序列分层制度的记忆

简介

这个论文基于序列对象相互接触的概念，此概念作为外部世界规律的表现，根据这些规律对象仅遵循这些定律预定的顺序，本论文还基于以及Jerome Lettwin关于用大脑皮层的单个神经元（"祖母细胞"）编码物体的假设。在此工作范围内我提出了并研究了无编号序列的分层记忆的数学模型。我还提出了并研究了新一代神经网络的体系结构，以及基于序列分层记忆模型的强人工智能人工神经元的设计。该研究结果表明，这样的神经网络不仅可以记忆，而且可以从记忆中检索未编号（未索引）的序列，还能够预测序列中下列物体的外观，这与Jeff Hawkins首先制定的"高级图灵测试"相对应。这项工作还表明，产生预测的过程是由干扰引起的，此干扰很像专家在大脑皮质上所观察到的神经元激发波的干扰。我们研究了序列上下文的变化，并提出了和研究了原始序列循环压缩成上下文序列的模型，作为序列记忆分层的下一级序列。我开发的神经网络能够同时研究、存储和检索任何性质的对象序列（听觉、可见、触觉和任何其他感觉数据序列），通过同步在任何维度上（在时间、空间或任何其他测量尺度，包括一定的情感和道德维度）链接这些序列。按照近似形成点和和特定测量尺度的长度的连续上下文的同步可以将不同性质的序列彼此组合（例如，将猫的视觉序列与猫喵的可听序列相关联）。我还提出了一种监测和控制机器人意识状态及其偏差的解决方案，这可以迫使机器人遵循既定的情感和道德标准。

下列是此研究的简介。