基于高维计算架构的自主学习

我们通过计算高维向量（例如 H=10,000）来建模人类和动物的学习。该架构类似于传统（von Neumann）计算机，后者使用数字，但指令指向向量并对其进行叠加操作。该架构包括用于向量的高容量存储器，类似于用于数字的随机存取存储器 (RAM)。该模型的学习能力类似于深度学习，但其架构更接近生物学。该模型与心理学中的观点一致，即人类记忆和学习涉及短期工作记忆和长期数据存储。神经科学为我们提供了长期记忆的模型，即小脑的皮层。该架构的研究根源源自心理学、生物学和传统计算机，旨在帮助我们理解大脑如何进行计算。应用于机器人学习看来不可避免，但可能的应用范围更广，包括语言。最终，我们希望以与大脑相同的数据量和能耗进行计算。为此，我们需要一种符合心理学和生物学学术、适用于纳米技术的数学理论。我们也需要在大规模实验中检验该理论。这里以熟悉我们从传统计算机中数字计算的术语描述了计算。