1
ANN ANN fkfk
Attraktornätverk
Anders Lansner
Mars 26, 2007 ANN fk F5 ALa 2
SynopsisSynopsis
• Hebbs teori – synapser och cellassemblies• Varför attraktornät, biologi, beräkningar?
• Hopfieldmodellen• Haykin, Ch 14• Innehållsadresserat minne (CAM)• Tillämpning på kombinatorisk optimering
• Kate Smith review
• Attraktor CAM• Minneskapacitet• Utvidgningar
• Attraktorminne i hjärnbarken?
Mars 26, 2007 ANN fk F5 ALa 3
HebbskHebbsk inlinläärningrning ochoch synapsersynapser
• Erfarenhetsbetingad koppling• Samaktivering av celler ⇒ förstärkt koppling/synaps
• Hebbs hypotes verifierad!• Synaptisk långtidspotentiering (LTP), 1973, Hebbsk, 1978
• LTD• ”Spike-timing dependent plasticity” (STDP)!
Hebb D O, 1949: The Organization of Behavior
?
Mars 26, 2007 ANN fk F5 ALa 4
HebbskaHebbska cellassembliescellassemblies –– bildningbildning
Mars 26, 2007 ANN fk F5 ALa 5
HebbskaHebbska cellassembliescellassemblies –– dynamikdynamik
Mars 26, 2007 ANN fk F5 ALa 6
HebbianHebbian cell cell assembliesassemblies –– bistabiltybistabilty
Necker cube
• Synaptic depression + neuronal adaptation??
2
Mars 26, 2007 ANN fk F5 ALa 7
HebbsHebbs teoriteori
• Cellgrupp = mentalt objekt• Gestalt perception
• Figur-bakgrund• Perceptuell komplettering• Perceptuell rivalitet
• Neckerkuben• Multi-modala cellassemblies• Associationskedjor
• Tankeprocesser…• Tidsfördröjd LTP
• Matematisk formalism
Mars 26, 2007 ANN fk F5 ALa 8
HopfieldnHopfieldnäätettet
1
1 MT
ijMw I
N Nμ μμ
ξ ξ=
= −∑
v1
v2
v3
v4
v5
i1
i2
i3
i4
i5
w11
”Hebbsk inlärning”
)0( =iiw
Mars 26, 2007 ANN fk F5 ALa 9
Kombinatorisk optimering Kombinatorisk optimering mhamhaHopfieldnHopfieldnäätt
• Hopfieldnät (och SOM) jämförs med ”meta-heuristic” metoder
• Hopfield and Tank, TSP, 1985• Energifunktion• … ekvivalent med den funktion
som ska minimeras• ”Constraints” inkluderas som
bestraffningstermer
• Legala & goda lösningar• 10 städer – 100 neuron• 30 städer – 900 neuron• 80% legala, nära optimala
• Smith, K (1999): ”Neural networks for Combinatorial Optimization: A Review of MoreThan a Decade of Research”, INFORMS Journal on Computing, 11(1).
Mars 26, 2007 ANN fk F5 ALa 10
Kombinatorisk optimering Kombinatorisk optimering mhamhaHopfieldnHopfieldnäätt -- kritikkritik
• Wilson and Pawley, TSP, 1988• Kunde ej reproducera• Metoden dålig, ej operationspunkten
• vanrykte! heuristiska metoder
Mars 26, 2007 ANN fk F5 ALa 11
Kombinatorisk optimering Kombinatorisk optimering mhamhaHopfieldnHopfieldnäätt –– sentida fsentida föörbrbäättringarttringar
• Omskrivning av energifunktionen Legala lösningar• ”Valid subspace approach”
• Evalid är avvikelsen från Av = b
• Mera optimala lösningar• Stokastisk ”annealing”
• t ex Bolzmann-Cauchy maskinen• Enheter med kaotisk dynamik
• Dedicerad hårdvara
• ”The initial problems that have plagued the reputation of the Hopfield network have now been solved.”
