Innehåll
- Definition - Vad betyder Liquid State Machine (LSM)?
- En introduktion till Microsoft Azure och Microsoft Cloud | I hela denna guide kommer du att lära dig vad cloud computing handlar om och hur Microsoft Azure kan hjälpa dig att migrera och driva ditt företag från molnet.
- Techopedia förklarar Liquid State Machine (LSM)
Definition - Vad betyder Liquid State Machine (LSM)?
En flytande tillståndsmaskin (LSM) är en maskininlärningsmodell eller -system som ingår i en serie specifika neurala nätverksmodeller. Dessa modeller bygger på traditionella mönster för att introducera nya och innovativa sätt att bearbeta information. Liksom andra typer av nervnätverk, är flytande tillståndsmaskiner och liknande byggnader baserade på neurobiologin i den mänskliga hjärnan.
En introduktion till Microsoft Azure och Microsoft Cloud | I hela denna guide kommer du att lära dig vad cloud computing handlar om och hur Microsoft Azure kan hjälpa dig att migrera och driva ditt företag från molnet.
Techopedia förklarar Liquid State Machine (LSM)
För att verkligen förstå vad en flytande maskin är, är det viktigt att förstå vilken typ av maskininlärningsprogram den faller in i. Dessa typer av maskininlärning kallas ibland ”tredje generationens” nervnätverk, och många experter hänvisar till ”spiking” neurala nätverk för att illustrera hur de fungerar. Det spikande neurala nätverket, som använder många av samma modeller som en vätskeformig maskin, lägger en egenskap av tid till synaptiska och neurala element.
I en vätsketillståndsmaskinmodell leder utvärdering av spikande nervaktivitet till ett spatiotemporal mönster för aktivering av neuronätverk. Detta är en återkommande typ av nervnätverk, så vissa typer av minne bevaras under hela processen.
En annan ledtråd till typen av en vätskeformig maskin har att göra med namnet på denna speciella typ av spikande neurala nätverk.
Tanken är att släppa en sten eller annan fast föremål i en vattenmassa eller någon annan vätska ger krusningar på ytan och aktivitet under ytan, som kan utvärderas för att förstå vad som händer i systemet. På samma sätt kan människor utvärdera driften av en vätskeformig maskin för att förstå mer om hur den modellerar människans hjärnaktivitet. En viktig sak att notera är dock att maskiner med flytande tillstånd har vissa speciella svagheter eller utmaningar. En av dessa är att det blir mycket svårt att verkligen observera beräkningsarbete och omöjligt att omvända systemet eftersom det finns mindre stränga regler för själva processen. Experter påpekar att kretsar i en vätsketillståndsmaskin inte är hårdkodade för att utföra specifika uppgifter, och på grund av systemets mångsidighet och dess utformning är det mindre kontroll över processen för neuralt nätverk i allmänhet.