Первая концепция - это представлени

Первая концепция - это представление о «нейронах бабушки» и паттернах нейронной активности. Эту концепцию хорошо иллюстрируют многие искусственные нейронные сети (например, многослойный персептрон (Rosenblatt F., 1962) или сверточные сети (Y. LeCun, Y. Bengio, 1995)). За счет настройки своих синаптических весов нейроны, используемые для моделирования, приобретают способность детектировать определенные статистические свойства, характерные для входной информационной картины. В зависимости от типа информации, которая подается на слой нейронной сети, нейроны в процессе обучения приобретают определенную специализацию. В результате таким нейронам можно сопоставить определенные понятия, детекторами которых они являются. Набор нейронов, отреагировавших на текущий образ, создает паттерн активности, который и описывает происходящее.
При переносе этих идей на реальный мозг слоям искусственной нейронной сети ставятся в соответствие зоны коры, а активность формальных нейронов сопоставляется с вызванной активностью реальных нейронов. Такое сопоставление сразу высвечивает несколько трудноразрешимых проблем.
Еще Мак-Каллок и Пите (Pitts W., McCulloch W.S., 1947) заметили противоречие в том, что паттерновое кодирование требует при передаче информации от одной зоны к другой передачи всей картины активности, при этом пучки проекционных волокон реального мозга явно не соответствуют этому требованию ни по своему объему, ни по характеру связей. J
Интеграция информации при переходе к более обобщенным зонам требует в такой модели увеличения пространства слежения для нейронов более высокого уровня, что не наблюдается в реальной коре. Необходимость отслеживать не локальное рецептивное поле, а все пространство предыдущего уровня коры привело к моделям наподобие неокогнитрона Фукушимы (Fukushima, 1980), использующим плоскости простых клеток, отслеживающих инвариантные паттерны по всему пространству коры. Однако этот подход биологически слабо достоверен и применим, по сути, только при моделировании зрительной коры, где таким образом делается попытка объединения инвариантов одного изображения.
Вторая концепция — это концепция спайковых сетей (например, (Izhikevich, 2007)). Так как активность нейронов — это серии импульсов, то предполагается, что информация кодируется временными интервалами следования спайков и их паттерном. В этом случае пространство коры воспринимается как среда, позволяющая распространять импульсные последовательности, сохраняя при этом их основные временные характеристики. Это хорошо соотносится с тем, что работа мозга сопровождается четко выраженной ритмической активностью, фиксируемой на ЭЭГ. Кроме того, показан (например, (Michael Т. Lippert, Kentaroh Takagaki, Weifeng Xu, Xiaoying Huang, Jian-Young Wu, 2007)) волновой характер распространения активности по пространству коры. Кроме того, есть достаточно веская аргументация в пользу того, что в основе информационных процессов мозга и событийной памяти лежат определенные голографические принципы (Прибрам, 1971). Спайковая модель, поскольку допускает описание интерференционных явлений, дает некоторую надежду на прогресс в этом направлении.
Однако в спайковых сетях пока не удалось показать достаточно сильных и помехоустойчивых механизмов обработки информации. Кроме того, спайковые сети предполагают определенный отход от описания информации в дискретных терминах и переход к ее аналоговому описанию.

Результаты (английский) 1:

The first concept is the idea of "Grandma" neurons and neural activity patterns. This concept well illustrate the many artificial neural network (for example, multilayer Perceptron (f. Rosenblatt, 1962) or svertočnye network (y. LeCun, y. Bengio, 1995)). By configuring their synaptic weights neurons used for modelling, acquire the ability to detect certain statistical properties that are specific to the input picture. Depending on the type of information that is filed on a layer of neurons, neural network during training are becoming specialized. As a result of such neurons can map certain concepts which they are triggered. A set of neurons to react to the current image, creates a pattern of activity, which describes what is happening. When transferring these ideas into real brain artificial neural network layers are associated with cortex, while the formal neurons is mapped to real activity called neurons. This comparison immediately highlights several intractable problems. More Sturgis McCulloch and pita bread (w. Pitts, McCulloch W.S., 1947) noticed a contradiction in that patternovoe requires encoding when transferring information from one zone to another transfer all pattern of activity, with bunches of projection fibres real brain clearly do not comply with this requirement, either in scope or nature of the relationship. (J) Integration of information when you move to a more generalized zones requires in this model, increasing the space tracking to neurons at a higher level, that is not observed in real crust. No need to track local receptive field, and all the space of the previous level bark led to models such as neokognitrona Fukushima (Fukushima, 1980), using plane simple cells, tracking the invariant patterns throughout the space. However, this approach is biologically weak and apply either, in fact, only in the modelling of the visual cortex, where thus attempts to merge the invariants of a single image. The second concept is the concept of spajkovyh networks (e.g. (Izhikevich, 2007)). Because neuronal activity is a series of pulses, it is assumed that the information is encoded sequence intervals spikes and their pattern. In this case, the space is perceived as bark Wednesday, allowing you to distribute the impulse sequence, while retaining their basic temporal characteristics. It is well correlated with the fact that the brain is accompanied by clear rhythmic activity, fixed on the EEG. In addition, shows (for example, (Michael t. Lippert, Kentaroh Takagaki, Weifeng Xu, Xiaoying Huang, Jian-Young Wu, 2007)), the wave nature of the proliferation activity for the crust. In addition, there are enough compelling case that at the heart of information processes of the brain and memory event lie some holographic principles (Pribram, 1971). Spajkovaâ model, since allows description of interference phenomena, gives some hope for progress in this direction. However, spajkovyh networks has not yet been able to show strong enough and interference mechanisms of information processing. In addition, network spajkovye suggest some departures from the description information in discrete terms and moving to its analogue description.

Результаты (английский) 3:

the first concept is the idea of "нейронах gradual but correct and паттернах neural activity. this concept is well illustrated by the many artificial neural networks (e.g., multilayer персептрон (Rosenblatt f., 1962) or сверточные network (y. LeCun, y. Bengio, 1995). by setting its synaptic weights of neurons used for modelling, acquire the ability детектировать certain statistical properties of the input information picture. depending on the type of information that is supplied to the layer of the neural network, the neurons in the process of education have become a focus. as a result of such neurons can match certain notions, of which they are the detectors. a set of neurons, отреагировавших for the current image, creates a pattern of activity that is happening.transferring these ideas into the brain by the artificial neural network are in line zone of cortex, and the activity of formal neurons are compared with the induced activity of real neurons. this comparison highlights several intractable problems immediately.a mac каллок and pete (Pitts w., McCulloch w.s., 1947) was a contradiction in the fact that паттерновое coding requires the transfer of information from one zone to the other transfer of the whole picture of activity, with a projection fibers of real brain clearly do not correspond to the request or on the scope and nature of the links. jthe integration of information in the transition to a more broad areas requires a model of increased space surveillance for neurons more high level that has not been observed in real cortex. no need to monitor local receptive field and all of the previous level cortex resulted in models like the неокогнитрона фукушимы (Fukushima, 1980) using the simple cells, tracking инвариантные patterns across the space of bark. however, this approach is biologically not conclusive and is, in fact, only in the modelling of the visual cortex, which thus attempts to combine инвариантов one image.the second concept is the concept of спайковых networks (for example, (Izhikevich, 2007). as the activity of neurons is a series of pulses, it is expected that the information being the time intervals of спайков and their pattern. in this case, the space"s perceived environment, which allows to distribute the impulse sequence, while maintaining the basic time characteristics. it is well correlated with the fact that the brain is accompanied by a pronounced rhythmic activity recorded on the eeg. in addition, shown (for example, (michael t. lippert, Kentaroh Takagaki, xu weifeng, Xiaoying Huang, Jian - young wu, 2007) and the wave nature of the