XiaoMi-AI文件搜索系统
World File Search SystemAssociative
使用关联数组进行 AI 数据整理
摘要 — 人工智能革命是由数据驱动的。人工智能“数据整理”是将不可用的数据转换为支持人工智能算法开发（训练）和部署（推理）的过程。大量的时间被投入到转换各种数据表示以支持人工智能管道中的许多查询和分析步骤。这些数据的严格数学表示使得数据转换和分析优化能够在步骤内和跨步骤进行。关联数组代数提供了一个数学基础，可以自然地描述作为数据库基础的表格结构和集合数学。同样，神经网络使用的矩阵运算和相应的推理/训练计算也可以通过关联数组很好地描述。更令人惊讶的是，可以很容易地构建一般的非规范化形式的分层格式，例如 XML 和 JSON。最后，数据透视表是最广泛使用的数据分析工具之一，它自然而然地从关联数组构造函数中出现。关联数组中的通用基础提供了互操作性保证，证明它们的操作是具有严格数学性质的线性系统，例如，结合性、交换性和分配性，这些对于重新排序优化至关重要。
具有联想记忆和事件的机器智能......
摘要：数字机器智能从最初的数字计算形式发展到人工智能，其核心是执行人类可以执行的认知任务，例如预测推理或复杂计算。最先进的技术包括可以通过一系列正式的数学规则或一系列事件驱动的操作轻松描述的任务，例如建模、模拟、业务工作流、与设备的交互等，以及易于“直观”完成但难以正式描述或作为一系列事件驱动的操作的任务，例如识别口语或面孔。虽然这些任务令人印象深刻，但它们在将常识推理应用于新情况、填补信息空白或理解和应用不成文的规则或规范方面存在不足。人类智能使用联想记忆和事件驱动的交易历史来快速理解他们所观察到的内容，以便在他们仍在观察时对其进行处理。除了这种认知能力之外，所有生物系统都表现出自创生和自我调节。在本文中，我们展示了如何增强机器智能，使其包括联想记忆和事件驱动的交易历史，从而创建一类新的基于知识的助手来增强人类智能。数字助理使用从大型语言模型中获得的全局知识来弥合相互交互的各个参与者之间的知识差距。我们使用信息的一般理论和基于模式的知识表示来创建交互中涉及的各种交易的记忆和历史记录。
与防御性伦理学动态的关联学习
基于威胁强度，接近性和肯定的上下文以及学习预测危险刺激的抽象防御行为会发生变化，这对于生存至关重要。然而，大多数帕夫洛维亚恐惧调节范式仅着眼于冻结行为，掩盖了协会性和非缔合性机制对动态防御反应的贡献。为了彻底研究防御性伦理图，我们将男性和雌性成人C57BL/6 J小鼠进行了pavlovian条件的范式，该范式将脚震与包含串行的化合物刺激（SCS）组成，该刺激（SCS）由独特的音调和白噪声（WN）刺激周期组成。为了研究联想和非缔合性机制如何影响防御反应，我们将这个配对的SCS-footshock组与四个对照组进行了比较，这些对照组由伪和伪造的scs和footshock和footshock，Hock Shock，Hock Shock，或反向SCS的表现与倒置的Tone-WN顺序与成对的呈现或不属性的表现进行调节。在调节的第2天，配对组在音调期间表现出强大的冻结，并在WN期间切换到爆炸性跳跃和飞镖行为。相对，未配对和反向SCS组表达了较少的音调引起的冻结，并且在WN期间很少表现出跳跃或飞镖。在调节第二天后，我们观察到防御行为在两个灭绝会议上的变化如何变化。在灭绝期间，配对组的音调诱导的冻结减少，小鼠从WN期间迅速转移到冰点和飞镖的组合。未配对的，未配对的反向和震惊 - 只有小组在SCS期间表现出防御性的尾巴嘎嘎声和飞镖，冰冻和跳跃最少。有趣的是，配对的反向组没有跳到WN，而音调诱发的冻结具有抵抗力的灭绝。这些发现表明，非缔合性因素促进了一些防御响应，但是强大的提示诱导的冻结和高强度飞行表达需要联想因素。
双向联想记忆中的二进制编码
人工神经网络 (ANN) 是受生物神经网络结构和功能启发而产生的计算模型。它们可以成为解释认知过程的一种有趣方法 [Hasson 等人，2020 年]。认知建模中使用的一组值得注意的 ANN 是双向联想记忆 (BAM)，它基于神经动力学视角运行。BAM 使用反馈权重来学习刺激对，并且具有抗噪性，能够在仅提供部分信息的情况下回忆起输入 [Acevedo-Mosqueda 等人，2013 年]。BAM 通常使用双极编码，其中输入向量由 -1 和 1 的值组成，因为它比二进制编码提高了学习性能，其中输入向量由 0 和 1 组成 [Kosko，2021 年]。然而，在使用 ANN 进行认知建模时，它们必须建立在基于大脑中发生的过程的原则之上，同时避免仅仅提高计算效率的方法 [O'Reilly，1998]。二进制编码被认为在生物学上更合理，因为它更接近于脉冲的存在和不存在。此外，它提供了 0 的吸收特性，这可以实现更多的认知过程，如真正的稀疏性、门控、过滤等。因此，本文
