意識の論理。 パート6.意味を計算するためのスペースとしての皮質

情報とは何か、その中に隠された意味をどのように見つけるか、一般的には何が理にかなっていますか？ ほとんどの解釈では 、これらの単語を同義語として使用して、 情報をメッセージまたはデータと比較します。 メッセージは通常、特定の形式を意味します。 たとえば、話し言葉、テキストメッセージ、信号機など。 「メッセージ」という用語は、その送信に関連して情報について話すときにより頻繁に使用されます。 通常、データとは、ストレージまたは送信の形式が定義されている情報を意味します。 たとえば、データベース内のレコード、コンピューターメモリ内の配列、ネットワークパケットなどに言及する場合、データについて話します。 情報の伝達方法やプレゼンテーションの形式に集中する必要がない場合は、「情報」という用語を使用することをお勧めします。



情報を使用するには、解釈する必要があります。 たとえば、赤信号は運転禁止、笑顔は良い場所の信号などとして解釈できます。 特定の解釈は、情報の意味と呼ばれます。 少なくとも、この解釈は標準化のための国際組織によって固守されています ：「特定のコンテキスト内で特定の意味を持つ、事実、出来事、物、プロセス、または概念を含むアイデアなどのオブジェクトに関する知識」。



同じ情報に対して異なる解釈が存在する場合があります。 「コンピューターの電源ボタンが押されました」というメッセージの解釈は、コンピューターが押される前に電源がオンにされたかどうかによって異なります。 これに応じて、情報は「オン」または「オフ」として解釈できます。



この情報またはその情報の解釈方法を決定する状況は、通常コンテキストと呼ばれます。 情報の解釈は、特定のコンテキストでのみ存在します。 したがって、情報で見つかった意味は特定のコンテキストも指します。



同じ情報が異なるコンテキストで意味をなす場合があります。 たとえば、すべての格言はこれに基づいて構築されています。「新聞で世界の窓を閉めることができます」、「ゼロからチェーンを作るのは簡単です」、「歯を失った人は少しゆるい舌を持っていると言います」（ スタニスラフジェジーレッツ ）。



この情報またはその情報に対して人がどの解釈を選択するかは、主に彼の個人的な経験によって決まります。 誰かが一つのこと、他の誰かを見ることができる：「愚か者が星に向けられたとき、愚か者は指だけを見る」（映画「アメリ」 、2001）。



上記の情報、コンテキスト、および情報の意味の相関関係は十分に直感的であり、私たちの日常の経験とよく一致しています。 前のパートでは、単純なルールを使用してこれらすべてを正式なモデルに転送する方法を示しました。

• 主題には概念の有限セットがあります。
  
  
• 説明はすべて概念のセットです。
  
  
• コンテキストは、ある概念を別の概念に変換するための一連の規則です。
  
  
• 解釈は、変換ルールを適用した後にコンテキストで取得される新しい説明です。
  
  
• コンテキストスペースは、サブジェクトが使用できるすべてのコンテキストのセットです。
  
  
• センスは、信頼できる外観を持つ一連の解釈です。 つまり、特定の方法で被験者の記憶と一致するものです。
  
  

ウィンストン・チャーチルは、「事実はなく、それらの解釈しかありません。」と述べました。 正しく解釈された情報は理にかなっています。 得られた解釈から、被験者の記憶を形成することが可能です。



ソースメッセージとその正しい解釈の例がある場合、解釈の各ケースに適用される解釈ルールを区別できます。 ある言語から別の言語に翻訳するようなものです。 さまざまな状況で同じ単語をさまざまな方法で翻訳できますが、特定の文とその翻訳では、どのオプションが使用されたかを常に確認できます。



これまたはその解釈の選択が何に依存するかを分析すると、この選択に影響する状況の有限セットがあることがわかります。 このような状況はコンテキストです。 同じコンテキスト内で、すべての概念の解釈規則が一度に合意されます。 言語翻訳では、これはサブジェクトまたはサブジェクト領域がより適切な翻訳オプションを決定する方法に対応します。



