Innholdsfortegnelse:
Definisjon - Hva betyr Liquid State Machine (LSM)?
En flytende tilstand maskin (LSM) er en maskinlæringsmodell eller -system som er del av en serie spesielle nevrale nettverksmodeller. Disse modellene bygger på tradisjonelle design for å introdusere nye og innovative måter å behandle informasjon på. Som andre typer nevrale nettverk, er flytende tilstandsmaskiner og lignende bygg basert på nevrobiologien til den menneskelige hjernen.
Techopedia forklarer Liquid State Machine (LSM)
For å virkelig forstå hva en flytende maskin er, er det viktig å forstå hvilken type maskinlæringsprogram den faller inn i. Disse typene maskinlæring kalles noen ganger “tredje generasjon” nevrale nettverk, og mange eksperter viser til “pigg” nevrale nettverk for å illustrere hvordan de fungerer. Det piggende nevrale nettverket, som bruker mange av de samme modellene som en flytende tilstandsmaskin, tilfører en egenskap av tid til synaptiske og nevrale elementer.
I en flytende tilstandsmaskinmodell fører evaluering av piggende nevral aktivitet til et spatiotemporal mønster av aktivering av neuronettverk. Dette er en tilbakevendende type nevralt nettverk, så visse typer minne blir bevart gjennom hele prosessen.
En annen pekepinn til arten av en flytende tilstand maskin har å gjøre med navnet på denne spesielle typen piggende nevrale nettverk.
Tanken er at å slippe en stein eller en annen fast gjenstand i en vannmasse eller annen væske, produserer krusninger på overflaten og aktivitet under overflaten, som kan evalueres for å forstå hva som skjer i systemet. På samme måte kan mennesker evaluere driften av en flytende maskin for å forstå mer om hvordan den modellerer menneskelig hjerneaktivitet. En viktig ting å merke seg er imidlertid at maskiner med flytende tilstand har noen spesielle svakheter eller utfordringer. En av disse er at det blir veldig vanskelig å virkelig observere beregningsarbeid, og umulig å reversere systemet fordi det er mindre strenge regler for selve prosessen. Eksperter påpeker at kretser i en flytende tilstand ikke er hardkodet for å utføre spesifikke oppgaver, og på grunn av allsidigheten til systemet og dets design er det mindre kontroll over nevrale nettverksprosessen generelt.
