هوش مصنوعی

شبکه‌های عصبی بازگشتی در تکلیف حافظه، خودبه‌خود از کدگذاری نوسانی استفاده کردند

پژوهشگران در یک پیش‌چاپ arXiv گزارش می‌کنند که RNNهای آموزش‌دیده برای به‌خاطر سپردن توالی‌ها، هویت و ترتیب اقلام را با دامنه و فاز یک ریتم مشترک بازنمایی کردند.

۲ دقیقه مطالعه
Figure 2: Oscillation phase coding emerges in the trained A-RNN. (a) Rhythmic oscillations for present items (digits) exhibiting distinct phases (colored). No oscillation for absent items (gray). Shading indicates the ta
تصویر درج‌شده در مقالهٔ اصلی؛ حقوق بازنشر مستقل تأیید نشده است. — arXiv · AI (پیش‌چاپ) · پرونده اصلی · منبع تصویر: ناشر خبر

پژوهشگران شبکه‌های عصبی بازگشتی (RNN) دارای سازوکار سازگاری را برای انجام تکالیف حافظهٔ کاریِ توالی‌ها، با فاصله‌های زمانی متغیر، آموزش دادند. پس از آموزش، کدگذاری فاز نوسانی (OPC) به‌طور خودبه‌خود در شبکه پدیدار شد: اقلام به‌خاطرسپرده‌شده در فازهای متفاوت یک ریتم مشترک بازنمایی شدند؛ دامنهٔ نوسان نشان‌دهندهٔ هویت هر قلم بود و فاز، جایگاه آن را در ترتیب توالی مشخص می‌کرد.

بررسی‌های حذف اجزا سه شرط لازم برای این الگو را شناسایی کرد: سازگاری در پویایی‌های عصبی، تغییرپذیری فاصلهٔ نگهداری اطلاعات و انعطاف‌پذیری در خواندن اطلاعات. تحلیل نوع نورون‌ها نیز نشان داد که در RNNهای آموزش‌دیده، سلول‌های محتوا و سلول‌های زمان پدیدار می‌شوند و به‌ترتیب هویت اقلام و ترتیب توالی را پردازش می‌کنند. در اتصالات بازگشتی، پژوهشگران اتصالات سازمان‌یافته برحسب فاز میان سلول‌های زمان و اتصالات ساختارمند درون گروه‌های سلول محتواییِ انتخاب‌گر رقم را گزارش کردند.

پژوهشگران بر پایهٔ این یافته‌ها، مداری عصبی پیشنهاد کردند که با تعامل واحدهای محتوا و یک حلقهٔ زمانیِ سازگار، OPC را بازتولید می‌کند. این مقاله پیش‌چاپ است و نویسندگان می‌گویند یافته‌ها می‌تواند به فهم سازوکارهای محاسباتی OPC در سامانه‌های زیستی و طراحی مدل‌های محاسباتی الهام‌گرفته از شناخت انسان کمک کند.

این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.

منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗

پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست