A Neural Network Assembly Memory Model with Maximum-Likelihood Recall and Recognition Properties

Показано, что недавно предложенная нейросетевая модель для определения основных характеристик памяти основана на алгоритме триарно-бинарного кодирования-декодирования, который приводит к новой нейросетевой ансамблевой модели памяти (НСАМП) с максимально-правдоподобными характеристиками вспоминания-узнавания и новой архитектурой ячейки памяти, включающей хопфилдовскую двухслойную сеть, многоканальные временные ворота, вспомогательную эталонную память и две вложенные петли обратной связи. Найдены условия, при которых один из вариантов сети Хопфилда реализует для используемого алгоритма кодирования максимально правдоподобный алгоритм декодирования типа свертки и, одновременно, алгоритм классификации произвольных бинарных векторов по отношению к значению их хемминговского расстояния до заданного эталона. В дополнение к основным характеристикам памяти и т.д. модель явно описывает зависимость от времени процесса извлечения информации из памяти, а также предоставляет возможность одношагового обучения, моделирования метапамяти, обобщенного представления знаний и раздельного описания сознательных и подсознательных ментальных процессов. Показано, что ячейку ансамблевой памяти можно рассматривать как модель наименьшего неделимого элемента, «атома» сознания. Обсуждаются применения НСАМП для решения некоторых междисциплинарных задач из разных областей знания и ряд нетрадиционных нейробиологических аргументов в пользу ее правдоподобности (явление динамической пространственно-временной синхронизации, свойства нейронов зависящих от времени и нейронов-детекторов ошибок, ранняя прецизионно синхронная деполяризация нейронов и т.д.).