コンテキストのセットは、「元の記述-正しい解釈」のクラスタリングペアから自動的に取得できます。 ペアを組み合わせて解釈ルールが互いに矛盾しないクラスにすると、結果のクラスはコンテキストに対応し、クラスのすべてのペアから収集されたルールがこのコンテキストの解釈ルールになります。



コンテキストが形成される場合、情報の意味の検索は、どのコンテキストがその解釈に最も適しているかを判断することです。 不適切な文脈では、解釈は「曲がった」ように見え、正しい文脈でのみ「正しい」解釈が現れます。 すでにメモリに保存されている「正しい」解釈にどれだけ似ているかによって、解釈が正しいか間違っているかを理解できます。



コンテキストの選択に関連する2つの主なアイデアは区別できます。 1つ目は、コンテキストを使用して、これまでに遭遇したことのない情報を合理的に解釈する機会を得ることです。 したがって、翻訳するとき、両方の言語を熟知していても、考えられるすべての文とその翻訳を記憶に保存するわけではありません。 会話のコンテキストを理解し、このコンテキストに最適な個々の単語を翻訳するためのオプションを選択します。 2番目のアイデアは、メモリ、つまり以前の経験により、この状況でどのコンテキストが最も正しい解釈を作成するかを判断できるということです。



小さな例：幾何学的形状を扱っているとします。 彼らは私たちに三角形を見せ、それから円を見せました。 これらの説明を覚えています。 それから、彼らは同じ三角形を示しましたが、オフセットがありました。 説明が一致しませんでした。 任意のオフセットで三角形を認識したい場合は、考えられるすべてのオフセットでその説明を覚えておくことができます。 しかし、これは、後で円をもう一度見て、変位でそれを認識するのに役立ちません。 ただし、図の説明が特定のオフセットで変化するルールを学習できます。 さらに、これらのルールは均一であり、特定の数値に依存しません。 それから、どんなオフセットでもすぐにそれをすぐに認識するために、一度数字を見るだけで十分です。



情報の意味を決定するアルゴリズムが提案されています。 コンテキスト空間を構成する各コンテキストの初期記述は、独自の解釈を取得します。 つまり、可能なコンテキストがある限り、可能な限り多くの解釈仮説が構築されます。 あるコンテキストで、結果の解釈がメモリの内容に似ていることが判明した場合、そのような解釈は情報の意味になる機会を得ます。



幾何学的形状の場合、これは、各コンテキストが特定のオフセットの説明を変更するためのルールを格納することを意味します。 コンテキストの数は、可能なオフセットの数によって決まります。 右上の正方形を見た後、各コンテキストで変位を適用し、その場所のすべての可能なオプションを取得する必要があります。 以前に、たとえば中央に同様の正方形が見つかった場合、あるコンテキストでは、現在の解釈は以前に記憶されたものと一致します。



計算スキームが提案されました。 各コンテキストは、独自のコンピューティングモジュールによって提供されます。 同じ説明が各モジュールの入力にも適用されます。 各モジュールのメモリには、そのコンテキストの概念を変換するためのルールが含まれています。 各コンテキストで、メモリと比較される解釈が取得されます。 解釈と記憶の一致の度合いに応じて、情報が意味のある見方をする文脈があるかどうかが判断されます。











前のパートでは、人が遭遇する多くの種類の情報が同様の計算スキームに帰着することが示されました。



コンテキストコンピューティングモジュールの操作には、次のことが必要です。

• 情報は個別の概念のセットとして提示されました。
  
  
• 各コンテキストモジュールは同じ情報を受け取りました。
  
  
• 各コンテキストモジュールには、初期概念を解釈に変換するための独自のルールのメモリがありました。
  
  
• 各コンテキストモジュールは、残りとは関係なく、以前のすべての経験を保存するメモリにアクセスし、その解釈仮説の信頼性を評価できます。
  
  

大脳皮質では、独自の自律記憶を備えたこのような計算要素になり得るものは何ですか？ それで、皮質ミニカラムについて話す時が来たようです。

脳

脳の一般的な構造の記憶をリフレッシュしましょう。 基本的には、古代の脳、皮質、白質、小脳で構成されています。



古代の脳は中心にあり、比較的小さな体積を占めています。 古代と呼ばれる理由は、多くの生物で非常によく似ており、明らかに、すべての生物に共通する主な進化した進化の基本機能を決定するからです。









