Development of an imagery representation apparatus for information representation in neyromorphic devices

Мұқаба

Дәйексөз келтіру

Толық мәтін

Ашық рұқсат Ашық рұқсат
Рұқсат жабық Рұқсат берілді
Рұқсат жабық Тек жазылушылар үшін

Аннотация

The paper considers the application of the mathematical apparatus of spots for neuromorphic devices on crossbars of memory elements, the architecture of which corresponds to the technique of computing in memory. The apparatus of spots allows to represent and process semantic information in the form of mental imagery, as well as to model reasoning in a form inherent to a person. In particular, these are deductive, inductive, abductive, as well as non-monotonic reasoning, when conclusions are made on the basis of existing knowledge, and obtaining new knowledge can change the conclusions. The apparatus of spots is the mathematical basis for creating neuromorphic devices with the technique of computing in memory, capable of not only representing semantic information in an imaginary form, but also modeling imaginative thinking. This will solve a major problem for modern deep neural networks associated with the possibility of random, causeless errors.

Толық мәтін

Рұқсат жабық

Авторлар туралы

N. Simonov

Valiev Institute of Physics and Technology, Russian Academy of Sciences

Хат алмасуға жауапты Автор.
Email: nsimonov@ftian.ru
Ресей, Moscow

Әдебиет тізімі

  1. Seo J.S., Brezzo B., Liu Y., Parker B.D., et al. A 45nm CMOS neuromorphic chip with a scalable architecture for learning in networks of spiking neurons // IEEE Custom Integrated Circuits Conf (CICC). 2011. P. 1–4. IEEE.
  2. Indiveri G., Linares-Barranco B., Hamilton T.J. et al. Neuromorphic silicon neuron circuits // Front. Neurosci. 2011. V. 5. P. 1–23.
  3. Zhu J., Zhang T., Yang Y., and Huang R. A comprehensive review on emerging artificial neuromorphic devices // Applied Physics Reviews. 2020. Rev. 7, 011312. P. 1–107.
  4. Gostev A.A. Psychology of the Secondary Image. M.: Litres. 2022 (in Russian).
  5. Gorban A.N. The Problem of Reliability of Multidimensional AI in a Multidimensional World. Presentation at the ONIT RAS Meeting, February 24 2022. URL: https://cloud.niime.ru/s/fwfX8eYHg6EDz6q?path=%2F2021%20-%202023 (in Russian).
  6. Image Classification on ImageNet. URL: https://paperswithcode.com/sota/image-classification-on-imagenet
  7. Searle J.R. Minds, brains, and programs // Behav. Brain Sci. 1980. V. 3. P. 417–424.
  8. Finn V.K. Inductive methods of D.S. Mill in artificial intelligence systems. Part I // Artificial intelligence and decision making. 2010. № 3. С. 3–21 (in Russian).
  9. Finn V.K. Inductive methods of D.S. Mill in artificial intelligence systems. Part II // Artificial intelligence and decision making. 2010. № 4. С. 14–40.
  10. Wang P. Cognitive Logic vs Mathematical Logic // Lecture Notes of the 3rd International Seminar on Logic and Cognition. China, Guangzhou, 2004.
  11. Hadamard J. An essay on the psychology of invention in the mathematical field. Courier Corporation. 1954.
  12. Simonov N.A. Spots Concept for Problems of Artificial Intelligence and Algorithms of Neuromorphic Systems // Russian Microelectronics. 2020. V. 49. P. 431–444. https://doi.org/10.1134/S106373972005008X
  13. Simonov N.A. Application of the model of spots for inverse problems. // Sensors. 2023. V. 23. No 3. 1247.
  14. Simonov N.A., Rusalova M.N. Mental imagery representation by model of spots in psychology // Natural Systems of Mind. 2023. V. 3. No 1. P. 4–22.
  15. Nanay B. Mental Imagery // E.N. Zalta (ed.) The Stanford Encyclopedia of Philosophy. 2021. [Электронный ресурс] URL: https://plato.stanford.edu/archives/win2021/entries/mental-imagery/
  16. Vekker L.M. Psyche and reality: a unified theory of mental processes. M.: Smysl, 1998 (in Russian).
