逻辑信息细胞 I

在本研究中，我们探讨了简单人工网络中可见且可理解的推理的自发出现，并将这一实验观察与语义信息的概念联系起来。我们首先重现了 Neromyliotis 和 Moschovakis 在 2017 年和 2018 年研究的猴子自然神经元的 DNN 模型，以解释仅编码指向动作的“运动等价神经元”如何通过其他神经元得到补充，从而指定动作的执行者、眼睛 E、手 H 或眼睛和手一起 EH。随后出现了一些执行逻辑工作、做出中间命题的内部神经元，例如 E V EH。然后，我们注意到，增加第二个隐藏层并选择对称度量进行学习，神经元的活动变得几乎量子化且包含更多信息。利用 Carnap 和 Bar-Hillel 1952 年的工作，我们定义了此类细胞集合的逻辑值度量。逻辑分数随层深度的增加而增长，即关于输出决策的信息增加，这证实了一种瓶颈原理。接着，我们研究了稍微复杂的任务，这些任务先验地涉及谓词逻辑。我们比较了逻辑和测量的权重。这表明，对于神经元群，逻辑分数与权重大小之间存在明显的相关性。它展示了层间的一种稀疏性形式。最引人注目的结果涉及能在所有条件下得出结论的三元组：当将其权重矩阵应用于其逻辑矩阵时，我们恢复了分类结果。这表明权重精确地执行了证明。