लैनियर ने विचारों के एक विशिष्ट सेट के चारों ओर एक जाल डालने के प्रयास में एक 50 प्रतिशत शब्द का आविष्कार किया है जो कंप्यूटर प्रोग्रामों को कुछ पहचानने योग्य विशेषताओं वाले बनाने के लिए एक कम्प्यूटेशनल मॉडल का वर्णन करता है।
शब्द का अर्थ है:
घटक इंटरैक्शन के लिए एक तंत्र जो फ़ंक्शन आमंत्रण या संदेश पासिंग के स्थान पर पैटर्न मान्यता या कृत्रिम अनुभूति का उपयोग करता है।
विचार काफी हद तक जीव विज्ञान से आता है। आपकी आंख दुनिया के साथ इंटरफेस करती है, जैसे किसी फ़ंक्शन के माध्यम से नहीं See(byte[] coneData)
, बल्कि रेटिना नामक सतह के माध्यम से । यह एक तुच्छ भेद नहीं है; कंप्यूटर को coneData
एक-एक करके सभी बाइट्स को स्कैन करना होगा , जबकि आपका मस्तिष्क उन सभी इनपुट को एक साथ प्रोसेस करता है।
लैनियर का दावा है कि बाद वाला इंटरफ़ेस अधिक दोष सहिष्णु है, जो यह है ( coneData
पूरे सिस्टम को तोड़ने में एक एकल फिसल गया)। उनका दावा है कि यह पैटर्न मिलान और अन्य क्षमताओं के एक मेजबान को सक्षम करता है जो कंप्यूटर के लिए सामान्य रूप से कठिन हैं, जो यह करता है।
एक कंप्यूटर प्रणाली में सर्वोत्कृष्ट "फेनोट्रोपिक" तंत्र कृत्रिम तंत्रिका नेटवर्क (ANN) होगा। यह परिभाषित इंटरफ़ेस के बजाय इनपुट के रूप में "सतह" लेता है। पैटर्न मान्यता के कुछ माप को प्राप्त करने के लिए अन्य तकनीकें हैं, लेकिन तंत्रिका नेटवर्क जीव विज्ञान के साथ सबसे अधिक निकटता है। एएनएन बनाना आसान है; यह कार्य करने के लिए कि आप इसे मज़बूती से प्रदर्शन करना चाहते हैं, कई कारणों से मुश्किल है:
- इनपुट और आउटपुट "सतहों" की तरह क्या दिखते हैं? क्या वे स्थिर हैं, या क्या वे समय के साथ आकार में भिन्न होते हैं?
- आपको नेटवर्क संरचना सही कैसे मिलेगी?
- आप नेटवर्क को कैसे प्रशिक्षित करते हैं?
- आपको पर्याप्त प्रदर्शन विशेषताएँ कैसे मिलती हैं?
यदि आप जीव विज्ञान के साथ भाग लेने के इच्छुक हैं, तो आप जैविक मॉडल (जो वास्तविक जैविक न्यूरॉन्स के संचालन को अनुकरण करने का प्रयास करते हैं) के साथ दूर कर सकते हैं और एक नेटवर्क का निर्माण कर सकते हैं जो डिजिटल कंप्यूटर सिस्टम के वास्तविक "न्यूरॉन्स" के साथ अधिक निकटता से जुड़ा हुआ है (तर्क) फाटकों)। इन नेटवर्कों को Adaptive Logic Networks (ALN) कहा जाता है। जिस तरह से वे काम करते हैं वह रैखिक कार्यों की एक श्रृंखला बनाकर होता है जो एक वक्र को अनुमानित करता है। प्रक्रिया कुछ इस तरह दिखती है:
... जहां एक्स अक्ष एएलएन के लिए कुछ इनपुट का प्रतिनिधित्व करता है, और वाई अक्ष कुछ आउटपुट का प्रतिनिधित्व करता है। अब सटीकता में सुधार के लिए आवश्यक रैखिक कार्यों की संख्या की कल्पना करें, और कल्पना करें कि एन मनमानी आयामों में होने वाली प्रक्रिया पूरी तरह से AND और OR लॉजिक गेट्स के साथ लागू की जाती है, और आपको कुछ समझ में आता है कि ALN कैसा दिखता है।
ALN के पास कुछ खास विशेषताएं हैं:
- वे काफी आसानी से प्रशिक्षित हैं,
- वे बहुत अनुमानित हैं, अर्थात इनपुट में थोड़े बदलाव से उत्पादन में जंगली झूलों का उत्पादन नहीं होता है,
- वे तेजी से बिजली कर रहे हैं, क्योंकि वे एक लॉजिक ट्री के आकार में बने हैं, और बाइनरी सर्च की तरह काम करते हैं।
- प्रशिक्षण सेट के परिणामस्वरूप उनकी आंतरिक वास्तुकला स्वाभाविक रूप से विकसित होती है
तो एक फिनोट्रोपिक प्रोग्राम कुछ इस तरह दिखेगा; यह इनपुट के लिए एक "सतह" होगा, एक पूर्वानुमानित वास्तुकला और व्यवहार, और यह शोर इनपुट के लिए सहनशील होगा।
आगे पठन
लेखा परीक्षा के लिए एक परिचय के साथ एक परिचय ऑडिट जोखिम मूल्यांकन "ऑब्जेक्ट ओरिएंटेड" बनाम "संदेश उन्मुख," एलन काय द्वारा एक आवेदन के साथ
phenotropic program
?