выполнения параллельной обработки с помощью коробов.

Прочие цели и преимущества изобретения очевидны для специалистов данной области техники после прочтения последующего описания и прилагаемой формулы изобретения, и при обращении к сопровождающим чертежам.

Сущность изобретения

Автор настоящего изобретения обнаружил, что очень простой конструкт, "короб", имеет важные вычислительные свойства, не являющиеся очевидными, и поддерживающие новую парадигму для вычислений, которая обладает новыми вычислительными преимуществами в коррелитмах, а именно в тех областях вычислений, которые ранее считались областью живых систем обработки информации. Настоящее изобретение раскрывает архитектуру (структуру) вычислительной системы, реализующую эту новую вычислительную парадигму и осуществляющую доступ к этим новым вычислительным преимуществам.

Цели изобретения достигаются с помощью структуры вычислительной системы, реализующей новую вычислительную парадигму путем использования коробов в качестве первичных структур данных для представления и манипулирования информацией и, тем самым, использования преимущества математических и вычислительных свойств коробов, которые открыл автор настоящего изобретения, описывается конструкт, пригодный для содержания короба для дальнейшего использования. Определяется низкоуровневый компонент архитектуры, называемый "ячейка", функция которого заключается в отображении входных коробов в значения выходного состояния способом, согласующимся с коробами и со связанными значениями состояния, ранее хранившимися этой ячейкой. Ячейки объединяются в вычислительную структуру, которая поддерживает определение взаимосвязей между ячейками так, что текущее состояние любой ячейки может обеспечивать компонент входного короба любой ячейки в вычислительной системе. Вход вычислительной системы достигается посредством влияющих значений состояния конкретизированных "входных" ячеек. Выход системы подобным же образом достигается извлечением значений состояния конкретизированных "выходных" ячеек.

В соответствии с настоящим изобретением структура основанной на коробах вычислительной системы является очень гибкой. Заданная основанная на коробах вычислительная система состоит из определенного количества доступных ячеек. Все основанные на коробах вычислительные системы могут поддерживать три различных фазы программирования и использования: фазу архитектуры, фазу обучения и фазу работы.

Практические следствия использования коробов в вычислениях означают, что многие долгое время недостижимые свойства живых систем обработки информации теперь становятся доступными в уже готовом виде. Эти свойства включают в себя способность, подобно животным, видеть и делать подобное виденному и деланному в прошлом, новую надежность, доступную всем вычислимым по Тьюрингу процессам, новую форму параллельного вычисления и новый класс аналоговых компьютеров общего назначения. Путем реализации новой вычислительной парадигмы настоящее изобретение не только обеспечивает вычислительные преимущества в областях, ранее являвшихся сферой живых систем обработки информации, но и обещает обобщить всю традиционную науку о компьютерах путем решения давно стоящей проблемы буквального мышления и неустойчивости всех компьютерных систем.

Выводы являются как широкими и далеко идущими, так и прямыми и непосредственными. Данная технология обещает непосредственный прорыв не только в компьютерной науке, но и в понимании живых систем обработки информации. Ожидается вклад в такие области, как нейрофизиология, нейроанатомия и биохимия. Данная технология также обещает значимые новые результаты во многих других областях, в том числе в математике, психологии и даже социологии.

Краткое описание чертежей

Фиг.1 является схематическим представлением живого нейрона.

Фиг.2 является схематическим представлением приспособления, посредством которого нейроны передают переменные своего состояния одному нейрону.

Фиг.3 является схематическим чертежом, иллюстрирующим главные компоненты ячейки короба по настоящему изобретению.

Фиг.4 является схематическим чертежом, иллюстрирующим главные компоненты короб-вычислительной системы по настоящему изобретению.

Ссылочные позиции на чертежах

12 тело ячейки

14 аксон

16 входные дендриты

18 выходные дендриты

20 первый входной нейрон

21 множество входных нейронов

22 второй входной нейрон

24 последний входной нейрон

26 нейрон

28 линия выходных данных

40 входной регистр короба

42 управляющий элемент

44 память короба

46 регистр выходного состояния

50 массив ячеек короба

52 средство отображения

54 сенсорные ячейки

56 ячейки актора

Подробное описание изобретения

Последующее подробное описание обеспечит более полное понимание данного изобретения. Однако описанное ниже выполнение является лишь примером реализации изобретения, и изобретение не ограничивается этим выполнением. Будет понятно, что структура по настоящему изобретению может быть реализована с помощью различных конфигураций процессоров при помощи подходящей модификации. Соответственно, конкретная конфигурация описанного ниже процессора обеспечивает неограничительный пример реализации настоящего изобретения. Будет далее понятно, что в некоторых условиях могут быть опущены подробности, необязательные для понимания сущности настоящего изобретения.