古代の脳、白質、大脳皮質



脳の外表面は、ニューロンとグリア細胞の薄い層で構成されています。 この層は大脳皮質と呼ばれます。 生物種が進化発達のより高い段階にあるほど、その樹皮はより発達します。



樹皮は、たとえば人間の場合のように大きな領域に達すると、ひだを形成し始めます。 折り目の役割は、大きな樹皮の表面を頭蓋骨の比較的小さな体積に収めることです。



皮質は学習過程でその機能を獲得することが知られています。 たとえば、次の事実がこれを裏付けています。 例えば、脳卒中、除去または怪我のために皮質の一部が損傷した場合、この場所に関連する機能は失われます。 しかし、時間が経つにつれて、これらの機能は回復する可能性があります。 皮質の同じ領域の残りの部分が失われたスキルを再び学習できるか、または他の半球の対称的に配置された領域がこの置換機能を引き受けます。



特定の機能に関与する皮質の領域は、皮質領域と呼ばれます。 地殻全体は、このような多くのゾーンに分割されます。











これらの領域の1つ-皮質の運動ゾーンは、運動活動に関与しています。 しかし、このゾーンが発行するチームは一般的な性質のものです。 正確な運動性、つまり、筋肉への信号へのこれらのコマンドの詳細な実装は、別の器官-小脳によって実行されます。











小脳は、それがミニチュア脳のように見えることからその名前を得ました。 ちなみに、それは常にミニチュアではありません。たとえば、サメの脳は主脳よりも小脳が多いです。 小脳の外表面も皮質であることは注目に値します。 大脳皮質は大脳皮質とは多少異なりますが、その仕事のイデオロギーは大脳皮質の仕事に非常に近いはずです。











大脳皮質と古代の脳の間、および小脳の内部は白質で満たされています。 これは、脳のある部分から別の部分に信号を送信するニューロンの軸索に過ぎません（下図）。









実際の脳の投影接続。 別個の「ストリング」は神経線維の束に対応します（脳科学のためのアレン研究所）



これらの接続はよく研究されています。 それらは単なる連続投影メディアではなく、もっと興味深いものです。



ディープラーニングを使用する人工ニューラルネットワークでは、情報はレベル間で転送されます。 通常、レベルには入力ニューロンの層、隠れ層、出力層があります。









直接配信ネットワークの例



上の図は可能なオプションの1つを示していますが、一般的に、レベルは内部で非常に複雑になる可能性があります。 たとえば、レイヤーは畳み込み演算を実行でき、まったく異なるアーキテクチャを持つことができます。 しかし、すべてのレベルで共通しているのは、一連の機能によって情報がエンコードされる入力層と出力層があることです。 1つのニューロンは1つの兆候です。 層ニューロンのセットは、説明的な説明です。 入力層と出力層の各ニューロンについては、「自分の祖母」に対応していると言えます。



あるネットワーク層の状態を別のネットワーク層に転送するには、初期レベルの出力層のすべてのニューロンの状態を次のレベルの入力層のニューロンに転送する必要があります。



非常に送信された記述は、バイナリ記号で構成される長いベクトルによって取得されます。 このアプローチでは、符号の数は出力層のニューロンの数によって制限され、レベルからレベルへの送信には、送信ニューロンと同じ数の「繊維結合」が必要です。



そのため、実際の脳の接続システムには類似したものさえありません。 皮質のゾーンは互いに、そして細い繊維の束によって古代の脳の構造とつながっています。 束を構成する繊維は、ある場所から突き出ており、別の場所から突き出ています。 各バンドルには、わずか数百のファイバーが含まれています。 上の図では、表示される各「スレッド」がこのバンドルです。



そのようなバンドルに関する情報は、ファイバーのアクティビティパターンが送信された概念をエンコードする場合、1つのファイバーが1つの機能である機能の説明ではなく、コード（下図）によって送信されると想定できます。









神経線維の束（左）とサンプルコード（右）



投影システムは、提案されたモデルとニューロン検出器を備えたモデルの違いを示しています。 ニューロン信号は、それが「祖母のニューロン」である場合、現在の説明に祖母がいるかどうかを示します。 このモデルでは、ニューロンの活動はバイナリコードでほんの少しです。



