The philosopher and theoretical neu

The philosopher and theoretical neuroscientist Chris Eliasmith has been developing interesting ideas about how brains can deal with such relations. I will omit the technical details, but will try to give you the flavor of how this works in his computer simulations and how it might work in the brain. Eliasmith has developed a general method for representing vectors, which are strings of numbers, in neural populations. We can associate a concept with such a string—for example, in a simple way by thinking of the numbers as the firing rates (number of electrical discharges per second) of the many neurons the brain uses for the concept. (Eliasmith's method is more complicated.) Similarly, relations such as cause and if-then can also have associated vectors. Now for the neat trick: there are techniques for building vectors out of vectors, so that drunk causes stumbles can get a vector built out of the vectors for drunk, causes, and stumbles. Crucially, the new vector retains structural information, maintaining the distinction between “drunk causes stumbles” and “stumbles causes drunk.” Once this whole relational structure is captured by a vector, we can use Eliasmith's method to represent it in a population of thousands of neurons. Such neural representations can be transformed in ways that support complex inferences such as if-then reasoning.

ผลลัพธ์ (ไทย) 1:

นักปรัชญาและทฤษฎี neuroscientist Chris Eliasmith ได้พัฒนาความคิดที่น่าสนใจเกี่ยวกับวิธีที่สมองสามารถจัดการกับความสัมพันธ์ ฉันจะไม่ใส่รายละเอียดทางเทคนิค แต่จะพยายามจะให้รสชาติของวิธีนี้การทำงานในสถานการณ์จำลองคอมพิวเตอร์ของเขาและมันอาจทำงานในสมอง Eliasmith ได้พัฒนาวิธีการทั่วไปสำหรับการแทนเวกเตอร์ ซึ่งเป็นสายอักขระของเลข ในประชากรประสาท เราสามารถเชื่อมโยงแนวคิดกับสายอักขระดังกล่าว — ทางโดยคิดเลขเป็นราคายิง (จำนวนของการปล่อยไฟฟ้าต่อวินาที) ของ neurons หลายสมองใช้สำหรับแนวคิดการ (วิธีของ Eliasmith มีความซับซ้อนมากขึ้น) ในทำนองเดียวกัน ความสัมพันธ์สาเหตุและสามารถแล้วถ้ายังได้เชื่อมโยงเวกเตอร์ สำหรับเคล็ดลับเรียบร้อย: มีเทคนิคการสร้างเวกเตอร์จากเวกเตอร์ เมา stumbles ได้สร้างขึ้นจากเวกเตอร์ที่สำหรับเมา เวกเตอร์สาเหตุที่ทำให้ และ stumbles อำนาจ เวกเตอร์ใหม่ยังคงโครงสร้างข้อมูล การรักษาความแตกต่างระหว่าง "สาเหตุเมา stumbles" และ "stumbles เมาทำให้" เมื่อโครงสร้างเชิงทั้งหมดนี้เป็นจับ โดยเวกเตอร์ เราสามารถใช้วิธีของ Eliasmith เพื่อเป็นตัวแทนประชากรของ neurons นำเสนอเช่นประสาทสามารถถูกแปลงที่สนับสนุน inferences ซับซ้อนเช่นนั้นหากใช้เหตุผล

ผลลัพธ์ (ไทย) 2:

นักปรัชญาและทฤษฎีประสาทวิทยา Eliasmith คริสได้รับการพัฒนาความคิดที่น่าสนใจเกี่ยวกับวิธีสมองสามารถจัดการกับความสัมพันธ์ดังกล่าว ผมจะเอารายละเอียดทางเทคนิค แต่จะพยายามที่จะให้คุณได้รสชาติของวิธีการทำงานในแบบจำลองคอมพิวเตอร์ของเขาและวิธีการที่มันอาจจะทำงานในสมอง Eliasmith ได้มีการพัฒนาวิธีการทั่วไปแทนเวกเตอร์ซึ่งเป็นสายของตัวเลขในประชากรประสาท เราสามารถเชื่อมโยงแนวคิดด้วยเช่นตัวอย่างสตริงสำหรับในวิธีที่ง่ายด้วยการคิดของตัวเลขอัตราการยิง (จำนวนปล่อยไฟฟ้าต่อวินาที) ของหลายเซลล์ประสาทสมองที่ใช้สำหรับแนวคิด (วิธี Eliasmith เป็นความซับซ้อนมากขึ้น.) ในทำนองเดียวกันความสัมพันธ์ดังกล่าวเป็นสาเหตุและหากแล้วยังสามารถมีความสัมพันธ์เวกเตอร์ ตอนนี้สำหรับเคล็ดลับเรียบร้อย: มีเทคนิคในการพาหะอาคารออกของเวกเตอร์เพื่อให้เมาทำให้เกิดการสะดุดจะได้รับเวกเตอร์ที่สร้างขึ้นจากพาหะสำหรับเมาสาเหตุและสะดุด ขับเคลื่อนเวกเตอร์ใหม่ยังคงมีโครงสร้างข้อมูลที่ยังคงรักษาความแตกต่างระหว่าง "เมาทำให้เกิดการสะดุด" และ "สะดุดทำให้เกิดการเมา." เมื่อโครงสร้างเชิงสัมพันธ์ทั้งหมดนี้ถูกจับโดยเวกเตอร์ที่เราสามารถใช้วิธีการ Eliasmith ที่จะเป็นตัวแทนของประชากรนับพันของ เซลล์ประสาท การแสดงประสาทดังกล่าวสามารถจะเปลี่ยนไปในทางที่สนับสนุนข้อสรุปที่ซับซ้อนเช่นถ้าเหตุผลแล้ว

ผลลัพธ์ (ไทย) 3:

นักปรัชญาและนักประสาทวิทยาทฤษฎีคริส eliasmith ได้พัฒนาความคิดที่น่าสนใจเกี่ยวกับวิธีการที่สมองสามารถจัดการกับความสัมพันธ์ดังกล่าว ฉันจะละเว้นรายละเอียดทางเทคนิค แต่จะพยายามให้รสชาติของการทำงานในคอมพิวเตอร์จำลองของเขาและมันอาจจะทำงานในสมอง eliasmith พัฒนาวิธีทั่วไปสำหรับแสดงเวกเตอร์ซึ่งเป็นสตริงของตัวเลขในประชากรประสาท เราสามารถเชื่อมโยงแนวความคิดกับเช่นสตริงตัวอย่างเช่นในวิธีง่ายๆโดยการคิดของตัวเลขเป็นยิงอัตรา ( จำนวนการปล่อยกระแสไฟฟ้าต่อวินาที ) ในเซลล์ประสาทหลายสมองใช้แนวคิด ( eliasmith เป็นวิธีที่ซับซ้อน มากกว่า ) และประชาสัมพันธ์ เช่น เหตุ และ ถ้าสามารถมีเวกเตอร์ที่เกี่ยวข้อง ตอนนี้เคล็ดลับเรียบร้อย :มีเทคนิคสำหรับการสร้างเวกเตอร์ของเวกเตอร์ ดังนั้นสาเหตุเมาสะดุดได้สร้างเวกเตอร์ของเวกเตอร์สำหรับการดื่ม สาเหตุ และสะดุด crucially , เวกเตอร์ใหม่เก็บข้อมูลการรักษาความแตกต่างระหว่าง " สาเหตุเมาสะดุด " และ " สะดุดสาเหตุเมา เมื่อโครงสร้างความสัมพันธ์ทั้งหมดนี้ ถูกจับโดยเวกเตอร์เราสามารถใช้ eliasmith เป็นวิธีที่จะแสดงมันในประชากรนับพันของเซลล์ประสาท ใช้แทนประสาทดังกล่าวสามารถเปลี่ยนในทางที่สนับสนุนข้อสรุปที่ซับซ้อนเช่นถ้าเหตุผล .