Fysiker från Petrozavodsk State University har föreslagit en ny metod för oscillerande neurala nätverk för att känna igen enkla bilder. Sådana nätverk med ett justerbart synkron tillstånd av enskilda neuroner har, förmodligen, dynamik som liknar neuroner i den levande hjärnan.

Ett oscillerande neuralt nätverk är en komplex sammanflätning av interagerande element (oscillatorer) som kan ta emot och överföra svängningar av en viss frekvens. Ta emot signaler av olika frekvenser från föregående element, den artificiella neuronoscillatorn kan synkronisera sin rytm med dessa fluktuationer. Som ett resultat, i nätverket, några av elementen synkroniseras med varandra (aktiveras periodiskt och samtidigt), och andra element synkroniseras inte. På detta sätt, bildas en tidsrymd av synkroniseringsfördelningen. Det har allmänt antagits att sådana processer är ansvariga för bearbetning och överföring av information i den mänskliga hjärnan, och är därför av särskilt intresse för studien.

Forskarna vid Institutionen för elektronik och kraftteknik vid Petrozavodsk State University har satt målet för mönsterigenkänning baserat på kopplade oscillatornätverk implementerade på vanadiumdioxidstrukturer. Fysiker har utvecklat en synkroniseringsmetod med hög känslighet och selektivitet. Genom att tillämpa det i praktiken, det är möjligt att skapa ett nätverk som kan känna igen bilder på samma sätt som biologiska neurala system gör.

I studien, inmatningsbilderna i form av tre-till-tre dimensionstabeller överfördes till nätverket genom att ändra matningsströmmarna, och strömmar ändrade oscillatorns oscillationsfrekvenser. Som ett resultat, nätverket reagerade på varje mottagen bild med specifik dynamik. Tanken med den nya metoden var att välja viktiga nätverksparametrar för att träna systemet att endast synkronisera för en specifik inmatningsbild, vilket innebär att känna igen det.

Synkroniseringstillståndet för den utgående neuron-oscillatorn i förhållande till rytmen hos huvudneuron-oscillatorn valdes som den utsignal som spelades in. Författarna visade att synkronisering inte bara kan observeras vid de grundläggande frekvenserna, men också på deras flera delar (subharmonics). En ökning av antalet synkrona tillstånd på grund av subharmonik kallas en synkroniseringseffekt av hög ordning. Med flera synkroniseringstillstånd samtidigt, neuron blir en neuron på flera nivåer. Därför, ett oscillerande nätverk av ett litet antal neuroner kan utföra komplexa operationer såsom tal, bild- och videoigenkänning, och lösa förutsägelser, optimerings- och kontrollproblem.

Med den här egenskapen, forskarna konfigurerade nätverket på ett sådant sätt att olika inmatningsbilder orsakade olika synkroniseringsmönster för det oscillerande nätverket. De upptäckte att nätverket kunde känna igen upp till 14 tre-tre-tre figurer av 102 möjliga varianter, medan den bara har en oscillator vid utgången.

"I framtiden, kompakta neurala nätverkschips med nanoskalaoscillatorer kan skapas på grundval av dessa nätverk. Det särdrag hos den neuronala nätverkstekniken som vi utvecklar är ett grundläggande nytt informationsbehandlingssystem. Effekten av högordningssynkronisering av pulserade signaler möjliggör användning av neuron på flera nivåer med en hög grad av funktionalitet. Fördelen med sådana oscillerande neurala nätverk är möjligheten att skapa neurala nätverk med hjälp av en mängd olika fysiska oscillatorer, inklusive magnetiska och elektriska oscillatorer. På samma gång, det utbildade nätverket behöver inte längre datorberäkningar, och fungerar självständigt som en separat neural organism, säger docent Andrei Velichko.