実際のニューロンが特定の刺激に安定して応答することが発見された場合、ニューロンと刺激が対応していると結論付けることはできません。 同じニューロンが他の刺激に正常に応答できます。



投影ビームを介した情報の伝送は、コンピューターデータバスを介したバイナリ信号の伝送と比較できます。 これはかなり正確な例えです。 しばらくしてから、視覚システムの例を使用して、この仮定の妥当性のかなり強力な証拠を示します。



上記の要約：

• 脳は、ニューロンの活動が「祖母」に対応する特徴記述では動作しませんが、個別の概念の「デジタル」コードです。
  
  
• 訓練、情報処理のために、記憶は皮質を担当しています。
  
  
• 樹皮は、特定の機能を実行するゾーンで構成されています。 同時に、特定のゾーンがどの機能を実行し、どのゾーンで機能するかに関係なく、皮質のアーキテクチャは実質的に変更されません。 したがって、大脳半球の皮質であろうと小脳皮質であろうと、皮質のすべての場所で、情報を扱うのと同じ原理が使用されていると想定することができます。
  
  

皮質のミニコラム

カットでは、クラストは下図のようになります。 表面から約1.5ミリメートルのかなり薄い層がニューロンとグリア細胞で満たされ、軸索からなる白質が始まります。









大脳皮質のセクション。 6つのレベルすべての合計の厚さは約1.5ミリメートルです



樹皮は条件付きで6つの層に分割されます。 皮質の上部の最初の層は、主に水平軸索の接続が含まれており、白質に似ています。 残りの層では、軸索結合は主に垂直に伝播します。 結果として、上下に位置するニューロンは、左右に位置する隣接するニューロンよりもはるかに強く接続されていることがわかります。 これは、皮質がニューロンの個別の垂直列に「分割」するという事実につながります。 個々のニューロン、列、および列のグループがどのように見えるかを次の図に示します。









独立した錐体ニューロン（左）、皮質ミニカラム（中央）、多くのミニカラーで構成される皮質の断片（右）（BBP / EPFL 2014モデリング）



上下に上下に位置するニューロンのグループは、通常、皮質ミニカラムと呼ばれます。 バーノンマウントキャッスルは、脳にとっては皮質の列が情報処理の主要な構造単位であると仮説を立てました（W. Mountcastle、J. Edelman、1981）。



1つのミニカラムには、皮質ゾーンに応じて80から120のニューロンが含まれます;一次視覚野では、ミニカラムには最大200のニューロンが含まれます（下図）。









猫（左）とサル（右）の一次視覚野のミニコラム（Peters and Yilmaze、1993）



人間またはマカクの脳のミニコラムの中心間の距離は、ゾーンに応じて20から80ミクロンまで変化します。 ミニカラムの横径は、平均で約50μmです（Brain（1997）、120、701–722、The columnar organization of the neocortex、Vernon B. Mountcastle）。 すでに述べたように、マイクロカラムは多数の垂直接続によって特徴付けられます。 したがって、ミニカラム内のシナプス接触の大部分は、同じミニカラムに属するニューロンに該当します。



ミニカラムの機能を理解するために、まず、1つのミニカラムのメモリ容量を評価してみましょう。

1つのミニカラムのメモリ容量

ニューロンには、多くの枝からなる樹枝状の樹木があります。 情報は、相互接続されたパターンの分布の形で皮質に沿って送信できることを示唆しました。 パターン自体は、おそらく、樹状分岐の電気的活動によって形成されたパターンです。 1つのパターンは、それに関連する継続パターンを呼び起こします。 このプロセスが繰り返されます。 その結果、固有の内部パターンを持つ波が皮質に沿って転がります。 各パターンは概念に対応しています。



以前に、2つの波形パターンの干渉に基づくメモリ形成スキームが示されました。 最初のパターンは、メモリを保持する必要がある要素を定義します。 2番目のパターンは、記憶の鍵を設定します。