Mars 26, 2007 ANN fk F5 ALa 12
Kombinatorisk optimering Kombinatorisk optimering mhamhaHopfieldnHopfieldnäätt –– tilltilläämpningarmpningar
• Jämförelse med heuristiska metoder saknas tyvärr ofta …
• TSP• Tilldelningsproblem
• Fördela N uppgifter till N personer• Bemanningsplanering
• Kvadratiskt• VLSI design, frekvensoptimering i telekom
• ”Constraint satisfaction”• N-Queen• Tidtabell-, schemaläggning
• Klustring• Kapning, Packning• Grafer• Heltalsprogrammering• Schemaläggning
• Av t ex flygplansbesättningar
3
Mars 26, 2007 ANN fk F5 ALa 13
CAM CAM –– vanligaste nvanligaste näätverkentverken
• Psykologisk-Biologisk teori
• Willshaw-Palm• Binär W
• Hopfield• …• BCPNN
• Probabilistisk, modulär
Mars 26, 2007 ANN fk F5 ALa 14
PrestandamPrestandamåått tt –– minneskapacitetminneskapacitet
• Antal återkallbara (slumpmässiga) mönster• Bits/koppling (fri parameter)
• Brusanalys• Informationsteoretisk analys• ”Replikateori”
Mars 26, 2007 ANN fk F5 ALa 15
• Willshaw-Palm nät• Binär Hebbsk inlärning (OR)
• Gles aktivitet, a = log2N
• Fungerar (förvånansvärt) bra• För slumpmässiga mönster…
BinBinäära autoassociativa nra autoassociativa näätverktverk
1VM
Tijw Iμ μμ
ξ ξ=
= −
Mars 26, 2007 ANN fk F5 ALa 16
HopfieldnHopfieldnäätt –– minneskapacitetminneskapacitet
• Slumpmässiga mönster, 50% aktiva• ”Crosstalk”, variansanalys
• Mycket analys finns
0,14cM N=
max 2 lnNM
N=
med fel i recall…
utan fel i recall…
Mars 26, 2007 ANN fk F5 ALa 17
• Önskemål, inte bevis…
• Antal bits i W (symmetrisk)
• Antal bits/återkallat mönster
• Stämmer hyfsat för standard Hopfield, Zmax = 0,14N
MinneskapacitetMinneskapacitetInformationsteoretisk uppskattningInformationsteoretisk uppskattning
2
2
/ log
logP
bits mönster PP antal möjliga olika mönsterZ antal återkallademönsterbits Z P
===
=
( )12/
W
kN Nbits
k antal bits koppling
−=
=
maxW
P
bitsZbits
=
Mars 26, 2007 ANN fk F5 ALa 18
Utvidgningar av Utvidgningar av attraktornattraktornäätt
• Delvis biologi-inspirerat …
1) Gles aktivitet (”sparse”)2) Gles W (”diluted”)3) Modulär struktur4) Glömskt minne5) Adaptation6) Gömt lager7) …
4
Mars 26, 2007 ANN fk F5 ALa 19
Utvidgning 1Utvidgning 1
• Gles, binär aktivitet, {0,1}
:10 1i
Lagrade mönstermed sannolikhet amed sannolikhet a
μξ⎧
= ⎨ −⎩
( )( )1ij i jw a a
Nμ μ
μ
ξ ξ= − −∑ 2
2 lnln
12 ln
c
c
NMa a
NaN
NMN
=
=
⎛ ⎞≈ ⎜ ⎟⎝ ⎠
Mars 26, 2007 ANN fk F5 ALa 20
• Aktivitetsnivå a = m/N = lnN/N
Informationsteoretisk uppskattningInformationsteoretisk uppskattning
( )2 2!log log
! !P
N Nbitsm m N m
⎛ ⎞= =⎜ ⎟ −⎝ ⎠
2
max logW
P
bits NZ kbits N
⎛ ⎞= = ⎜ ⎟
⎝ ⎠
0 1 2 3 4 5 6 7 8 9 10
x 105
0
0.5
1
1.5
2
2.5
3
3.5
4x 108
Mars 26, 2007 ANN fk F5 ALa 21
Utvidgning 2Utvidgning 2ModulModuläärara nnäätt
• Tröskelkontroll• Ofta problematiskt• m-winners-take-all
• Modulära nät• Hjärnbarken
• Orienteringsminikolumner• Hyperkolumner, basketcellinhibition• Generellt?
