होलोग्राफिक एसोसिएटिव मेमोरी
होलोग्राफिक डेटा भंडारण के लिए, होलोग्राफिक एसोसिएटिव मेमोरी (एचएएम) होलोग्रफ़ी के सिद्धांतों पर आधारित सूचना भंडारण और पुनर्प्राप्ति प्रणाली है। होलोग्राम प्रकाश की दो किरणों का उपयोग करके बनाए जाते हैं, जिन्हें संदर्भ किरण और ऑब्जेक्ट किरण कहा जाता है। वे फोटोग्राफिक पेपर पर पैटर्न तैयार करते हैं जिसमें वे दोनों शामिल होते हैं। बाद में, संदर्भ किरण को पुन: प्रस्तुत करके, होलोग्राम मूल वस्तु की दृश्य छवि को फिर से बनाता है। सिद्धांत रूप में, कोई ऑब्जेक्ट बीम का उपयोग ही कार्य करने के लिए कर सकता है: मूल संदर्भ बीम को पुन: उत्पन्न करना। HAM में, सूचना के टुकड़े दो किरणों की तरह काम करते हैं। प्रत्येक का उपयोग पैटर्न से दूसरे को पुनः प्राप्त करने के लिए किया जा सकता है। इसे कृत्रिम तंत्रिका नेटवर्क के रूप में सोचा जा सकता है जो मस्तिष्क द्वारा सूचना का उपयोग करने के तरीके की नकल करता है। जानकारी को जटिल वेक्टर द्वारा अमूर्त रूप में प्रस्तुत किया जाता है जिसे आवृत्ति और परिमाण वाले तरंग रूप द्वारा सीधे व्यक्त किया जा सकता है। यह तरंग रूप विद्युतरासायनिक आवेगों के अनुरूप है जो जैविक न्यूरॉन कोशिकाओं के बीच सूचना संचारित करता है।
परिभाषा
एचएएम एनालॉग, सहसंबंध-आधारित, सहयोगी, उत्तेजना-प्रतिक्रिया यादों के परिवार का हिस्सा है, जहां जानकारी को जटिल संख्याओं के चरण अभिविन्यास पर मैप किया जाता है। इसे जटिल संख्या मूल्यवान कृत्रिम तंत्रिका नेटवर्क माना जा सकता है। होलोग्राफिक साहचर्य स्मृति कुछ उल्लेखनीय विशेषताओं को प्रदर्शित करती है। एसोसिएशन (मनोविज्ञान) स्मृति कार्यों, सामान्यीकरण और परिवर्तनशील ध्यान के साथ पैटर्न पहचान के लिए होलोग्राफ को प्रभावी दिखाया गया है। गतिशील खोज स्थानीयकरण की क्षमता प्राकृतिक स्मृति का केंद्र है।[1] उदाहरण के लिए, दृश्य धारणा में, मनुष्य हमेशा पैटर्न में कुछ विशिष्ट वस्तुओं पर ध्यान केंद्रित करते हैं। मनुष्य पुनः सीखने की आवश्यकता के बिना आसानी से फोकस को वस्तु से दूसरी वस्तु पर बदल सकता है। एचएएम कम्प्यूटेशनल मॉडल प्रदान करता है जो फोकस के लिए प्रतिनिधित्व बनाकर इस क्षमता की नकल कर सकता है। इस नई मेमोरी के केंद्र में पैटर्न का नया द्वि-मोडल प्रतिनिधित्व और होलोग्राम जैसा जटिल गोलाकार वजन राज्य-स्थान निहित है। एसोसिएटिव कंप्यूटिंग के सामान्य लाभों के अलावा, इस तकनीक में तेजी से ऑप्टिकल प्राप्ति की उत्कृष्ट क्षमता भी है क्योंकि अंतर्निहित हाइपर-गोलाकार गणनाओं को स्वाभाविक रूप से ऑप्टिकल गणनाओं पर लागू किया जा सकता है।
यह उत्तेजना-प्रतिक्रिया पैटर्न के रूप में सूचना भंडारण के सिद्धांत पर आधारित है जहां जानकारी रीमैन सतह पर जटिल संख्याओं के चरण अभिविन्यास द्वारा प्रस्तुत की जाती है।[2] बहुत बड़ी संख्या में उत्तेजना-प्रतिक्रिया पैटर्न को ही तंत्रिका तत्व पर आरोपित या लपेटा जा सकता है। उत्तेजना-प्रतिक्रिया संघों को गैर-पुनरावृत्तीय परिवर्तन में एन्कोड और डिकोड दोनों किया जा सकता है। कनेक्शनवाद तंत्रिका नेटवर्क के विपरीत, गणितीय आधार को मापदंडों के अनुकूलन या त्रुटि पश्चप्रचार की आवश्यकता नहीं होती है। मुख्य आवश्यकता यह है कि जटिल क्षेत्र में उत्तेजना पैटर्न को सममित या ओर्थोगोनल बनाया जाए। HAM आम तौर पर सिग्मॉइड फ़ंक्शन प्री-प्रोसेसिंग को नियोजित करता है जहां कच्चे इनपुट को ऑर्थोगोनलाइज़ किया जाता है और गाऊसी वितरण में परिवर्तित किया जाता है।
