吸引子神经网络中的向量符号有限状态机
神经与进化计算
2024-05-03 v2
摘要
Hopfield 吸引子网络是人类记忆的鲁棒分布式模型，但缺乏一种通用机制来响应输入而实现依赖于状态的吸引子转移。我们提出了构造规则，使得吸引子网络可以实现任意有限状态机（FSM），其中状态和刺激由高维随机向量表示，所有状态转移均由吸引子网络的动力学执行。数值模拟表明，对于稠密双极状态向量，该模型在实现 FSM 的最大规模方面的容量与吸引子网络规模呈线性关系，而对于稀疏二值状态向量则近似呈二次关系。我们表明该模型对不精确和带噪声的权重具有鲁棒性，因此非常适合用高密度但不可靠的器件来实现。通过赋予吸引子网络模拟任意 FSM 的能力，我们提出了一条可行路径，使 FSM 能够作为分布式计算基元存在于生物神经网络中。
引用
@article{arxiv.2212.01196,
title = {Vector Symbolic Finite State Machines in Attractor Neural Networks},
author = {Madison Cotteret and Hugh Greatorex and Martin Ziegler and Elisabetta Chicca},
journal= {arXiv preprint arXiv:2212.01196},
year = {2024}
}
备注
26 pages, 13 figures. This is the authors' final version before publication in Neural Computation