• t ex• Hopfieldnät Pottsnät• BCPNN
• Moduler med Σaktivitet = 1• Tröskelkontroll enkel
Mars 26, 2007 ANN fk F5 ALa 22
””FuzzyFuzzy representationrepresentation”” –– neurofuzzyneurofuzzy
• Fuzzy variabler• Lingvistiska
• Manuell indelning• Grafisk blandingsmodell
• Automatiskt, EM• Intervallkodning
• Användes tidigt i Japan• I konsumentprodukter
• Kylskåp• Äggkokare• …
• Mjuk tåginbromsning (Shinkhansen)• Struktur – fysikaliska egenskaper hos kemiska ämnen
• Astra-Zeneca
Hyperkolumn med ? enheter
Mars 26, 2007 ANN fk F5 ALa 23
Utvidgning 3Utvidgning 3Gles WGles W
• Gles kopplingsmatris
• Lagringskapacitet• minskar ung proportionellt• dock, adaptiv utglesning…
/M
c connectivity densityc connections unit==
Mars 26, 2007 ANN fk F5 ALa 24
Utvidgning 4Utvidgning 4Kontinuerlig inlKontinuerlig inläärning, glrning, glöömskamska
• ”Läckande” inlärning
• Tidskonstant för vikter, τw• Långtidsminne >> korttidsminne >> arbetsminne• Undviker ”katastrofal glömska”• ”Palimpsestminne”• Minneskonsolidering
• Prefrontal cortex ↔ Hippocampus ↔ Parietalcortex• Drömmar …
i j ijij
w
wdwdt
μ μξ ξτ−
=
5
Mars 26, 2007 ANN fk F5 ALa 25
GlGlöömskt mskt attraktorminneattraktorminne
Mars 26, 2007 ANN fk F5 ALa 26
Bra beskrivning av minne?Bra beskrivning av minne?
Mars 26, 2007 ANN fk F5 ALa 27
DEMO DEMO –– ListinlListinläärningrning
Mars 26, 2007 ANN fk F5 ALa 28
Modulerat glModulerat glöömskt mskt attraktorminneattraktorminne
• Print-now för varje mönster, τw• Minnesmodulation, emotion/relevans, dopamin D1
Mars 26, 2007 ANN fk F5 ALa 29
Utvidgning 6: AdaptationUtvidgning 6: Adaptation
• Nervceller – egenskaper• Ström – Frekvens• Adaptation• Synaptisk depression
• Vad händer i Hopfieldnät?• Attraktorvandring!
Mars 26, 2007 ANN fk F5 ALa 30
AttraktornAttraktornäätt + adaptation+ adaptationStandard Hopfieldnät fastnar i energiminima …
6
Mars 26, 2007 ANN fk F5 ALa 31
Bra minneskapacitet Bra minneskapacitet etcetc, men, men……
• Vilka är begränsningarna?• Viktig funktionalitet som saknas?
• Korrelerade mönster!• Tid - sekvensinlärning
Mars 26, 2007 ANN fk F5 ALa 32
Input Population256x2 = 512 units
Input Population256x2 = 512 units
Hidden Population32x16 = 512 units
Träningsmängd
Mars 26, 2007 ANN fk F5 ALa 33
Utvidgning 5Utvidgning 5AttraktorminnenAttraktorminnen med gmed göömt lagermt lager
• Instabil Stabil representation• Stort antal slumpmässiga mönster• Korrelerade (”verkliga”) mönster
• lagringskapacitet ej begränsad av Nin• bättre klassificeringsförmåga• Hjärnbarkens lager IV• Kompetitiv inlärning
• ”Feature extraktion”• Oövervakad inlärning, ev bias
• Tidigare analys gäller nu gömt lager…
Mars 26, 2007 ANN fk F5 ALa 34
ÖÖverkomplett, gles bildrepresentationverkomplett, gles bildrepresentation
“Sparse basis functions for the patches were extracted from training images by an iterative learning procedure. Most of the functions are oriented, localized and cover a limited range of spatial frequencies, like the receptive fields of neurons in the visual cortex.”
Image courtesy of Bruno A. Olshausen.
”Överkomplett” = antal basfunktioner > antal pixlar i en patch
Mars 26, 2007 ANN fk F5 ALa 35
Exempel Exempel -- bildrekonstruktionbildrekonstruktion
retrieval cue one iteration four iterations twenty iterations
A
B
Bilder från Colombia University Image Library COIL-100.
Upplösning 128×128 pixel
100 bilder lagrades i ANN med16384 hypercolumner medM = 100Parallellimplementerat …
0 20 40 60 80 1000
1
2
3
4
5
6
7x 10
4
Colors
Pix
els
in A
ll of
the
100
Imag
es
Mars 26, 2007 ANN fk F5 ALa 36
AttraktorminnenAttraktorminnen och hjoch hjäärnbarkenrnbarken
• Tillbaka till Hebb och Hopfield:• dvs fungerar hjärnan på detta sätt?
