基于记忆机制的吸引子模型

神经科学的最新研究成果表明：吸引子网络是大脑信息处理过程中一切记忆活动的本质机制。基于记忆进行预测，是大脑功能的根本特征。机器智能是研究用机器模拟生物体智能行为的学科，毫无疑问，建立符合大脑工作原理的计算模型是机器智能发展的必由之路。但是，现有的吸引子模型研究，在一定程度上忽略了吸引子机制的神经基础，也因此遭遇了应用推广的瓶颈。本项目的目标是通过深入研究生物神经系统的三大特征：时间、反馈和层级结构，建立基于记忆机制的吸引子网络模型，并努力建立完备的基础理论与分析工具。研究内容包括：分析离散点吸引子网络的多稳定性、吸引子数量、分布及收敛性；研究连续吸引子网络产生连续吸引子的内在机制，建立连续吸引子的基本理论和研究方法；研究以脉冲发放编码的吸引子网络模型；建立回复式吸引子网络的学习规则；建立具有层级结构的回复式吸引子网络模型。这一系列问题的解决，必将对机器智能的发展起重要推动作用。

本项目成功建立了一套基于记忆机制的吸引子模型的基础理论与分析方法，为机器智能的研究注入了新的活力。内容包括：建立了离散点吸引子网络模型；建立了连续吸引子网络产生连续吸引子的内在机制；建立了具有层级结构的回复式吸引子网络模型。大量的研究表明，有限以及无穷个神经元（至少神经元个数也要充分大）的网络中存在连续吸引子，并且在网络具有对称性时，可以得到吸引子清晰的数学表达式，吸引子的吸引子性问题也可以得到完整的数学证明。但是，每种网络得到的吸引子往往都只有一个，通过进一步对连续吸引子的表达方法以及吸引性问题进行研究，我们发现在一个网络当中可以有多个吸引子的存在。而从大脑存储记忆的层面来说，这一发现也进一步验证了“连续吸引子是大脑信息处理的主要机制”的生物学假设。根据目前连续吸引子研究成果得知，连续吸引子的学习规则问题没有得到彻底的解决，我们通过利用连续模式之间的相关矩阵，直接利用Hebb-Learning学习方法得到网络的连续吸引子及权值。为研究连续吸引子在机器智能中的应用问题，我们选择了HTM（Hierarchical Temporal Memory）模型并对该模型进行了大量的研究，并在此基础上与连续吸引子神经网络的特性相结合，提出了新的记忆-预测模型，从而为进一步实现连续吸引子在机器智能中的应用奠定了基础。