复数循环谱网络

本文通过开发复数循环谱网络 ($\mathbb{C}$-RSN) 提出了一种推进人工智能 (AI) 的新方法，这是循环谱网络 (RSN) 模型的一种创新变体。$\mathbb{C}$-RSN 旨在解决现有神经网络模型的一个关键局限：无法动态且准确地模拟生物神经网络的复杂过程。通过整合动力系统理论的关键概念并利用统计力学原理，$\mathbb{C}$-RSN 模型引入了局部非线性、复数固定特征值，以及记忆与输入处理功能的显著分离。这些特征共同使得 $\mathbb{C}$-RSN 能够演化至更贴近生物认知的动态振荡终态。本工作的核心在于探索 $\mathbb{C}$-RSN 如何凭借其复数特征值结构以及线性与非线性组件的创新分离，捕捉生物系统固有的节律性振荡动力学。该模型通过时间相关函数对数据进行分类以及信息处理局部化的能力，已通过使用 MNIST 数据集的实证评估得到证明。值得注意的是，作为序列输入提供的不同条目在时间上产生的模式，带有插入顺序（以及连续插入之间间隔时间）的间接印记。