1つのミニカラム内の樹状分岐の活動パターンは、このミニカラムのニューロンの信号応答を引き起こします。 この答えは、同期スパイクの写真のように見えます。 このニューロン信号は、元の樹状突起信号のハッシュコードです。



「長い」樹状キーパターンからのハッシュ変換は、ニューロンに短いメモリキーを作成します。 神経コードが現れると、スパイクはこのコードに含まれるニューロンの軸索に沿って伝播し始めます。

1つのミニコラムのニューロンの軸索は、ミニコラム内で多くのシナプスを形成します。 神経伝達物質のカクテルは、アクティブなニューロンに属する各シナプスから放出されます。 シグナル物質の体積分布の複雑な画像が取得されます。



神経伝達物質はシナプスを超えて放出されるため、この写真は近くにあるすべての受容体の観察に利用できます。 受容体は、ニューロンとグリア細胞の表面にある特別な分子です。 受容体は、化学物質の特定の組み合わせの出現に反応し、ニューロン内のさまざまなプロセスをトリガーできます。 さらに、受容体はその状態を変化させ、特定の信号に対して感受性または非感受性になる可能性があります。



ニューロン列の各アクティビティコードは、神経伝達物質の分布の一意の3次元画像を作成します。 代謝型受容体の変化により、樹状突起のどの部分でも、神経伝達物質の体積分布のあらゆる画像を記憶し、高精度で認識することができることが示されました。 さらに、樹状突起の1つの枝が記憶できる絵画の数は、受容体の数によって決まり、数万から数十万になります。



ニューロンの信号が樹状突起枝によって記憶されるように、この信号に関連して選択された場所がなければなりません。 つまり、アクティブなニューロンの軸索のかなりの部分が交差するような場所です。 高確率で樹状分岐上の任意の信号に対して、少なくとも1つのそのような場所があることが示されました。



単一の皮質ミニカラムは、記憶の保存と再現に必要なすべての条件を満たします。 ミニカラムの直径は、空間信号の形成に必要な基本体積に対応します。 活動を伴うミニカラムニューロンはバイナリキーを形成でき、その長さは情報を一意に識別するのに十分です。 ミニコラム内の軸索および樹状突起の側枝は、選択した部位の外観に適した構造を形成します。



次の考慮事項から、1つのミニカラムでどれだけのメモリを保存できるかを大まかに見積もることができます。 1つの記述に含まれる情報の量は、ミニカラムの樹状突起部分の活動から生じるバイナリコードの容量によってほぼ決まります。 ミニカラムの樹状突起部の総数N _dsは、約100 * 30 = 3000です（ミニカラー自身のニューロンの樹状突起と、隣接するミニカラムのニューロンの樹状突起の両方がミニカラムに入ります）。 複雑な記述がN個の_sig要素のアクティビティをエンコードすると仮定すると、シャノンによる1つの記述の情報量は









N _sig = 150の場合、これは854ビットまたは約100バイトです。 1つの記述をエンコードするには、行われた仮定の下で、150の受容クラスターの状態を変更する必要があります。 したがって、1つのクラスターあたりの情報









クラスターごとの情報量は、N _sig （下の表）にあまり依存せず、約6ビットです。











したがって、ミニカラムの情報容量を推定できます









N _clはシナプスあたりの受容クラスターの数、N _synは1つのニューロンのシナプスの数（8000）、N _neurはミニ_コラムのニューロンの数（100）です。



シナプスあたりの受容体の数は、主にシナプスを囲むシナプス外受容体を意味します。 潜在的に、それらの数は時間とともに変化する可能性があります。 つまり、仮説的に、記憶の蓄積は、受容体の総数の増加を伴う可能性があります。



シナプスでのAMPA受容体の密度の測定は、1平方メートルあたり1600個の受容体の値を示しました。 ミクロン。 単量体ATX受容体の直径は9 nmで、二量体の受容体の中心間の距離は9.5 nmです。 脊椎の表面と樹状突起の隣接する表面には、潜在的に何百、何千もの受容体が自由に適合することができます。



我々のアプローチでは、シナプス付近の受容性クラスターの最大合理的な数は、神経伝達物質の周囲のソースの活動の可能な組み合わせの数によって制限されます。 15のソースで、5つのアクティブなソースを選択すると、約3,000の可能な組み合わせが得られます。



