非単調神経回路網における動的アトラクタの形成機構

非单调神经网络动态吸引子的形成机制

• 批准号: 07780304
• 负责人: 森田 昌彦
• 金额: $ 0.7万
• 依托单位: University of Tsukuba
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Encouragement of Young Scientists (A)
• 财政年份: 1995
• 资助国家: 日本
• 起止时间: 1995 至 无数据
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-07780304/
• 关键词: ニューラルネット; 連想記憶; 非単調神経回路網; ダイナミクス; 動的パターン; アトラクタ

筆者が提案した非単調神経回路網は,従来の神経回路モデルにはない多くの優れた性質をもち,近年大きな注目を集めている.昨年までの研究により,このモデルが動的パターンの記憶に適した力学的性質を備えていること,またその記憶が簡単な学習則で実現されるという非常に重要な事実が明らかになった.しかし,それらがどうして可能なのかについてはよくわかっていなかった.本研究では,動的パターンの記憶過程,すなわち動的アトラクタの形成機構を解明することを目的として,以下のような研究を行った.まず,離散的なパターン系列を記憶させた場合について,記憶後の系の力学的構造を,主に数値実験によって解析した.その結果,系の状態空間がいくつかの部分空間に分割されること,記憶した系列は,複数のアトラクティブな部分空間の共通部分に埋め込まれることなどがわかった.さらに,系の状態がある部分空間から他の部分空間へ遷移するメカニズムもほぼ理解することができた.次いで,連続的に変化する動的パターンを回路網に学習させる過程で,力学的構造がどのように変化するかを調べた.その結果,局所的なエネルギーを仮想的に考えると,アトランタの形成過程が非常に理解しやすいことがわかった.すなわち,系の現在状態とX学習信号Rの間の状態空間のエネルギーが学習によって低下し,Xの軌跡に沿って徐々にエネルギーの溝が掘られていく.同時にXからRへ向かう力が作用するため,溝の底には系列の進行方向に緩やかな流れが生成される.これにより,数回の学習の後には,学習信号の助けがなくても,自律的に学習した系列を再生することが可能になると考えられる.以上の大きな成果が得られたが,これを動的パターンの情報処理に応用することなどが今後の課題である.

The author proposed が し た non 単 経 god back to road network は, 従 の god 経 loop モ デ ル に は な い more く の optimal れ た nature を も ち, in recent years, large き な attention を set め て い る. Yesterday in ま で の research に よ り, こ の モ デ ル が moving パ タ ー ン の memory に optimum し た mechanics properties of を prepared え て い る こ と, ま た そ の memory が Jane 単 な learning で be presently さ れ る と い う very に な important things be が Ming ら か に な っ た. し か し, そ れ ら が ど う し て may な の か に つ い て は よ く わ か っ て い な か っ た. This study で は, moving パ タ ー ン の memory process, す な わ ち moving ア ト ラ ク タ の form institutions を interpret す る こ と を purpose と し て, the following の よ う な を line っ た. ま ず, discrete な パ タ ー ン series を memory さ せ た occasions に つ い て, memory structure を の is の mechanics, after the main に the numerical be 験 に よ っ て parsing し た. そ の results, Is の state space が い く つ か の part space に segmentation さ れ る こ と, memory し た は series, plural の ア ト ラ ク テ ィ ブ な parts common space の に buried め 込 ま れ る こ と な ど が わ か っ た. さ ら に, is a state の が あ る part space か ら he の part space へ migration す る メ カ ニ ズ ム も ほ ぼ understand す る こ と が で き た. Time い で, even 続 に variations change す る moving パ タ ー ン を back to study network に さ せ で る process, the structure of the mechanical が ど の よ う に variations change す る か を adjustable べ た. そ の as a result, the bureau of な エ ネ ル ギ ー を 仮 think に exam え る と, ア ト ラ ン タ の formation が very に understand し や す い こ と が わ か っ た. す な わ ち, is の state と X learning now の state space between signal R の の エ ネ ル ギ ー が learning に よ っ て し, X の trajectory に along っ て xu 々 に エ ネ ル ギ ー の ditch が dug ら れ て い く. While に X か ら R へ to か が う force す る た め, groove bottom に の は series の direction に slow や か な flow れ が generated さ れ る. こ れ に よ り, after several study back の の に は, learning signal の help け が な く て も, self-discipline に learning し た series を regeneration す る こ と が may に な る と exam え ら れ る. Above の big き が な achievements have ら れ た が, こ れ を moving パ タ ー ン の intelligence 処 Richard に 応 with す る こ と な ど が の topics in future で あ る.

项目成果

Morita, M.: "Memory and learning of sequential patterns by nonmonotone neural networks" Neural Networks. 9(印刷中). (1996)

Morita, M.：“非单调神经网络的序列模式的记忆和学习”神经网络 9（出版中）。

村上聡: "局所抑制細胞をもつ神経回路網における学習" 第10回生体・生理工学シンポジウム論文集. 469-472 (1995)

Satoshi Murakami：“利用局部抑制细胞进行神经网络学习”第十届生物与生理工程研讨会论文集 469-472 (1995)。