Neural Crystals

要約

私たちは、マルチモーダル人工知能 (MMAI) における説明可能性の課題に直面しています。
神経科学にインスピレーションを得た量子コンピューティングと量子コンピューティングを結び付けて、（共）行動の相対論的量子ニューラルコーディングに関する最近の証拠を利用して、大規模で異質なグラフ構造データの早期融合のための解釈可能で透明なスピン幾何学的ニューラルアーキテクチャが構想されています。
競争的で多次元的なダイナミクスの下で、自己組織化する脳内の状態。
この設計は、指数関数的に大規模な神経構造を効率的に符号化するために、最大 16 量子ビットのレジスタ内でスピノリアル量子状態の特殊なクリフォード・リプシッツ演算を介した自己双対古典的記述を利用しています。
正式に「訓練された」ローレンツ神経アーキテクチャは、反モダリティを説明する排他的抑制性介在ニューロンの側層を正確に 1 つ備えているだけでなく、層内接続を備えたそれらの共アーキテクチャも強調されています。
このアプローチは、最大 16 個の時間不変で相互接続された (アンチ) モダリティの融合と、潜在的な多次元パターンの結晶化に対応します。
現実世界の多様なシナリオの下で、マルチモーダルビッグデータへのアプリケーションを通じて、包括的な洞察が得られることが期待されています。

要約(オリジナル)

We face up to the challenge of explainability in Multimodal Artificial Intelligence (MMAI). At the nexus of neuroscience-inspired and quantum computing, interpretable and transparent spin-geometrical neural architectures for early fusion of large-scale, heterogeneous, graph-structured data are envisioned, harnessing recent evidence for relativistic quantum neural coding of (co-)behavioral states in the self-organizing brain, under competitive, multidimensional dynamics. The designs draw on a self-dual classical description – via special Clifford-Lipschitz operations – of spinorial quantum states within registers of at most 16 qubits for efficient encoding of exponentially large neural structures. Formally ‘trained’, Lorentz neural architectures with precisely one lateral layer of exclusively inhibitory interneurons accounting for anti-modalities, as well as their co-architectures with intra-layer connections are highlighted. The approach accommodates the fusion of up to 16 time-invariant interconnected (anti-)modalities and the crystallization of latent multidimensional patterns. Comprehensive insights are expected to be gained through applications to Multimodal Big Data, under diverse real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google