前述に基づいて、このような数の受容体が長年の記憶の過程で蓄積できると仮定して、500に等しいN _clを取ります。 その場合、ミニカラムのメモリ容量は2.3x10 ⁹ビットまたは約300メガバイトになります。 または、それぞれ100バイトの情報内容を持つ300万のセマンティックメモリ。



記憶の主な要素としてのシナプスの可塑性に基づくアプローチは、はるかに控えめな結果をもたらします。 ミニカラムには約800,000のシナプスが含まれています。 可塑性のレベルの変化によるシナプスが数ビットの情報をエンコードすると仮定しても、わずか数百キロバイトの値が取得されます。 メモリ容量が3桁増加すると、ミニカラムの情報能力が飛躍的に向上します。 ミニコラムに保存されている情報はセマンティックに近い性質を持っているため、300メガバイトで、たとえば、人生の中で蓄積した人のすべての記憶を保存するのに十分であることがわかりました。



圧縮されていない500ページの本には、約500キロバイトかかります。 ミニカラムを使用すると、600個のボリュームで構成されるメモリのライブラリを保存できます。 それについては、1か月の寿命または1日あたり15ページです。 これは私たちに起こるすべての意味記述を含むのに十分であると思われます。



繰り返しますが、皮質の各ゾーンには独自の専門性があるため、各ゾーンのミニコラムは脳の全記憶を保存する必要はなく、被験者の記憶があれば十分です。



300メガバイトのミニカラムメモリは、ギガバイトサイズの写真ライブラリまたはフィルムライブラリと比較しないでください。 画像がメモリに保存されると、写真形式ではなく、画像に対応する概念で構成される短い意味記述の形式で保存されるようです。 記憶の瞬間に、画像は再現されず、新たに再構築され、写真の記憶の幻想を作り出します。 これは、口頭での説明によってのみ、人物の肖像を写真に非常に近く復元できる方法と比較できます。



グリア皮質細胞の受容体も情報コードのキャリアであると仮定すると、ミニカラムの実際の記憶は何倍も高くなる可能性があります。 コンテキストコンピューティングモジュールには、主に2つのタイプのメモリを保存する必要があります。過去の解釈のメモリと変換ルールのメモリです。 これらのタイプの記憶は、ニューロンとプラズマ星状細胞の間で共有される可能性があります。



最初は、ミニカラムの100個のニューロンのみが一生の記憶を保存できるという考えは、特に記憶が皮質の空間全体に分布していると信じていた人にとっては、ばかげているように思われます。さらに、従来の情報アプローチにおける同じ情報の何百万ものミニコラムの複製は、リソースの無駄な無駄であると思われます。しかし、コンテキスト空間で意味を定義するというイデオロギーにより、皮質のまさにそのようなアーキテクチャを真剣に正当化することができます。

皮質ミニカラムの基本的な計算機能

ミニカラムの操作を決定する基本的な考え方は非常に簡単です（下図）。皮質の1サイクルを考えてください。現在の説明を伝える情報は、多くのミニコラムで構成される皮質ゾーンに分布しています。各ミニカラムは、この情報を、特定のアクティビティ、おそらく樹状突起セグメントのアクティビティを通過するパターンと見なします。各ミニ列には変換メモリが格納され、情報認識の独自のコンテキストを担当します。各コンテキストは、ソース記述を解釈に変換するためのルールを、他とは異なる独自のルールを暗示しています。ミニコラムの変換の記憶は、特定のミニコラムの文脈での解釈に対応する概念のパターンに説明を構成する元の概念のパターンを変換するためのメカニズムです。









皮質のミニカラムの基本的な計算のスキーム



1つの記述を構成する概念は、ミニカラムに次々と順番に到達します。実際、それぞれはバイナリコードです。ミニカラムは、元のコンセプトのコードを、このミニカラムのコンテキストでこのコンセプトの解釈の記憶されたコードに置き換えます。



個々の概念のバイナリ解釈コードは、樹状突起セグメントに蓄積されます。放電されたバイナリコードはビットごとに論理的に追加できることを思い出させてください。加算の結果、ブルームフィルターに似たベクトルが得られます。これは、記述の完全性を保持する単一のバイナリベクトルです。



