XiaoMi-AI文件搜索系统
World File Search System网格单元
模拟由柔性吸引子对齐的网格单元
抽象的内嗅网格细胞以六边形周期性实现空间代码，这标志着动物在环境中的位置。网格图属于同一模块的细胞共享间距和方向，仅在相对二维空间相之间有所不同，这可能是由于路径积分引导的二维吸引子的一部分而导致的。但是，这种体系结构的构造和刚性的缺点，路径积分，允许与六角形模式（例如在各种实验操作下观察到的六边形模式）的偏差。在这里，我们表明一个较简单的一维吸引子足以使网格单元对齐。使用拓扑数据分析，我们表明所得的人口活动是圆环的样本，而地图的合奏保留了网络体系结构的特征。这种低维吸引子的灵活性使其能够用进料输入协议代表歧管的几何形状，而不是施加它。更普遍地，我们的结果代表了原理证明，即直觉，即吸引子的体系结构和表示歧管是具有相同维度的拓扑对象，这对整个大脑吸引者网络的研究含义。
空间表示形式的自我监督学习生成多模块化网格单元
为了解决映射，定位和导航的空间问题，Mam-Malian血统开发了惊人的空间表示。一个重要的空间表示是诺贝尔奖的获奖网格细胞：代表自我位置的神经元，局部和多个周期性的数量，看似奇异的非本地和空间周期性活性模式的几个离散时期。为什么Mam-Malian血统学会了这种特殊的网格表示？数学分析表明，这种多周期表示具有良好的特性，作为具有高容量和内在误差校正的代数代码，但迄今为止，在深度复发神经网络中的多模型网格细胞的合成仍然不存在。在这项工作中，我们首先要确定四个方法的关键见解，以回答网格单元格问题：动态系统，编码理论，功能的启发和监督深度学习。然后，我们利用我们的见解提出了一种新的方法，将所有四种方法的优势优雅结合在一起。我们的方法是从规范的角度进行的，无需访问监督职位信息而动机，包括数据，数据，损失功能和网络体系结构，包括数据，数据，损失功能和网络体系结构。没有对内部或读取表示的假设，我们表明，多个网格单元模块可以在我们的SSL框架上训练的网络中出现，并且网络超出其训练分布的范围很大。这项工作包含对对网格细胞起源感兴趣的神经科学家以及对新型SSL框架感兴趣的机器学习研究人员的见解。