시뮬레이션 CA3 야의 신라 유도자 회로와 그 이용 형태에 대한 연구

개시하다
프로그래밍 등 실장 기술이 없어도 뇌과학의 지식에 따라 생물 모방성, 신경회로성의 신경원컴퓨터 원리성 설계를 해야 한다!
이런 제멋대로의 사상 아래 저는 개인적으로 AI에 관한 연구를 하고 있습니다.구체적인 실증 코드나 검증 데이터는 없지만, AI의 개념적 개념성에 대한 논의 제안으로 먼저 볼 수 있다면(이런 Qita에 기고할 수 있는지...)
무엇이 신경 유도자 회로입니까?
현재의 뇌과 지식에서 정보 처리의 측면에서 볼 때 뇌의 신피질, 해마체와 뇌기초핵 세 부위의 연합은 특히 중요한 기능을 발휘한다.하지만 어느 부위든 해부학적, 신경회로의 해석이 있고 복잡한 회로 구성이 무섭다며 "이런 역방향 공정을 할 수 있을까!"누구나 포기하고 싶은 상황.
이 가운데 해마체 내부에 조립된'CA3야'라는 부위는 회로 구성과 처리 기능이 이전보다 명확해져 그 역할도 주목받고 있다.CA 3야의 솔리드를 간단한 도식도로 표현하면 다음 그림 1과 같은 신경 회로 모델이 구성됩니다.
그림 1

이 회로 모형의 구성은 개략적으로'다수의 통찰가속기 P가 단일층 전회귀 결합'이라고 하는데 그림1에서 도표를 이해하기 편리하도록 5개의 통찰가속기 구성의 예로 나타낸다.전귀환 결합이라 5^2 = 25개의 가중치 w를 갖췄다.이러한 신경원 회로는 각각 모든 가중계수 w를 적절하게 조정(학습)함으로써 내부에 여러 개의 특정한 정형발화 모델을 저장할 수 있다입력한 발화 도형에 대해 이 발화 분포와 가까운 임의의 정형 발화 도형 출력 기능(예를 들어 25개의 가속기 상황을 통찰한 그림2 참조)으로 수렴한다고 한다.
그림 2

이렇게 이산화의 특정 수렴점에 안정된 현상은 이른바 혼돈 역학 체계의'유도자'에 해당한다.이를 바탕으로 본고는 이 회로 모델을'신경 유도자 회로'라고 부른다.저장할 수 있는 정형발화 패턴의 수량은 회로가 갖추고 있는 수주전자의 약 15%에 해당하며, 참고된 논문과 일반적인 학설에 따르면 인간 해마체 중의 CA3야는 약 수백만 개의 신경원을 갖추고 있으며, 약 수만 개의 정형발화 패턴도 저장하고 있다고 한다.
신경 유도자 회로를 이용한 연구
따라서 이런 특징적인 기능을 가진 신경 유인자 회로를 현재의 AI 기술에 접목해 효과적으로 활용할 수 있을까.다방면의 연구를 통해 나는 여러 가지 분류 임무 모델의 출력층에 사용할 수 있을 것이라고 생각한다.
예를 들어 지금까지 일반적인 여러 가지 분류 임무의 피드백형 신경 네트워크 모델에서 그림3에서 보듯이 교차 엔트로피의 원가 함수를 바탕으로 하는 Softmax 함수 노드는 출력층으로 하고 확률 밀도 분포 벡터를 통해 출력 유형을 나타낸다.
그림 3

이에 비해 아래 그림4에서 보듯이 출력층만 신경 유도자 회로의 구성으로 바꾸더라도 이산된 정형발화 모델의 선택적 출력을 통해 같은 여러 가지 분류를 할 수 있다.이런 상황에서 현재 구상할 수 있는 학습 방법으로 위에서 말한 바와 같이 생성된 여러 가지 분류된 이미 학습된 모델의 출력층을 신경 유도자 회로로 한 번만 바꾼다입력층부터 숨김층까지 기존의 것을 사용한 상황에서 이 신경과민회로의 출력층에만 분류별 유형에 대응하는 정형발화 패턴을 저장하기 위해 다시 선생님에게 학습(가중계수 w를 조정하지만 반작용이 아닌 새로운 학습)을 시킬 수 있다.그 다음에 운용할 때 신경 유도자 회로를 통해 출력되는 여러 정형 발화 모델의 링크를 분류한다또한 회로 전체의 회귀 경로에서 적당한 연상 조정 편치 +b를 연속적으로 증가하거나 감소함으로써 여러 가지 의미에서 비슷한 정형발화 모델로 전환할 수 있다.
그림 4

그럼에도 불구하고 현재도 상술한 신경 유도자 회로에 대한 학습의 구체적인 수리 연산 처리를 논의하고 있으며, 한마디로 적용성에 대한 건의만 제기하고 있다.중도에서 그만두는 것은 떳떳하지 못하다.그리고 상술한 방법은 입력층과 숨김층에서의 학습과 신경 유도자 회로의 출력층에서의 학습은 별도로 두 차례의 조작을 했지만 이러한 유니버설 성능을 보완하는 장점도 있다.즉, 아래의 그림5에서 보듯이 이전에 기존의 여러 가지 분류 모델로 이동 학습을 한 상황에서 각 학습에 대해 출력층의 벡터 출력을 각각 처리해야 한다.이에 비해 전이 학습을 반복한 뒤 신경 유도자 회로의 출력층에 집중해 종합 학습을 하면 단일한 출력으로 확장될 수 있다.
그림 5

그러나 위에서 말한 바와 같이 인류의 해마체와 같은 규모의 신경 유도자 회로를 갖추고 있다고 가정한 상황에서 권중계수 w의 수량은 매우 방대하기 때문에 그들의 회귀적과 연산 처리를 통해 동시에 조율하고 통제해야 한다.만약 소프트웨어로 이것을 실현한다면 아마 슈퍼컴퓨터조차 사용하지 않으면 실현하기 어려울 것이다.또는 이른바 신경 네트워크 설비(하드웨어 전자 회로로 이루어진 신경 네트워크)를 설계해야 할 수도 있다.
최후
마지막으로 여기까지 읽어주시는 독자분들께 부탁드리고 싶은 게 있는데, 해마체 속'이빨모양회'와'CA1야'의 각 기능 부위의 신경유도자회로처럼 명확한 신경회로 구성을 아시는 분이 있다면 댓글로 알려주시겠어요?CA3야에 대해서는 상기 신경회로모델로서의 구성과 기능을 명확히 알 수 있으나 치상회와 CA1야에 대한 구체적인 회로모델은 아직 명확하지 않다나 자신은 지금까지 서적과 인터넷을 아무리 찾아봐도 해부학적 구조 설명과 임상학적 관점 추측 기능 등을 설명할 수 있을 뿐 정보 처리 기능이 명확한 회로 구성에 대한 지식을 도저히 얻지 못했다.제 계좌로 바로 연락 주세요.잘 부탁드립니다.