説明からの個々の概念のすべての波が通過した後、それらの解釈が生じ、合計され、ミニコラムのコンテキストで初期情報の解釈に対応する樹状突起セグメントにバイナリコードが表示されます。



変換された情報と元の記述が互いに干渉することなく共存できるメカニズムがあると想定できます。皮質の異なる層がこのような個別の処理を担当している可能性があります。

樹状突起セグメントの活動の組み合わせは、ミニカラムのニューロンのスパイク活動の出現につながります。ニューロンの活動で構成されるコードは、ソース情報の解釈に対応する情報記述のハッシュ関数として解釈できます。



以前に、神経活動の組み合わせがキーになる可能性があることが示されており、そのようなキーまたはキーに類似したキーに関連付けられた以前の経験をメモリから抽出することができます。各ミニカラムのメモリには、以前に発生したすべてのイベントが保存されます。以前の経験は、「​​情報記述からのハッシュ-識別子」と「識別子からのハッシュ-情報の記述」のペアの形で保存されると思われます。



これは、分散複製メモリの必要性が明らかになるところです。すべてのミニカラムに同じメモリを複製する必要があります。これにより、各ミニカラムは、他のミニカラムに干渉することなく、その解釈を以前のすべての経験と独立して比較できます。メモリが共有され、ある場所のどこかに保存されている場合、100万個の仮説の検証は、連続してしか実行できませんでした。実際の並列化には、並列計算能力の可用性だけでなく、メモリへの対応する並列アクセスも必要です。同様の問題は、ビデオカードでの計算時に解決されます。各プロセッサがメモリにすばやくアクセスする必要がある場合、各プロセッサに独自のメモリを提供する以外に何も残っていません。



現在の記述とメモリの解釈を比較した結果は、対応関数の計算であると想定できます。最初の一致関数は、解釈と一部のメモリ要素が完全に一致することを示します。 2番目の関数は、メモリに保存されている解釈と経験の一般的な類似性を評価します。後に、一般化手順が説明されると、もう1つのタイプの対応が表示されます-過去の経験により強調された要因に対する解釈の対応。



対応関数の信号は、個々のニューロンまたは神経グループの膜電位を変更することで潜在的にエンコードできます。



対応関数を使用すると、ミニカラムのコンテキストが現在の情報の解釈にどのように適切であるか、つまり、このコンテキストで得られた解釈が以前の経験にどれだけ対応するかを判断できます。

その結果、各ミニカラムには、現在の説明の解釈に関する独自の仮説と、この解釈がいかに有意義であるかの評価があります。特定の方法でミニカラムを比較した後、現在の情報の解釈に最適なコンテキストのミニカラムを選択できます。



「成功した」ミニコラムで得られた解釈は、皮質ゾーン全体に共通する概念に基づいています。解釈は、皮質ゾーン全体にパターン波方式で配信でき、すべての皮質ミニカラムで記憶されています。このためには、対応するメモリ識別子を皮質ゾーンに提出する必要があります。新しいエクスペリエンスは、各ミニカラムに保存されます。さらに、ミニカラムの独自の解釈が保存されるのではなく、異なる「正しい」コンテキストで取得された正しい解釈が保存されます。この解釈により、後続の情報が比較されます。そして、その後、別の文脈でその意味が馴染みのある文脈で解釈が現れる場合、この意味の新しい文脈でこの意味を学習することを妨げません。



その意味に新しい別のコンテキストでおなじみの意味を認識することは非常に重要です。おそらくこれは、記述されている脳のアーキテクチャの基本的な考え方を理解する上で重要なポイントです。たとえば、画像の場合、その意味は、認識できる画像です。視覚コンテキストは、ディスプレイスメントのさまざまなオプションになります。次に、ある場所を見て、別の場所を見つけます。これは、新しいコンテキストで古い意味を見つけることです。



別の例。人が寝ると、呼吸が遅くなります。人生で初めてコンピューターのインジケーターライトがゆっくりと点滅するのを見ると、コンピューターがスリープモードになっていることがすぐにわかります。