Словарь терминов

Для простоты ссылок ниже определяются термины, использованные в описании настоящего изобретения. Как очевидно для специалистов, определения содержат как принятые стандартные значения, так и расширенные значения в случае необходимости. Даются следующие определения:

потенциал действия: импульс в аксоне живого нейрона,

актор: сокращенный термин для понятия "действующая ячейка" (клетка) (actor cell). Действующие ячейки обеспечивают средство, которым внешнее средство может считывать данные из короб-вычислительной системы,

животный интеллект: функциональные возможности живой системы обработки информации,

архитектура, фаза архитектуры: в основанной на коробах вычислительной системе - процесс определения того, какая из ячеек короба, если такие существуют, установлена для выполнения функции сенсорных ячеек, и какая установлена для выполнения функции действующих ячеек, и какие из ячеек короба обеспечивают входные данные для ячеек короба;

ассоциация: составление пары из короба в пространстве с произвольным, но конкретным объектом данных, обычно внутри системы памяти короба;

ограниченное пространство: многомерный куб или гиперпрямоугольник,

емкость (системы короба): количество равноудаленных коробов, для которых система может выступать в роли ведущей без ухудшения общей равноудаленности системы более, чем на заданный коэффициент ухудшения,

декартова метрика расстояний: квадратный корень из суммы квадратов разностей в каждом измерении между двумя коробами, подходящим образом распространенное на дробную природу размеров обобщенных подпространств короба,

ячейка, ячейка короба: основанная на коробах модель живого нейрона, архитектурный конструкт настоящего изобретения,

короб (corob): первичная структура представления данных и манипуляций ими в короб-системах. Выражение "Короб" представляет собой сокращение из слов "КОРрелитмический ОБъект". Точка в обобщенном подпространстве частного пространства. А также архитектурный конструкт - т.е. область данных короба - по настоящему изобретению, пригодный для содержания данных короба, когда использование ясно из контекста,

область данных короб-вычислительной системы: архитектурный конструкт по настоящему изобретению, пригодный для содержания данных короб-вычислительной системы,

область данных ячейки короба: архитектурный конструкт по настоящему изобретению, пригодный для содержания данных ячейки короба,

область данных короба: архитектурный конструкт по настоящему изобретению, пригодный для содержания данных короба,

система памяти короба: система памяти, в которой коробы в пространстве спарены с произвольными, но конкретными объектами данных в ассоциации, так что коробы могут представлять ассоциированные произвольные объекты данных, архитектурный конструкт по настоящему изобретению,

область данных системы памяти короба: архитектурный конструкт по настоящему изобретению, пригодный для содержания данных системы памяти короба,

метрика короба: метрика, которая, будучи примененной для измерения расстояния от короба до другого короба того же пространства, дает расстояние, монотонно связанное с расстоянием, даваемым декартовым измерением в том же направлении между теми же двумя коробами. Метрика короба может быть реализована посредством нейронной сети,

короб-система, короб-вычислительная система: вычислительная система, основанная на ячейках короба, которая может являться, а может и не являться совершенной машиной Тьюринга, архитектурный конструкт по настоящему изобретению,

архитектура короб-системы: структуры, функциональные возможности и прочие релевантные детали систем, использующих коробы в качестве средства представления данных или манипулирования ими,

коррелитм [комбинация КОРРЕЛяция + алгорИТМ]: любой систематический способ решения задач с помощью подобий известным примерам. Традиционные системы обработки информации функциональны в алгоритмических, или процедурно-ориентированных вычислениях, живые системы обработки информации функциональны в коррелитмических, или ориентированных на аналогию вычислениях,

текущий короб: короб, присутствующий в текущий момент во входном регистре ячейки короба, короб, который ячейка короба сопрягает со своей памятью короба,

определенный короб: короб, элементы которого установлены процессом, отличным от случайного. Определенные коробы обычно возникают из представлений внешних сенсоров и акторов,

коэффициент ухудшения: заданное число, отклонение от свойства равноудаленности в короб-системе, которое достигается, когда количество равноудаленных коробов, равное емкости системы, добавлено к системе,

