XiaoMi-AI文件搜索系统
World File Search SystemAssociative
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。
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。
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。
长摩根的关联学习解释了人类对听觉序列中统计和网络结构的敏感性
网络是捕获世界复杂性的有用数学工具。在先前的行为研究中，我们表明人类成年人对听觉序列的高级网络结构敏感，即使在提供了全部信息。基于与相邻元素和非附近元素之间的过渡概率与内存衰减之间的过渡概率的集成，最好通过与关联学习原理兼容的数学模型来解释其性能。在本研究中，我们通过磁脑电图（MEG）探讨了该假设的神经相关性。参与者（n = 23，16位女性）被动地听取了在稀疏的社区网络结构中组织的色调序列，其中包括两个社区。在大脑对具有相似过渡概率的音调过渡的反应中观察到了早期差异（〜150 ms），但在社区内或之间发生了 - 发生。此结果意味着序列结构的快速自动编码。使用时间分辨解码，我们估计了每种音调表示的持续时间和重叠。解码性能表现出指数衰减，从而在连续音调的表示之间显着重叠。基于这种扩展的衰减预示，我们估计了每个过渡的长摩根关联学习新颖性指数，并发现该度量与MEG信号的相关性。总体而言，我们的研究阐明了人类对网络结构敏感性的神经机制，并突出了HEBBIAN样机制在支持各种时间尺度学习中的潜在作用。
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
联想提示异步BCI诱导中风患者的皮质可塑性
目的：我们提出了一种新型的基于提示的异步大脑 - 计算机间（BCI）通过内源性运动皮质活性与体感途径的激活配对进行神经调节。方法：拟议的BCI检测到实时从单审EEG信号移动的意图，但是与经典的异步BCI系统相反，该检测仅在患者被提出移动时发生时间间隔。将这种基于提示的异步BCI与两种传统的BCI模式（异步BCI和非线同步BCI）进行了比较，并在慢性中风患者中进行了对照干预。记录其大脑信号时，患者在每种干预措施中进行了脚踝肢体的脚踝背部运动。BCI干预措施通过电刺激解码了运动尝试并激活传入途径。皮质运动的兴奋性是在干预后，通过经颅磁刺激引起的胫骨前肌中的运动诱发电位评估的。结果：与先前开发的异步BCI相比，提出的基于提示的异步BCI的假阳性/分钟和误报/真实阳性（％）的较少较少。线性混合模式显示，与对照条件相比，干预后所有BCI模式后，运动诱发的电势幅度增加（p <0.05）。拟议的基于提示的异步BCI导致所有干预措施中的峰值峰值运动诱发潜力振幅（141％33％）的相对增加最大，并持续30分钟（111％33％）。解释：这些发现证明了新提出的基于提示的异步BCI干预的高性能。在此范式中，个人收到精确的说明（CUE）来促进参与度，而精确检测到大脑活动的时机以建立与可塑性诱导的感觉输入的精确关联。
配对联想刺激无法诱导自由行为完整大鼠的可塑性
摘要 配对联想刺激 (PAS) 已被用于人类，作为一种非侵入性工具来驱动可塑性并促进神经损伤后的恢复。需要更彻底地了解 PAS 诱导的可塑性，以充分利用它作为临床工具。在这里，我们在清醒大鼠模型中测试了具有多个刺激间隔的 PAS 的有效性，以研究联想可塑性的原理。通过在运动皮层和前肢长期植入电极，我们探索了 PAS 参数以有效驱动可塑性。我们使用闭环 EMG 控制的皮质刺激范式评估了皮质运动兴奋性的变化。我们测试了 11 个 PAS 间隔，选择这些间隔来强制大鼠运动皮层和脊髓中的神经元活动与与赫布尖峰时间依赖性可塑性原理相关的时间相一致。然而，尽管刺激配对数量相对较多（300），但没有一个测试间隔能够可靠地改变皮质脊髓兴奋性相对于控制条件。我们的研究结果对这些条件下 PAS 的有效性提出了质疑。
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。
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。