  17. Simonov N.A. Spatial representation of concepts and processes in psychology by the spots model // Natural Systems of Mind. 2024. V. 4. No 2, P. 6–20. https://doi.org/ 10.38098/nsom_2024_04_02_01.
  18. Sima J.F., Freksa C. Towards computational cognitive modeling of mental imagery: The attention-based quantification theory // KI-Künstliche Intelligenz. 2012. V. 26. P. 261–267.
  19. Donini F.M., Lenzerini M., Nardi D., Pirri F., and Schaerf M. Nonmonotonic reasoning // Artificial Intelligence Review. 1990. V. 4. No 3. P. 163–210.
  20. Svetlov V.A. Charles Peirce's Methodological Concept of Scientific Knowledge: The Unity of Abduction, Deduction and Induction // Logiko-fylosofskiye shtudii. 2012. No 5. P. 165–188 (in Russian).
  21. Bochman A. Causal reasoning from almost first principles // Synthese. 2024. V. 203:19.
  22. Wikipedia contributors, 'Karnaugh map' // Wikipedia, The Free Encyclopedia, 20 August 2024, from https://en.wikipedia.org/w/index.php?title=Karnaugh_map&oldid=1241369572.
  23. Simonov N.A. Development of a mathematical apparatus with an imagery representation of information for neuromorphic systems. // Russian Microelectronics. 2023. V. 52. No 6, Suppl. 1. P. S158–S161.
  24. Ielmini D. and Wong H.S.P. In-memory computing with resistive switching devices // Nature electronics. 2018. V.1. No 6. P. 333–343.
  25. Tarkov M., Tikhonenko F., Popov V., Antonov V., Miakonkikh A., and Rudenko K. Ferroelectric Devices for Content-Addressable Memory. Nanomaterials. 2022. V. 12. 4488.
  26. Akers S.B. A rectangular logic array // 12th Annual Symposium on Switching and Automata Theory (SWAT). 1971. P. 79–90. IEEE.
  27. Levy Y., Bruck J., Cassuto Y., Friedman E.G., Kolodny A., Yaakobi E., and Kvatinsky S. Logic operations in memory using a memristive Akers array // Microelectronics Journal. 2014. V. 45. No 11. P. 1429–1437.
  28. Borghetti J., Snider G.S., Kuekes P.J., Yang J.J., Stewart D.R., and Williams R.S. Memristive’switches enable ‘stateful’logic operations via material implication // Nature. 2010. V. 464. P. 873–876.
  29. Kvatinsky S., Belousov D., Liman S., Satat G., Wald N., Friedman E.G., Kolodny A. and Weiser U.C. MAGIC – Memristor-aided logic // IEEE Transactions on Circuits and Systems II: Express Briefs. 2014. V. 61. No 11. P. 895–899.
  30. Gupta S., Imani M. and Rosing T. Felix: Fast and energy-efficient logic in memory // IEEE/ACM International Conference on Computer-Aided Design (ICCAD). 2018. P. 1–7. IEEE.
  31. Udovichenko S., Pisarev A., Busygin A., Mayevskiy O. 3D CMOS memristor nanotechnology for creating logical and memory matrices of a neuroprocessor // Nanoindustry. 2017. No 5. P. 26–34 (in Russian).
  32. Udovichenko S., Pisarev A., Busygin A., Mayevskiy O. Neuroprocessor based on a combined memristor-diode crossbar // Nanoindustry. 2018. V. 11. No 5. P. 344–355 (in Russian).

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу
2. Formula 27

Жүктеу (37KB)
Метадеректер
3. Fig. 2. Euler-Venn diagram for intersections of spots, illustrating the geometric meaning of the introduced L4 numbers for the EOE between two spots: (a) intersection of spots a and b; (b) separateness of spots a and b; (c) inclusion of b in a; (d) inclusion of a in b.

Жүктеу (229KB)
Метадеректер
4. Fig. 3. An example of reconstruction of a poorly structured image of a star: (a) an image of a star in the form of randomly located points inside its contour; (b) reconstruction of the shape of a star based on the EPO data of image (a) with a scanning circle, shown in figure (b), with a small period.

Жүктеу (178KB)
Метадеректер
5. Fig. 4. An example of the architecture of one layer of figurative-logical neural networks: (a) modeling of generalization or synthesis; (b) modeling of analysis.

Жүктеу (195KB)
Метадеректер

© Russian Academy of Sciences, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».