домен: множество ячеек, обеспечивающих входные данные,

обучение, фаза обучения: в основанной на коробах вычислительной системе - процесс инсталляции соответствующих данных, состоящих из пар короб-состояние, в различные памяти короба. Термин "статическое обучение" подразумевает одноразовую инициализацию памятей короба, обычно во время фазы обучения, в то время как термин "динамическое обучение" подразумевает процесс разрешения основанной на коробах вычислительной системе решать для себя автоматически, какие данные, состоящие из пар короб-состояние, пригодны для хранения в различных памятях короба, обычно во время фазы действия,

элемент (короба): короб является вектором элементов. Элементы могут быть отдельными числами любого типа, в том числе одноразрядными двоичными числами, натуральными числами, целыми числами, действительными числами, комплексными числами и так далее, либо элементы могут быть более сложными, содержащими пары чисел, группы чисел или другие объекты данных,

функция среды: любая функциональная возможность, принимающая данные от ячеек актора короб-системы, обрабатывающая их и представляющая данные сенсорным ячейкам короб-системы,

равноудаленность: свойство не связанных другим образом коробов частного (отдельно взятого) пространства. Если верно, что порядки обобщенных подпространств этих коробов приблизительно одинаковы, то декартово измерение расстояний стремится к рефлексивности, а расстояние от любого одного из этих коробов до любого другого, измеренное этой метрикой, в сильной степени стремится к стандартному расстоянию. В этом случае рассматриваемые коробы называются "равноудаленными",

исполнение: по отношению к ячейке короба - процесс генерирования нового значения в выходном состоянии ячейки, в свете текущего содержания выходного короба ячейки и памяти короба ячейки. Может выполняться интерполяцией, как в предпочтительной форме реализации изобретения, или с помощью любой традиционной искусственной нейронной сети. Важными являются использование коробов и необходимые функциональные возможности, а не конкретное средство, которое может иметь много эквивалентов,

полное множество ячеек, полное множество: в основанной на коробах вычислительной системе - полный набор ячеек короба, которые доступны для системы, а именно, все внутренние ячейки,

обобщенное подпространство: подпространство S1 пространства S2, состоящее из всех измерений S2, каждое взвешено посредством дроби из диапазона от 0,0 до 1,0 включительно,

главное пространство: частное пространство, в котором определяются обобщенные подпространства, которые содержат точки, представляющие коробы, иначе говоря, частное пространство, в котором определено (имеется) заданное множество коробов,

входная ячейка: любая из ячеек короба основанной на коробах вычислительной системы, которые установлены в качестве сенсорных ячеек,

внутренняя ячейка: в основанной на коробах вычислительной системе - любая из полного набора ячеек короба, доступная системе,

обучение: по отношению к ячейке короба - процесс обновления памяти короба в ячейке путем ассоциации входного короба ячейки с выходным состоянием ячейки. Отметим, что обучение в этом контексте может выполняться путем использования режима обучения любой традиционной искусственной нейронной сети. Для короб-систем важны использование коробов и функциональные возможности памяти короба,

живая вычислительная система: другое название живой системы обработки информации,

живая система обработки информации: та часть живой системы, которая направлена на обработку информации,

живой интеллект: возможности обработки информации живых нейросистем,

живой нейрон: строительный блок живой системы обработки информации,

механизм (например, в сочетании "механизм короба"):

процесс или процедура, единственным образом пригодная для воплощения в короб-вычислительных системах; механизмы в короб-вычислительных системах являются аналогами программ в традиционных вычислительных системах,

метрика: сообразное средство, формула или критерий измерения; метрика является сообразной математической основой для измерения некоторого количества,

действие, фаза действия: та часть программирования и использования основанной на коробах вычислительной системы, которая состоит из непрерывной итерации компонентов системы. Фаза действия в короб-вычислительных системах сравнима с непрерывным процессом исполнения в традиционных вычислительных системах,

порядок (обобщенного подпространства): сумма взвешивающих дробей подпространства,

выходная ячейка: любая из ячеек короба основанной на коробах вычислительной системы, установленных в качестве ячеек актора,

случайный короб: короб, для которого точка, которую он представляет, и, возможно, его подпространство, если таковое есть, выбирается случайным образом. Более обобщенно: короб, элементы которого в большой степени нескоррелированы друг с другом, особенно во времени,

случайное состояние: состояние, внутреннее значение или значения которого выбираются случайным образом,

случайное блуждание: любой статистический процесс, вырабатывающий последовательность чисел, в которой близость к последовательности приводит к увеличенной корреляции,