संचालन के सिद्धांत
- उत्तेजना-प्रतिक्रिया संघों को गैर-पुनरावृत्तीय परिवर्तन में सीखा और व्यक्त किया जाता है। त्रुटि शर्तों या पुनरावृत्तीय प्रसंस्करण का कोई बैकप्रोपेगेशन आवश्यक नहीं है।
- विधि गैर-कनेक्शनवाद मॉडल बनाती है जिसमें व्यक्तिगत न्यूरॉन सेल के भीतर एनालॉग संकेत उत्तेजना-प्रतिक्रिया पैटर्न या जटिल संघों के बहुत बड़े सेट को सुपरइम्पोज़ करने की क्षमता मौजूद होती है।
- उत्पन्न फ़ैसर प्रतिक्रिया जानकारी संचारित करता है, और परिमाण मान्यता (या परिणाम में विश्वास) के माप का संचार करता है।
- यह प्रक्रिया संग्रहीत जानकारी की प्रभुत्व प्रोफ़ाइल स्थापित करने के लिए तंत्रिका तंत्र के साथ क्षमता की अनुमति देती है, इस प्रकार किसी भी सीमा की मेमोरी प्रोफ़ाइल प्रदर्शित करती है - अल्पकालिक मेमोरी से | अल्पकालिक मेमोरी से दीर्घकालिक मेमोरी तक।
- प्रक्रिया गैर-अशांति नियम का पालन करती है, अर्थात पूर्व उत्तेजना-प्रतिक्रिया संघ बाद की शिक्षा से न्यूनतम रूप से प्रभावित होते हैं।
- जानकारी जटिल वेक्टर द्वारा अमूर्त रूप में प्रस्तुत की जाती है जिसे आवृत्ति और परिमाण वाले तरंग रूप द्वारा सीधे व्यक्त किया जा सकता है। यह तरंग रूप विद्युतरासायनिक आवेगों के अनुरूप है जो जैविक न्यूरॉन कोशिकाओं के बीच सूचना संचारित करता है।
यह भी देखें
- और निगम
- होलोग्राफिक डेटा भंडारण
- होलोनोमिक मस्तिष्क सिद्धांत
- स्व-व्यवस्थित मानचित्र
- विरल वितरित स्मृति
संदर्भ
- ↑ Khan, J.I. (1998). "गतिशील रूप से स्थानीयकरण योग्य ध्यान के साथ पुनर्प्राप्ति में बहुआयामी होलोग्राफिक साहचर्य स्मृति की विशेषताएं". IEEE Transactions on Neural Networks. 9 (3): 389–406. doi:10.1109/72.668882. ISSN 1045-9227.
- ↑ Sutherland, John G. (1 January 1990). "स्मृति, सीखने और अभिव्यक्ति का एक होलोग्राफिक मॉडल". International Journal of Neural Systems. 01 (3): 259–267. doi:10.1142/S0129065790000163.
अग्रिम पठन
- Gopalan, R. P.; Lee, G (2002). McKay, R. I.; Slaney, J. (eds.). Indexing of Image Databases Using Untrained 4D Holographic Memory Model. 15th Australian Joint Conference on Artificial Intelligence. Springer. pp. 237–248.
- Hendra, Y.; Gopalan, R. P.; Nair, M. G. (1999). A method for dynamic indexing of large image databases. IEEE SMC'99. Systems, Man, and Cybernetics.
- Khan, J. I. (August 1995). Attention Modulated Associative Computing and Content-Associative Search in Image Archive (PDF) (PhD thesis). University of Hawaii.
- Michel, H. E.; Awwal, A. A. S. (1999). Enhanced artificial neural networks using complex numbers. IJCNN'99. International Joint Conference on Neural Networks. Proceedings (Cat. No.99CH36339. Vol. 1. Washington, DC, USA. pp. 456–461. doi:10.1109/IJCNN.1999.831538.
- Michel, H. E.; Kunjithapatham, S. (2002). "Processing Landsat TM data using complex-valued neural networks" (PDF). Proceedings of SPIE. International Society for Optical. Archived from the original (PDF) on 2017-09-11.
- Stoop, R.; Buchli, J.; Keller, G.; Steeb, W. H. (2003). "Stochastic resonance in pattern recognition by a holographic neuron model" (PDF). Physical Review E. 67.