情報の大部分は、なじみのあるものを正確に繰り返す形ではなく、既知のものとの類似性を潜在的に見つけることができる形で私たちに届きます。チューリングテストの主な目的は、コンピュータがこのような意味の文脈の伝達を理解する能力がどの程度拡張されているかを正確にチェックすることです。



ミニコラムに戻りましょう。受賞したミニコラムの要素では、必要に応じて、現在の情報の適切な解釈、または以前の経験からの現在の説明に最適なメモリ、またはミニコラムに保存されているその他の情報のいずれかを再現できます。再現された情報は皮質ゾーンに広がることができ、さらに処理するために他のゾーンに投影することもできます。



ソース情報が複数の解釈を許可する場合、それらすべてを順番に取得できます。このため、最初の解釈を決定した後、対応するコンテキストのアクティビティを抑制し、コンテキストを選択する手順を繰り返すだけで十分です。そのため、分析された情報の可能なすべての意味解釈を分離できます。



ほとんどの場合、情報の意味である可能性のある解釈の選択は、対応の大きさに従って順番に行われるのではなく、確率的方法によって行われます。対応関数の相関により、各解釈の確率を決定できます。結果の確率に基づいて、後続の選択をランダムに行うことができます。このアプローチにより、同様の状況で同じステレオタイプの解釈に常に焦点を合わせるのではなく、時々予期しない新しい解釈を取得することができます。



このアプローチの皮質のミニコラムは、自律的な計算と周囲のミニコラムとの相互作用の両方を実行するユニバーサルモジュールのように見えます。しかし、異なるゾーンは異なる情報タスクに直面しています。いくつかのタスクでは、コンテキストの数とミニカラムの内部メモリの量がより重要であり、逆に、コンテキストが少ない場合は、内部メモリを増やし、その結果、内部ハッシュコードの容量、つまりミニカラムのニューロン数を増やすことがより重要になる場合があります。皮質の特定のゾーンのタスクに対するユニバーサルコンピューティングモジュールの最適な構成には、2つの方法があります。まず、皮質の異なるゾーンでは、ミニカラム内のニューロンの数が変化する可能性があります。これは、一次視覚野の例で特に顕著です。第二にニューロンの複数の垂直列を1つの計算モジュールに結合することが可能です。直径約150ミクロンのニューロンの軸索および樹状突起の範囲により、上記の一般的な動作原理を変更することなく、複数の列を1つのコンピューターシステムに結合できます。



さらに、メモリの完全なコピーが単一のミニカラムに収まる必要はなく、いくつかの隣接するミニカラムのスペースに分散できると想定できます。樹状ツリーの直径は約300μmであるため、潜在的にこのようなスペースは、メモリを操作するために各ミニカラムで使用できます。



これまでのところ、非常に近似したモデルが提供されており、意味のある作業の基本原則を理解することができます。このモデルを本当に機能させるために、いくつかの重要な要素が欠落しています。次の部分でそれらを説明しようとします。



アレクセイ・レドズボフ



PS物語は翻訳を続けます。一緒に、資料は英語に翻訳されます（コーディネーター-Dmitry Shabanov）。デューク大学のアメリカ人の同僚が最終編集を行っています。 しかし、あなたは彼らが意味を理解する点に翻訳する必要があります。 期限は非常に厳しいです。 いくつかの段落を翻訳する機会と希望があれば、参加してください。

意識の論理。 エントリー

意識の論理。 パート1.セルオートマトンの波

意識の論理。 パート2.樹状波

意識の論理。 パート3.セルオートマトンのホログラフィックメモリ

意識の論理。 パート4。脳記憶の秘密

意識の論理。 パート5.情報分析へのセマンティックアプローチ

意識の論理。 パート6.意味を計算するためのスペースとしての皮質

意識の論理。 パート7.コンテキスト空間の自己組織化

意識の論理。 「指で」説明

意識の論理。 パート8.大脳皮質の空間マップ

意識の論理。 パート9.人工ニューラルネットワークと実際の皮質のミニコラム

意識の論理。 パート10.一般化のタスク

意識の論理。 パート11.視覚および音声情報の自然なコーディング

意識の論理。 パート12.パターンを検索します。 組み合わせ空間