Global Temporal Dynamic

विचार-विमर्श
यहाँ वर्णित शोध टेम्पोरल डायनामिक्सफॉफ लिविंग न्यूरल सिस्टम और विशेष रूप से मनुष्यों और उच्चतर जानवरों की लौकिक क्षमताओं से प्रेरित है। हमारे दिमाग समय-भिन्न संकेतों का जवाब दे सकते हैं, समय-अलग-अलग पैटर्न उत्पन्न कर सकते हैं, समय के साथ सूचना (सोच) को संसाधित कर सकते हैं, समय के मनमाने अंतराल के लिए मानसिक रूप से अवधारणाओं और छवियों का प्रतिनिधित्व कर सकते हैं, और चल रहे, आत्मनिर्भर गतिविधि के अलग-अलग राज्य हैं। जाग, जगा, सो)। इसके अलावा, हम समय-समय पर संबंधित कौशल और गतिकी को देखते हैं, जैसे कि स्पोटियोटेम्पोरल पैटर्न की मान्यता जैसे कि वे होती हैं; मस्तिष्क में आंतरिक प्रसंस्करण का समन्वय, कोई स्पष्ट नियंत्रण समय घड़ी के बावजूद; और मस्तिष्क के कई क्षेत्रों में आत्म-निरंतर गतिशील गतिविधि की उपस्थिति, दोलन (जैसे, श्वसन न्यूरॉन्स) या अन्य अधिक जटिल सतत गतिविधि ("सहज गतिविधि") के माध्यम से। अस्थायी प्रक्रियाओं और समय-भिन्न गतिविधि की यह व्यापक सरणी इन प्रक्रियाओं को अस्थायी रूप से गतिशील तंत्रिका नेटवर्क को इंगित करती है। आज तक, कई तंत्रिका मॉडल पैटर्न मानचित्रण क्षमताओं को दिखाते हैं, लेकिन उन प्रणालियों की गतिशीलता और अस्थायी व्यवहार का अभाव है जो वे मॉडल करने के लिए अभिप्रेत हैं।
हमने प्रतिमानों की एक श्रृंखला का पता लगाया है जो तंत्रिका नेटवर्क में गतिशील गतिविधि की चिंता करते हैं। हमने उदाहरण दिया है कि कैसे एक तंत्रिका नेटवर्क का एक सरल मॉडल गतिशील आकर्षण, आत्मनिर्भर गतिविधि और अराजकता विकसित कर सकता है। पैरामीटर जी, एक वजन गुणक पर नियंत्रण, एक साधारण निश्चित बिंदु पर आकर्षित करने वाले से अराजकता की प्रगति के साथ गतिशीलता के मॉड्यूलेशन की अनुमति देता है। एक बार जब हम तंत्रिका नेटवर्क में अराजक गतिविधि पैटर्न उत्पन्न करते हैं, तो हम एक प्रोत्साहन पैटर्न लागू कर सकते हैं और नेटवर्क को एक सीमा चक्र के आकर्षण में लॉक कर सकते हैं। यह परिदृश्य पैटर्न मान्यता और सिग्नल वर्गीकरण करने के लिए एक संभावित तरीका प्रस्तुत करता है। क्योंकि डायनेमिक सिस्टम में उनके आकर्षण के लिए जटिल बेसिन सीमाएं हो सकती हैं, इस प्रकार के दृष्टिकोण से प्रदर्शन और सामान्यीकरण क्षमताओं की उम्मीद करने का कारण है।
एक तंत्रिका नेटवर्क में कई अट्रैक्टर का विकास वजन गड़बड़ी के साथ एक अभिवृद्धि विधि के माध्यम से पूरा किया जा सकता है। परिणामी नेटवर्क में, प्रारंभिक अवस्थाओं के एक सेट में प्रत्येक व्यक्ति अपने स्वयं के आकर्षण पैदा करता है। पैटर्न वर्गीकरण और साहचर्य स्मृति में कम्प्यूटेशनल कार्यों को अलग-अलग प्रारंभिक राज्यों के माध्यम से पूरा किया जा सकता है जो अलग-अलग गतिशील आकर्षित करने वाले होते हैं।
डायनेमिक बाइनरी नेटवर्क में, आकर्षित करने वाले बेसिनों की खोज और आकर्षण के उन बेसिनों के लचीलेपन ने आकर्षित करने वालों के लिए स्थैतिक हॉपफील्ड नेटवर्क (0.15n) में यादों की संख्या की तुलना में काफी अधिक होने की क्षमता दिखाई। एक गतिशील बाइनरी नेटवर्क में पांच न्यूरॉन्स के साथ, हजारों बेसिन वर्ग - विभिन्न बेसिन में पैटर्न के विभाजन को पूरा किया जा सकता है।
तंत्रिका जाल में एक विशिष्ट आकर्षण को प्रशिक्षित करने के लिए, एक बंद-पाश प्रक्षेपवक्र उत्पन्न करने के लिए समय की देरी के साथ एक तंत्रिका नेटवर्क को प्रशिक्षित किया गया था। प्रशिक्षित नेटवर्क शोर शुरू करने की स्थिति और अलग-अलग प्रारंभिक खंडों के बावजूद इस प्रक्षेपवक्र को उत्पन्न करता है। परिणाम संचार और नियंत्रण अनुप्रयोगों के लिए एक मजबूत संकेत और पथ जनरेटर है।
आवेग गाड़ियों जैविक तंत्रिका प्रणालियों में स्पाटोटेमपोर्ल प्रसंस्करण का एक नया आयाम जोड़ते हैं। तंत्रिका आवेगों के अस्थायी पैटर्न और न्यूरॉन्स के ensembles के बीच समकालिकता सूचना प्रसंस्करण और प्रतिनिधित्व के लिए स्थानिक कोड हैं। न्यूरॉन्स और तंत्रिका ensembles की फायरिंग गतिविधि जैविक तंत्रिका प्रसंस्करण के आवेग ट्रेन संरचना पर आरोपित ग्राहकों और गतिशील आकर्षित कर सकती है।
मान्यता और spatiotemporal संकेतों की पीढ़ी की सामान्य समस्या गतिशील तंत्रिका नेटवर्क के साथ हल करने योग्य प्रतीत होती है, हालांकि बहुत शोध किया जाना बाकी है। गतिशील दोलन करने वाले आकर्षित करने वालों के आधार पर आत्मनिर्भर गतिविधि को उत्पन्न करने और प्रशिक्षित करने की क्षमता, यहाँ वर्णित प्रारंभिक परिणामों में दिखाई गई है।