рефлексивность (свойство): математическая концепция, связанная с оператором, таким, как знак "=", по которой А=В предполагает В=А, и наоборот. Декартово измерение расстояний не является по сути рефлексивным, хотя см. равноудаленность,

скалярная тяжесть: способ интерполяции, способ взвешивания элементов интерполированного значения путем взятия обратных квадратов метрических расстояний до примерных точек. Назван так по аналогии со способом убывания силы тяготения пропорционально квадрату расстояния и отсутствием информации о направлении или векторе этой силы. Скалярная тяжесть дает результаты интерполяции, очень похожие на результаты, получаемые широким диапазоном так называемых "нейронно-сетевых" способов интерполяции,

сенсор: сокращенный термин для "сенсорной ячейки". Сенсорная ячейка может иметь свое значение состояния, которое устанавливается или на которое оказывается воздействие с помощью средства, внешнего по отношению к короб-вычислительной системе. Сенсорные ячейки обеспечивают средство, с помощью которого внешние данные могут быть внесены в короб-вычислительную систему,

значимость: название, в целом даваемое взвешивающей дроби в каждом направлении обобщенного подпространства пространства,

пространство: геометрический объект, состоящий из нуля или более измерений,

стандартное расстояние: ожидаемое расстояние, обычно выраженное в числах среднеквадратичных отклонений, от короба, выбранного случайным образом, до другого короба, выбранного случайным образом, в пространстве,

состояние: единственный элемент короба,

область данных состояния: архитектурный конструкт по настоящему изобретению, пригодный для содержания данных одного измерения короба,

строковый короб: если список случайных при прочих условиях коробов генерируется способом, который удовлетворяет условию, что коробы, более близкие друг к другу в пронумерованном порядке списка коробов, также являются более близкими друг к другу в применяемой метрике расстояния, и, наоборот, коробы, более далекие в пронумерованном порядке списка коробов, также являются более далекими друг от друга в применяемой метрике расстояния, то такой список в целом называется "строковым коробом",

подпространство: пространство S1, которое состоит из некоторых или всех измерений другого пространства S2, как в выражении "S1 является подпространством S2",

пороговая модель: традиционная модель живого нейрона,

совершенная машина Тьюринга: термин, применяющийся к любой вычислительной системе, которая может вычислять любую вычислимую функцию, ограничиваясь только временем и объемом памяти,

взвешивающая дробь: в обобщенном подпространстве - число между 0,0 и 1,0 включительно, которое показывает степень участия отдельного измерения подпространства в соответствующем измерении содержащего пространства.

Введение

Для понимания сущности настоящего изобретения необходимо понимать архитектуру короб-системы. Для понимания архитектуры короб-системы необходимо понимать ячейку, т.е. фундаментальный стандартный блок архитектуры короб-системы. Для понимания ячейки необходимо понимание короба, т.е. первичной единицы представления данных и манипуляций ими в короб-системах. Для понимания короба необходимо понимать модель живых нейронных систем, из которых был выведен короб и архитектура короб-системы. Поэтому автор изобретения обращается к этим понятиям в обратном порядке, начиная с живых нейронных систем.

Живые нейронные системы

Упрощенное схематическое представление живого нейрона, известное специалистам, представлено на фиг.1. Живой нейрон по фиг.1 содержит, по меньшей мере, тело 12 ячейки, аксон 14, входные дендриты 16 и выходные дендриты 18. Живой нейрон по фиг.1 очевидно является прибором, который некоторым образом принимает входное воздействие от других живых нейронов через входные дендриты 16, преобразует это входное воздействие в переменную состояния посредством плохо понимаемого процесса, выражает эту переменную состояния в виде сигнала на аксоне 14, который проводит ее к выходным дендритам 18, а затем на входные дендриты других живых нейронов.

Традиционная модель живого нейрона называется "пороговой моделью". В пороговой модели формируется взвешенная сумма входных сигналов во входных дендритах 16, а затем сравнивается с пороговым значением. Если взвешенная сумма превышает пороговое значение, то на аксоне 14 появляется импульс, называемый "потенциалом действия"; в противном случае потенциал действия не вырабатывается. Если потенциал действия вырабатывается, он проводится аксоном 14 к выходным дендритам 18, где он представляется в качестве входа для других живых нейронов.

Наличие или отсутствие потенциала действия в аксоне 14 живого нейрона по фиг.1 традиционно предполагается при описании состояния живого нейрона по фиг.1.

