La memoria asociativa holográfica ( HAM ) es una forma de almacenamiento de información en la que dos piezas de información se guardan y recuperan asociándolas entre sí en un patrón de modo que cualquier parte del patrón las contenga a ambas y cualquiera de las piezas se puede utilizar para recuperar la otra. . Tiene sus raíces en los principios de la holografía . Los hologramas se crean utilizando dos haces de luz, llamados "haz de referencia" y "haz de objeto". Producen un patrón en la película.que los contiene a ambos. Posteriormente, al reproducir el haz de referencia, el holograma recrea una imagen visual del objeto original. En teoría, se podría usar el haz del objeto para hacer lo mismo: reproducir el haz de referencia original. En HAM, las piezas de información actúan como los dos haces. Cada uno puede usarse para recuperar el otro del patrón.
Definición
HAM es parte de la familia de memorias análogas, basadas en correlación, asociativas, de estímulo-respuesta, donde la información se asigna a la orientación de fase de los números complejos en funcionamiento. [ aclaración necesaria ] Se puede considerar como una red neuronal artificial de valor complejo . La memoria asociativa holográfica exhibe algunas características notables. Se ha demostrado que los hológrafos son efectivos para tareas de memoria asociativa , generalización y reconocimiento de patrones con atención variable. La capacidad de localización de búsqueda dinámica es fundamental para la memoria natural. Por ejemplo, en la percepción visual, los humanos siempre tienden a enfocarse en algunos objetos específicos en un patrón. Los seres humanos pueden cambiar sin esfuerzo el enfoque de un objeto a otro sin necesidad de volver a aprender. HAM proporciona un modelo computacional que puede imitar esta capacidad creando una representación para el enfoque. En el corazón de esta nueva memoria se encuentra una nueva representación bimodal de patrón y un espacio de estado de peso esférico complejo similar a un holograma. Además de las ventajas habituales de la computación asociativa, esta técnica también tiene un excelente potencial para la realización óptica rápida porque los cálculos hiper-esféricos subyacentes se pueden implementar de forma natural en los cálculos ópticos.
Se basa en el principio de almacenamiento de información en forma de patrones de estímulo-respuesta donde la información se presenta mediante orientaciones de ángulo de fase de números complejos en una superficie de Riemann . [1] Un gran número de patrones de estímulo-respuesta se pueden superponer o "envolver" en un solo elemento neuronal. Las asociaciones de estímulo-respuesta pueden codificarse y descodificarse en una transformación no iterativa. La base matemática no requiere optimización de parámetros o retropropagación de errores , a diferencia de las redes neuronales conexionistas . El requisito principal es que los patrones de estímulo sean simétricos u ortogonales en el dominio complejo. HAM normalmente emplea preprocesamiento sigmoide donde las entradas sin procesar se ortogonalizan y se convierten en distribuciones gaussianas .
Principios de Operación
1) Las asociaciones estímulo-respuesta se aprenden y se expresan en una transformación no iterativa. No se requiere propagación hacia atrás de términos de error ni procesamiento iterativo.
2) El método forma un modelo no conexionista en el que existe la capacidad de superponer un conjunto muy grande de patrones análogos de estímulo-respuesta o asociaciones complejas dentro de la célula neuronal individual .
3) El ángulo de fase generado comunica información de respuesta y la magnitud comunica una medida de reconocimiento (o confianza en el resultado).
4) El proceso permite una capacidad con el sistema neuronal para establecer un perfil de dominio de la información almacenada, exhibiendo así un perfil de memoria de cualquier rango, desde la memoria a corto plazo hasta la memoria a largo plazo .
5) El proceso sigue la regla de no perturbación, es decir, las asociaciones previas de estímulo-respuesta están mínimamente influenciadas por el aprendizaje posterior.
6) La información se presenta en forma abstracta mediante un vector complejo que puede expresarse directamente mediante una forma de onda que posee frecuencia y magnitud. Esta forma de onda es análoga a los impulsos electroquímicos que se cree que transmiten información entre células neuronales biológicas .
Ver también
Referencias
- ^ Sutherland, John G. (1 de enero de 1990). "Un modelo holográfico de memoria, aprendizaje y expresión". Revista internacional de sistemas neuronales . 01 (3): 259–267. doi : 10.1142 / S0129065790000163 .
Bibliografía
- Sutherland, J., Modelos holográficos de memoria, aprendizaje y expresión, Revista internacional de sistemas neuronales , 1 (3), 1990, págs. 356–267
- JI Khan. Atención Computación asociativa modulada y búsqueda asociativa de contenido en archivo de imágenes . Tesis de doctorado, Universidad de Hawaii, agosto de 1995.
- KI Khan y DY Yun. Características de la memoria asociativa holográfica multidimensional en recuperación con atención localizable dinámicamente . IEEE Transactions on Neural Networks , 9 (3): 389–406, mayo de 1998.
- HE Michel, AAS Awwal, Redes neuronales artificiales mejoradas usando números complejos , Redes neuronales , 1999. Actas. 1999 IEEE International Joint Conference sobre
- R Stoop, J Buchli, G Keller, WH Steeb, Resonancia estocástica en el reconocimiento de patrones por un modelo de neurona holográfica , Physical Review E , 2003.
- Y Hendra, RP Gopalan, MG Nair, Un método para la indexación dinámica de grandes bases de datos de imágenes, Systems, Man y Cybernetics , 1999. IEEE SMC'99.
- HE Michel, S Kunjithapatham, Procesando datos Landsat TM usando redes neuronales de valor complejo , Actas de SPIE , la Sociedad Internacional de Óptica, 2002.
- RP Gopalan, G Lee, Indexación de bases de datos de imágenes utilizando un modelo de memoria holográfica 4D no entrenado, 15ª Conferencia conjunta australiana sobre inteligencia artificial , - Springer Página 1. RI McKay y J. Slaney (Eds.): AI 2002, LNAI 2557, págs. 237 –248.
- RWTH Aachen, IH Ney, Enfoques del reconocimiento de objetos de imágenes invariables, [1]