Natuurkundigen van de Petrozavodsk State University hebben een nieuwe methode voorgesteld voor een oscillerend neuraal netwerk om eenvoudige afbeeldingen te herkennen. Dergelijke netwerken met een instelbare synchrone toestand van individuele neuronen hebben, vermoedelijk, dynamiek vergelijkbaar met neuronen in de levende hersenen.

Een oscillerend neuraal netwerk is een complexe interliniëring van op elkaar inwerkende elementen (oscillators) die oscillaties van een bepaalde frequentie kunnen ontvangen en verzenden. Ontvangst van signalen van verschillende frequenties van voorgaande elementen, de kunstmatige neuronoscillator kan zijn ritme synchroniseren met deze fluctuaties. Als resultaat, in het netwerk, sommige elementen worden met elkaar gesynchroniseerd (periodiek en gelijktijdig geactiveerd), en andere elementen zijn niet gesynchroniseerd. Op deze manier, een ruimte-tijdbeeld van de synchronisatieverdeling wordt gevormd. Algemeen wordt aangenomen dat dergelijke processen verantwoordelijk zijn voor de verwerking en overdracht van informatie in het menselijk brein, en zijn daarom van bijzonder belang voor het onderzoek.

De wetenschappers van het Department of Electronics and Power Engineering van de Petrozavodsk State University hebben het doel gesteld van patroonherkenning op basis van gekoppelde oscillatornetwerken die zijn geïmplementeerd op vanadiumdioxidestructuren. Natuurkundigen hebben een synchronisatieregistratiemethode ontwikkeld met een hoge gevoeligheid en selectiviteit. Door het in de praktijk toe te passen, het is mogelijk om een ​​netwerk te creëren dat in staat is om beelden te herkennen op dezelfde manier als biologische neurale systemen.

In de studie, de invoerbeelden in de vorm van drie-bij-drie dimensietabellen werden naar het netwerk verzonden door de voedingsstromen te veranderen, en stromen veranderden de oscillatiefrequenties van oscillatoren. Als resultaat, het netwerk reageerde op elk ontvangen beeld met een specifieke dynamiek. Het idee van de nieuwe methode was het selecteren van belangrijke netwerkparameters om het systeem te trainen om alleen te synchroniseren voor een specifiek invoerbeeld, wat betekent om het te herkennen.

De synchronisatiestatus van de uitgangsneuron-oscillator ten opzichte van het ritme van de hoofdneuron-oscillator werd gekozen als het opgenomen uitgangssignaal. De auteurs toonden aan dat synchronisatie niet alleen kan worden waargenomen bij de fundamentele frequenties, maar ook op hun meervoudige delen (subharmonischen). Een toename van het aantal synchrone toestanden als gevolg van subharmonischen wordt een synchronisatie-effect van hoge orde genoemd. Met gelijktijdig verschillende synchronisatiestatussen, het neuron wordt een neuron met meerdere niveaus. Daarom, een oscillerend netwerk van een klein aantal neuronen kan complexe operaties uitvoeren zoals spraak, beeld- en videoherkenning, en het oplossen van voorspelling, optimalisatie- en controleproblemen.

Met behulp van deze eigenschap, de onderzoekers hebben het netwerk zo geconfigureerd dat verschillende invoerbeelden verschillende synchronisatiepatronen van het oscillerende netwerk veroorzaakten. Ze ontdekten dat het netwerk in staat was om tot 14 drie-bij-drie cijfers tegelijkertijd te herkennen van de 102 mogelijke varianten, terwijl er slechts één oscillator aan de uitgang is.

"In de toekomst, Op basis van deze netwerken kunnen compacte neurale netwerkchips met oscillatoren op nanoschaal worden gemaakt. Het onderscheidende kenmerk van de neurale netwerktechnologie die we ontwikkelen, is een fundamenteel nieuw informatieverwerkingssysteem. Het effect van hoge-ordesynchronisatie van gepulseerde signalen maakt het gebruik van multilevel-neuronen met een hoge mate van functionaliteit mogelijk. Het voordeel van dergelijke oscillerende neurale netwerken is het vooruitzicht om neurale netwerken te creëren met behulp van een grote verscheidenheid aan fysieke oscillatoren, inclusief magnetische en elektrische oscillatoren. Tegelijkertijd, het getrainde netwerk heeft geen computerberekeningen meer nodig, en werkt onafhankelijk als een afzonderlijk neuraal organisme, ", zegt universitair hoofddocent Andrei Velichko.