Nauka-Religija-Društvo - a (www.dejanrakovicfund.o
Nauka-Religija-Društvo - a (www.dejanrakovicfund.o
Nauka-Religija-Društvo - a (www.dejanrakovicfund.o
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
i<br />
N<br />
2<br />
= t1<br />
+ t)<br />
= ∑ J<br />
ijq<br />
j<br />
( t1)<br />
j=<br />
1<br />
i dinamička jednačina za sinaptičke veze (težine)<br />
q ( t δ ili q out (t 2 ) = J q in (t 1 ) (2)<br />
J<br />
ij<br />
=<br />
P<br />
∑<br />
k = 1<br />
q<br />
k<br />
i<br />
q<br />
k<br />
j<br />
P<br />
∑<br />
ili J = q k q kT (3)<br />
k = 1<br />
čine povezani klasični paralelno-distribuirani informacioni procesirajući sistem. Ovo je jedan od<br />
najednostavnijih algoritama korišćenih za teorijsko modeliranje moždanih funkcija [41].<br />
Jednačina (1) je globalni (varijacioni) opis, dok je sistem jednačina (2-3) lokalni (interakcioni)<br />
opis učenja ulaznih vektora stanja q k , u Hopfildovoj klasičnoj neuronskoj mreži. Odgovarajuće<br />
neuronske aktivnosti mogu se uneti u sistem neurona q iterativno, ili se mogu istovremeno uvesti od<br />
samog početka u Hebovu memorijsku matricu J koja sadrži sve sinaptičke težine J ij .<br />
Jednačine (2) i (3) mogu se prepisati u kontinualnoj formi, inkorporiranjem prostorno-vremenskog<br />
opisa neuronskih i sinaptičkih aktivnosti:<br />
q out (r 2 , t 2 ) = ∫∫ J (r 1 , t 1 , r 2 , t 2 ) q in (r 1 , t 1 ) dr 1 dt 1 (4)<br />
P<br />
∑<br />
J(r 1 , t 1 , r 2 , t 2 ) = q k (r 1 , t 1 ) q kT (r 2 , t 2 ) ili J(r 1 , r 2 ) =∑ qk (r 1 ) q kT (r 2 ) (5)<br />
k = 1 k = 1<br />
Memorijsko prepoznavanje u Hopfildovoj klasičnoj neuronskoj mreži vrši se ulazno-izlaznom<br />
transformacijom q out = Jq in , ili u razvijenoj formi<br />
∫ ∫ [ ∑<br />
qk (r 1 ) q kT (r 2 )] q in (r 1 , t 1 ) dr 1 (6)<br />
q out (r 2 , t 2 = t 1 + δt) = J (r 1 , r 2 ) q in (r 1 , t 1 ) dr 1 =<br />
Iz izraza (6) vidi se da ako je ulazni vektor q in najsličniji nekom prethodno memorisanom<br />
(naučenom) vektoru stanja, recimo q 1 (i istovremeno skoro ortonormalan na ostale memorisane<br />
vektore stanja q k , k ≠ 1), tada izlazni vektor q out konvergira ka memorijskom atraktoru vektora stanja<br />
q 1 , odnosno Hopfildova klasična neuronska mreža asocijativno prepoznaje vektor q 1 .<br />
Haken je pokazao da uvođenje biološki plauzibilnijih neuronskih oscilatornih aktivnosti daje<br />
bogatiju dinamiku neuronske mreže [42], pri čemu Hopfildove klasične neuronske varijable umesto<br />
realnih postaju kompleksne veličine (slično kvantnim veličinama, mada je za razliku od klasičnih<br />
kompleksnost kvantnih veličina suštinska). Korak dalje učinjen je sa kvantnom generalizacijom Hopfildove<br />
neuronske mreže, Saterlendovom holografskom neuronskom mrežom [43] i njoj ekvivalentnim Perušovim<br />
modelom Hopfildove kvantne neuronske mreže [14]. U ovom dodatku razmotrićemo Perušov model,<br />
baziran na direktnoj matematičkoj korespondenciji između klasičnih neuronskih (levo) i kvantnih<br />
varijabli (desno) i odgovarajućih Hopfildovih klasičnih i kvantnih jednačina, respektivno:<br />
P<br />
k = 1<br />
q ⇔ φ , q k k<br />
⇔ φ , J ⇔ G<br />
(4) ⇔ (7), (5) ⇔ (8), (6) ⇔ (9)<br />
Navedeni parovi jednačina su matematički ekvivalentni, ukazujući da je kolektivna dinamika<br />
neuronskih i kvantnih sistema slična, uprkos različitoj prirodi skupa neurona (q) i njihovih<br />
memorijskih sinaptičkih veza (J) u neuronskoj mreži, sa jedne strane, i talasnih funkcija (φ ) i njihovih<br />
propagatorskih veza (G) u kvantnom sistemu, sa druge strane.<br />
Tako, u Perušovom modelu Hopfildove kvantne neuronske mreže [14], dinamička jednačina za<br />
talasnu funkciju stanja kvantnog sistema<br />
P