Огромные усилия были предприняты для биохимического и нейрофизиологического понимания функционирования живых нейронов. Традиционная пороговая модель продолжает существовать сегодня в качестве одной из первичных моделей для описания функционирования живого нейрона.

В 1968 году в диссертации в Массачусеттском Технологическом Институте автор изобретения описал альтернативную модель живого нейрона. Подробности этой альтернативной модели несущественны для понимания настоящего изобретения, за исключением одного момента. В этой альтернативной модели интенсивность потенциалов действия в аксоне 14 содержит переменную состояния для живого нейрона. Интенсивность потенциалов действия, определяемая разнесением между потенциалами действия, бралась стандартным образом, знакомым специалистам по теории модуляции, в качестве некоего вида фазово-импульсной модуляции, т.е. непрерывной переменной состояния, сильно отличающейся от дискретной переменной состояния, предполагаемой при рассмотрении каждого потенциала действия отдельно, как это делалось в традиционной модели.

Далее в этой диссертации автор изобретения показал, что его альтернативная модель живого нейрона может дублировать все функции, обеспечиваемые традиционной моделью живого нейрона. Хотя его альтернативная модель не вводила фундаментально новых возможностей, она все же обеспечила новый взгляд на функциональные возможности нейрона, который упростил понимание и описание таких непрерывных функций в живых нейронных системах, как пропорциональное управление мышцами.

В настоящем изобретении ячейка, которая будет вкратце описана, функционирует как аналог живого нейрона. В соответствии с альтернативной моделью живого нейрона, состояние ячейки следует принимать в качестве непрерывной переменной. Живые нейроны обладают минимальной и максимальной интенсивностью потенциала действия. Соответственно, автор изобретения ограничивает диапазон этой непрерывной переменной, которая является состоянием ячейки. Это удобно и не дает в результате потери целостности, если представить этот диапазон как диапазон от 0,0 до 1,0 включая как 0,0, так и 1,0, а также все значения между ними. Значение 0,0 представляет минимальную переменную состояния ячейки, в то время как значение 1,0 представляет максимальную переменную состояния ячейки.

Следует отметить, что, хотя предпочтительный вариант выполнения настоящего изобретения и позволяет переменной состояния ячейки принимать любое значение из только что описанного диапазона, иногда полезно ограничивать допустимые значения заданным количеством дискретных значений. Если переменная состояния представлена непрерывным по своей природе физическим свойством, таким как напряжение, то переменная состояния также будет непрерывной. Если переменная состояния представлена, например, элементом данных в программе, то она может быть более дискретной. Например, число с плавающей запятой имеет конечное количество различных представлений в заданном цифровом компьютере. Целое число обычно имеет еще меньше различных представлений в заданном цифровом компьютере, чем число с плавающей запятой. Оба этих типа данных полезны при представлении переменной состояния. В некоторых случаях полезна также двоичная форма, при которой переменная состояния может принимать одно из только двух значений - 0 и 1. Обычно более дискретные представления переменной состояния обеспечивают более быстрое исполнение в цифровых компьютерах. Разумеется, прямое представление переменной состояния посредством непрерывного по своей природе физического свойства, такого как напряжение, может на самом деле обеспечить более быстрое исполнение, чем любая цифровая реализация, в зависимости от специфики реализации.

Коробы

Короб является первичной структурой представления данных и манипуляций ими в короб-системе. Коробы выведены как результат из обучения живых систем обработки информации. Простая математическая модель раскрыла некоторые неожиданные свойства. Настоящее изобретение основано на этих самых свойствах.

По фиг.1 живой нейрон получает входное воздействие от других живых нейронов через свои входные дендриты 16. Предположительно, входное значение, подаваемое любым из входных нейронов, является значением состояния этого нейрона. Как указано ранее, автор изобретения будет считать такие значения состояния непрерывными переменными в диапазоне от 0,0 до 1,0 включительно.

Взаимодействие этих нейронов может быть схематически представлено по фиг.2. Множество 21 входных нейронов состоит из множества отдельных нейронов, схематически показанных как нейроны 20, 22 и 24, с дополнительными нейронами, не показанными, но обозначенными тремя вертикальными точками во множестве 21 входных нейронов. Каждый нейрон во множестве 21 входных нейронов поставляет переменную своего состояния нейрону 26, который обрабатывает эти переменные состояния нижеописанным способом для получения своей собственной переменной состояния в качестве выходных данных на линии 28 выходных данных.

При отсутствии дополнительной информации переменные состояния нейронов множества 21 входных нейронов могут рассматриваться к