Hispanopedia Wiki
Articulo de referencia

Memoria asociativa holográfica

Para el almacenamiento de datos holográficos , la memoria asociativa holográfica ( HAM ) es un sistema de almacenamiento y recuperación de información basado en los principios d...

Hispanopedia WikiContenido en espanolLectura gratuita

Para el almacenamiento de datos holográficos , la memoria asociativa holográfica ( HAM ) es un sistema de almacenamiento y recuperación de información basado en los principios de la holografía . Los hologramas se crean utilizando dos haces de luz, denominados "haz de referencia" y "haz de objeto". Estos producen un patrón en la película que los contiene. Posteriormente, al reproducir el haz de referencia, el holograma recrea una imagen visual del objeto original. En teoría, se podría utilizar el haz de objeto para hacer lo mismo: reproducir el haz de referencia original. En HAM, las piezas de información actúan como los dos haces. Cada una puede utilizarse para recuperar la otra del patrón. Puede considerarse como una red neuronal artificial que imita la forma en que el cerebro utiliza la información. La información se presenta de forma abstracta mediante un vector complejo que puede expresarse directamente mediante una forma de onda con frecuencia y magnitud. Esta forma de onda es análoga a los impulsos electroquímicos que se cree que transmiten información entre las neuronas biológicas .

Definición

HAM forma parte de la familia de memorias analógicas, basadas en correlación, asociativas y de estímulo-respuesta, donde la información se mapea a la orientación de fase de los números complejos. Puede considerarse como una red neuronal artificial de valores complejos . La memoria asociativa holográfica exhibe algunas características notables. Se ha demostrado que los hologramas son eficaces 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. [ 1 ] Por ejemplo, en la percepción visual, los humanos siempre tienden a centrarse en algunos objetos específicos de un patrón. Los humanos pueden cambiar sin esfuerzo el enfoque de un objeto a otro sin necesidad de reaprender. HAM proporciona un modelo computacional que puede imitar esta capacidad creando una representación para el enfoque. En el núcleo de esta nueva memoria se encuentra una novedosa representación bimodal del patrón y un espacio de estados 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 una rápida realización óptica porque los cálculos hiperesféricos subyacentes pueden implementarse de forma natural en computadoras ópticas.

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 . [ 2 ] Un número muy grande de patrones de estímulo-respuesta puede superponerse o "envolverse" en un solo elemento neuronal. Las asociaciones de estímulo-respuesta pueden codificarse y decodificarse en una transformación no iterativa. La base matemática no requiere optimización de parámetros ni 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 brutas se ortogonalizan y se convierten en distribuciones gaussianas .

Principios de funcionamiento

  1. Las asociaciones estímulo-respuesta se aprenden y se expresan mediante una transformación no iterativa. No se requiere retropropagación de términos de error ni procesamiento iterativo.
  2. Este método conforma un modelo no conexionista en el que la capacidad de superponer un conjunto muy amplio de patrones analógicos de estímulo-respuesta o asociaciones complejas existe dentro de la célula neuronal individual.
  3. El ángulo de fase generado comunica información sobre la respuesta, y la magnitud comunica una medida de reconocimiento (o confianza en el resultado).
  4. El proceso permite que el sistema neuronal tenga la capacidad de establecer un perfil de dominancia 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 entre estímulos y respuestas se ven mínimamente influenciadas por el aprendizaje posterior.
  6. La información se presenta de forma abstracta mediante un vector complejo que puede expresarse directamente mediante una forma de onda con frecuencia y magnitud. Esta forma de onda es análoga a los impulsos electroquímicos que se cree que transmiten información entre las neuronas biológicas .

Véase también

Referencias

  1. ↑ Khan, JI (1998). "Características de la memoria asociativa holográfica multidimensional en la recuperación con atención dinámicamente localizable" . IEEE Transactions on Neural Networks . 9 (3): 389– 406. doi : 10.1109/72.668882 . ISSN 1045-9227 . 
  2. ↑ Sutherland, John G. (1 de enero de 1990). "Un modelo holográfico de memoria, aprendizaje y expresión". International Journal of Neural Systems . 01 (3): 259– 267. doi : 10.1142/S0129065790000163 .

Lecturas adicionales

  • Gopalan, RP; Lee, G (2002). McKay, RI; Slaney, J. (eds.). Indexación de bases de datos de imágenes mediante un modelo de memoria holográfica 4D no entrenado . XV Conferencia Conjunta Australiana sobre Inteligencia Artificial. Springer. págs. 237–248 . 
  • Hendra, Y.; Gopalan, RP; Nair, MG (1999). Un método para la indexación dinámica de grandes bases de datos de imágenes . IEEE SMC'99. Sistemas, Hombre y Cibernética.
  • Khan, JI (agosto de 1995). Computación asociativa modulada por atención y búsqueda asociativa de contenido en archivos de imágenes (PDF) (tesis doctoral). Universidad de Hawái.
  • Michel, HE; ​​Awwal, AAS (1999). Redes neuronales artificiales mejoradas mediante números complejos . IJCNN'99. Conferencia Internacional Conjunta sobre Redes Neuronales. Actas (Cat. No.99CH36339. Vol.  1. Washington, DC, EE. UU. pp. 456– 461. doi : 10.1109/IJCNN.1999.831538 . 
  • Michel, HE; ​​Kunjithapatham, S. (2002). Dasarathy, Belur V. (ed.). "Procesamiento de datos Landsat TM mediante redes neuronales de valores complejos" (PDF) . Actas de SPIE . Minería de datos y descubrimiento de conocimiento: teoría, herramientas y tecnología IV. 4730. Sociedad Internacional para la Óptica: 43–51 . doi : 10.1117/12.460209 . S2CID 7664487. Archivado del original (PDF) el 11 de septiembre de 2017. 
  • Stoop, R.; Buchli, J.; Keller, G.; Steeb, WH (2003). "Resonancia estocástica en el reconocimiento de patrones mediante un modelo neuronal holográfico" (PDF) . Physical Review E. 67 .