Inhoudsopgave:
- Definitie - Wat betekent Liquid State Machine (LSM)?
- Techopedia verklaart Liquid State Machine (LSM)
Definitie - Wat betekent Liquid State Machine (LSM)?
Een liquid state machine (LSM) is een machine-leermodel of -systeem dat deel uitmaakt van een reeks specifieke neurale netwerkmodellen. Deze modellen bouwen voort op traditionele ontwerpen om nieuwe en innovatieve manieren om informatie te verwerken te introduceren. Net als andere soorten neurale netwerken zijn machines in vloeibare toestand en soortgelijke builds gebaseerd op de neurobiologie van het menselijk brein.
Techopedia verklaart Liquid State Machine (LSM)
Om echt te begrijpen wat een machine in vloeibare toestand is, is het belangrijk om het type machine learning-programma te begrijpen waarin het valt. Dit soort machine learning wordt soms 'derde generatie' neurale netwerken genoemd en veel experts verwijzen naar 'spiking' neurale netwerken om te illustreren hoe ze werken. Het spiking neurale netwerk, dat veel van dezelfde modellen gebruikt als een machine in vloeibare toestand, voegt een eigenschap van tijd toe aan synaptische en neurale elementen.
In een machinemodel in vloeibare toestand leidt evaluatie van spiking neurale activiteit tot een spatiotemporaal patroon van activering van het neuron netwerk. Dit is een terugkerend type neuraal netwerk, dus bepaalde soorten geheugen blijven gedurende het hele proces behouden.
Een andere aanwijzing voor de aard van een machine in vloeibare toestand heeft te maken met de naam van dit specifieke soort van zenuwachtig netwerk.
Het idee is dat het laten vallen van een steen of ander vast voorwerp in een waterlichaam of een andere vloeistof rimpelingen op het oppervlak en activiteit onder het oppervlak veroorzaakt, die kan worden geëvalueerd om te begrijpen wat er in het systeem gebeurt. Op dezelfde manier kunnen mensen de werking van een machine in vloeibare toestand evalueren om meer te begrijpen over hoe het menselijke hersenactiviteit modelleert. Een belangrijk ding om op te merken is echter dat machines in vloeibare toestand enkele specifieke zwakke punten of uitdagingen hebben. Een daarvan is dat het erg moeilijk wordt om echt computationeel werk te observeren, en onmogelijk om het systeem te reverse engineeren omdat er minder strenge regels zijn voor het proces zelf. Experts wijzen erop dat in een vloeibare toestand circuits niet hardcoderen om specifieke taken uit te voeren, en vanwege de veelzijdigheid van het systeem en het ontwerp ervan, is er minder controle over het neurale netwerkproces in het algemeen.