大脑的三种语言：量子，重组和关联
科学进步在相应的语言发展中反映了。显微镜，望远镜，断层扫描和其他传感设备打开的远景导致了新实体和过程的命名。量子理论导致了经典原子图的统计，并且在纠结的过程和非二元逻辑方面说话。量子理论还导致了与观察者定义和观察者的定义有关的深刻问题。这是检查心灵之谜的一条途径。其他路径源于古老的哲学传统和过去世纪的心理理论。在科学话语中描述思维的语言并没有与物理科学的发展保持同步。主流讨论已从早期的二元模型的共同信念模型转变为一种基于平行计算机式大脑过程的复杂性的思维的出现。有时以分离和相互联系的方式表达的确定性和自主权的两个旧范式以各种形式出现。其中两个是有利的，取决于研究领域和现行时尚。尽管量子理论为物理科学提供了70年的基础，但直到最近才考虑了整体，类似大脑的量子样操作。这种新鲜的外观是由各种人工智能（AI）项目以及新的分析和实验发现所带来的挫折引起的。机械科学的兴起看到了概念 -人们认识到，诸如“驱动器”之类的刺激反应结构通常不足以提供解释。并且有人援引“ e o o o o o t”类别来解释自治行为。卡尔·普里布拉姆（Karl Pribram）的大脑经典语言（1971）描述了用于描述大脑行为的标准语言和逻辑类别中的许多悖论。自写了这本书以来，已经尝试并发现许多新方法要解决这些悖论。用来描述大脑运作的语言是按照年龄的主要科学范式建模的。
Peta Ops，联想内存计算板载处理：
在轨人工智能和机器学习将颠覆卫星服务和应用：地球观测运营商正在执行更多的机载处理，以实时提取有价值的见解用于灾害管理，而不是在地面上进行缓慢的基于云的后处理。智能电信转发器正在根据实时流量和链路需求自主重新配置和优化其频率计划，以最大限度地提高性能，而无需地面干预。
基准为关联记忆的Hebbian学习规则
关联内存或内容可寻址内存是计算机科学和信息处理中的重要组成函数，同时它是认知和计算脑科学中的关键概念。已经提出了许多不同的神经网络架构和学习规则，以模拟大脑的关联记忆，同时研究关键组件功能，例如模式完成和竞争以及降低噪声。较少研究但同样重要的主动记忆功能是原型提取，其中训练集包括通过扭曲原型模式而生成的模式实例，而训练有素的网络的任务是回忆给定新实例的生成原型。在本文中，我们基于非模块化和模块化重复网络中使用的七个不同HEBBIAN学习规则的关联记忆功能，并在中度稀疏的二进制模式下进行赢家摄取的全部动态操作。总体而言，我们发现模块化网络具有最大的存储器为模式存储容量。流行的标准HEBB规则以最差的能力出现，而协方差学习则证明是强大但容量较低的，并且在测试的不同条件下，贝叶斯 - 赫比亚规则显示出最高的模式存储能力。
DNA和核小体的联想记忆模型
引入了DNA和核小体的模型，目的是研究从单个碱基水平一直到高阶染色质结构的染色体。该模型被称为广泛可编辑的染色质模型（Wechrom），重现了双螺旋的复杂力学，包括其弯曲持久性长度和扭曲持久长度以及前者的温度依赖性。Wechrom Hamiltonian由链连接性，空间相互作用和相关记忆项组成，这些记忆项代表了所有剩余的相互作用，从而导致B-DNA的结构，动力学和机械性特征。讨论了该模型的几种应用，以证明其适用性。Wechrom用于研究圆形DNA在正和阴性超串联的主体中的行为。我们表明，它概括了底膜的形成和放松机械应力的结构缺陷。模型自发地表现出相对于正或负超串联的不对称行为，类似于实验中先前观察到的不对称行为。此外，我们表明，辅助记忆哈密顿量也能够再现核小体脱离部分DNA的自由能。Wechrom旨在模拟10nm纤维的连续可变机械性能，并且凭借其简单性，可以将其扩展到足以研究基因结构组合的分子系统。Wechrom在OpenMM仿真工具包中实现，可以免费使用。
联想学习中的信息理论、记忆、预测和时间
这是为《大脑和行为的计算模型》撰写的一章的原始版本。由 A. Moustafa 编辑。纽约，Wiley/Blackwell（2016 年）。编辑最初指定的长度为 15,000 字。提交此版本很久之后，Wiley 的新委托编辑下令所有章节都必须缩短至 7,000 字。要将章节缩短到这个长度，需要大量重写并删除所有计算细节。我们为那些想要查看计算细节的人发布了此信息。考虑在 Wiley/Balckwell 上发表文章的作者可能需要参考我们的经验。