• Biologiska attraktorminnen• Luktsystemet, Hippocampus
• Rekurrent konnektivitet• Inspiration för CAM modeller
• Hela neocortex• …
• Synaptisk plasticitet• Allt minne i synapserna!• LTP, STP, STDP …
7
Mars 26, 2007 ANN fk F5 ALa 37
Kortikal makroKortikal makro-- och mikroarkitekturoch mikroarkitektur
• Hypercolumns• 100-300 minicolumns• 400 mm• 6 105 in human ctx• WTA/output normalization
Mars 26, 2007 ANN fk F5 ALa 38
NNåågragra ststäälldallda frfråågorgor
• Är kortikal rekurrent excitation stark nog för att upprätthålla attraktordynamik (i närvaro av basketcellinhibition)?
• Hur mycket av spiksynkronicitet, gammarytm, thetarytm, …?• Kan modellen reproducera ”UP/DOWN-states” som
observerats i t ex kortikala skivor in vitro?• Modell av kortex lager 2/3, horisontell konnektivitet
McCormick et al, 2003
Mars 26, 2007 ANN fk F5 ALa 39
Enheter/Minikolumner, HyperkolumnerEnheter/Minikolumner, Hyperkolumner
• Enhet => kortikal minilkolumn• 30 pyramidceller• 2 ”regular spiking non-pyramidal cells” (RSNP)
• ”double bouquet”, ”bipolar” …
• Hyperkolumner med ca 100 minikolumner• Basketceller som aktivitetsregulator inom
hyperkolumnen (”normalisering”)
Peters & Sethares, 1997
Mars 26, 2007 ANN fk F5 ALa 40
Luktbarken Luktbarken –– anterioranterior piriformpiriform cortexcortex
• Input från olika receptortypes är ”patchy”, överlappar delvis• Analogi med hyperkolumner i neokortex – WTA moduler!• Antyder ett modulärt attraktornät
Zou, Z., L. F. Horowitz, J.-P. Montmayeur, S. Snapper and L. Buck (2001). "Genetic tracing reveals a stereotyped sensory map in the olfactory cortex." Nature 414: 173-179.
640 μm
Mars 26, 2007 ANN fk F5 ALa 41
I
II/III
IV
V/VI
Lager 2/3 modell Lager 2/3 modell –– kolumnkolumnäärr strukturstruktur
• Synaptisk “lager 4” input
Mars 26, 2007 ANN fk F5 ALa 42
• • •Cm gL
EL
gNa
ENa
gK
EK
rC
Biofysikaliskt detaljerad cellmodell
Hodgkin-Huxley formalismNa, K, KCa, Ca-kanalerCaAP and CaNMDA pooler
Snabb synaptisk transmission:Glutamaterg (50/50 AMPA-NMDA)GABA-erg
Mest data från McCormick et al.SPLIT simulator
8
Mars 26, 2007 ANN fk F5 ALa 43
PropertiesProperties of of connectivityconnectivity
• Realistisk amplitud hos PSP:s i största nätverksmodellen
• Asymmetrisk cell-cell konnektivitet• 2D geometri ⇒ fördröjningar, 1m/s
Tsodyks, Uziel, Markram 2000
Local basket cell
Local pyramidal
Local RSNP
Distant pyramidal
Mars 26, 2007 ANN fk F5 ALa 44
A
B
5 Hz
C
50 mV
1 s
D
Mars 26, 2007 ANN fk F5 ALa 45
Network layoutNetwork layout
• 1x1 mm patch• 9 hypercolumns• Each hypercolumn
• 100 minicolumns• 100 basket cells
• 100 patterns stored
Mars 26, 2007 ANN fk F5 ALa 46
9 hypercolumns9 hypercolumns
• 1x1 mm• 900 minicol.• 29700 neurons• 15 million
synapses
Mars 26, 2007 ANN fk F5 ALa 47
100 hypercolumns100 hypercolumns
≈ 4x4 mm• 330000
neurons• 161 million
synapses
Mars 26, 2007 ANN fk F5 ALa 48
PreliminPreliminäära resultatra resultat
• Rekurrent excitation är stark nog att stödja attraktordynamik• Snabb komplettering och rivalitet
• Dynamiken påminner om det man ser i mätningar i hjärnbarken• Oregelbunden lågfrekvent fyrning• ”UP-states”, LFP/EEG• Gammaoscillationer, spiksynkronicitet
• En hjärnbarksmodell som vidareutvecklas!• Lager 4, 5 läggs till• Uppskalning – parallellsimulering• Flera samverkande areor