(情報科学)技術的特異点と科学･技術等 1 (ナノテク) [転載禁止]©2ch.net
※このスレは、下記の本家スレから分かれた分家スレです。転載に関する規定は本家に準じます。
■現在の本家スレ
(強いAI)技術的特異点/ｼﾝｷﾞｭﾗﾘﾃｨ(世界加速) 13 [転載禁止]c2ch.net
http://wc2014.2ch.net/test/read.cgi/future/1426647717/
本家スレの話題のうち、科学・技術系で『専門的な』話題を特に扱います。
スレ成立のきっかけ
・技術的特異点の関わる分野は非常に幅広く、浅い部分から深い部分までレベルも様々で、多様な人が集まっている
・上記を前提として、科学・技術系で専門的な内容に集中しやすいように、ノイズ（特に不毛な論争）を減らしたい
・これにより、興味がある者同士の意思疎通困難性、過去ログ参照の困難性などが解消される
ただし性質上、本家との区分は厳密には困難です。
むしろ同じ内容が扱われても構いません。
本家は雑談寄り、ここではより専門色を強く、とご理解下さい。
■姉妹スレ
(AIとBI)技術的特異点と経済･社会等 1 (天国or地獄) [転載禁止]©2ch.net
http://wc2014.2ch.net/test/read.cgi/future/1427004849/
■関連スレ
人工知能
http://wc2014.2ch.net/test/read.cgi/future/1286353655/ This is the html version of the file https://numenta.com/assets/pdf/whitepapers/hierarchical-temporal-memory-cortical-learning-algorithm-0.2.1-jp.pdf .
Google automatically generates html versions of documents as we crawl the web.
Page 1
HIERARCHICAL TEMPORAL MEMORY
including
HTM Cortical Learning Algorithms
VERSION 0.2, DECEMBER 10, 2010
Numenta, Inc. 2010
Use of Numenta’s software and intellectual property, including the ideas contained in this
document, are free for non-commercial research purposes. For details, see
http://www.numenta.com/software-overview/licensing.php
翻訳 株式会社アルトーク 2011/1/25
出典: http://www.numenta.com/htm-overview/education/HTM_CorticalLearningAlgorithms.pdf
脚注はすべて訳者による注釈である。本書の改訂版を確認するには http://ai.altalk.com 参照。 Page 2
Numenta 翻訳ライセンス（参考和訳）
Copyright (c) 2010, 2011 Numenta, Inc.
All rights reserved.
ここに含まれる文章、アルゴリズム、サンプルコード、擬似コード、及びその他の記述は、
Numenta Inc.が発行した hierarchical temporal memory (“HTM”) 技術に関する記述の翻訳な
いしこれに基づいて得られたものである。原著の著作権及びここで翻訳された HTM やそのアル
ゴリズムに関する特許権は Numenta が保有している。独立した HTM システムの開発及び使用
に関して、それが商用目的ないし製品化目的ではなく、研究目的である限り、Numenta はその
特許権を主張しないことに同意する。Numenta の特許権に抵触する商用目的ないし製品化目的
のいかなる HTM 技術の使用も、Numenta から商用ライセンスを取得しなければならない。
上記に基づいて Numenta は貴方に、商用目的ないし製品化目的の使用ではなく、研究目的に限
り、これらのアルゴリズム及び著作を使用することを認可する。前述の「商用目的ないし製品化
目的の使用」は、訓練された HTM ネットワークないしアプリケーションを後に商用目的ないし
製品化目的で適用することを意図している場合、HTM ネットワークを訓練することを含む。前
述の「商用目的ないし製品化目的の使用」はまた、商用目的ないし製品化目的で HTM 技術の出
力結果を使用ないし他者に使用を許可することを含む。この記述を頒布・出版・複製したあらゆ
る記述には、この翻訳ライセンスの全文が英文及び翻訳対象言語の両方で含まれていなければな
らない。
このライセンスは明示的にも暗黙的にも特許権の使用を何ら許可しない。ここで許可された翻訳
物の品質ないし正確さに関して Numenta は義務も責任も負わない。 Page 4
最初にお読み下さい！
本書は、この資料のドラフトである。読者が知っておくべき事柄のうち、欠落して
いるものがいくつかある。
本書に含まれること：
本書は Numenta が 2010 年に開発した学習と予測に関する新しいアルゴリズムの
詳細を説明している。この新しいアルゴリズムについて、プログラマが理解でき、もし
望むならこれを実装可能なほど十分詳細に説明している。最初の章で概念説明をしてい
る。もし読者が Numenta についてよく知っていて、我々のこれまでの論文のいくつか
を読んだことがあるなら、それらは馴染み深いであろう。それ以後の章は新しい事柄に
ついて述べる。
本書に含まれないこと：
この新しいアルゴリズムの実装に関するいくつかの話題は、この初期の草稿に含ま
れていない。
- アルゴリズムの多くの側面は実装及びテストされているが、テスト結果については
述べられていない。
- アルゴリズムを実際の問題にどのように適用可能であるかについての記述はない。
センサーないしデータベースからのデータを、このアルゴリズムに適した分散表現
に変換する方法の記述が抜けている。
- アルゴリズムはオンライン学習ができる。オンライン学習を完全に実装するために、
ある特殊な状況下で必要となるいくつかの詳細は記述されていない。
- 執筆予定のその他の議論として次のものがある。疎分散表現の特徴に関する議論、
利用例・応用例、付録への引用。
我々は現時点で紹介可能な範囲でこの資料を作成した。他の人々もこれに関心を持
つだろうと考えたためである。意欲のある研究者であれば、この資料の欠落している部
分は、アルゴリズムを理解し実験をする上で妨げにならないだろうと考える。我々は今
後の進展に伴って随時この資料を改訂する。 Page 5
目次
Numenta 翻訳ライセンス（参考和訳） . . . . . 2
序文 . . . . . . . . . . . 8
:
ソフトウェアのリリース . . . . . . . 9
:
Numenta 社について
著者について . . . . . . . . . 10
:
第１章： HTM 概説 . . . . . . . . 11
:
階層構造 . . . . . . . . . . 12
リージョン . . . . . . . . . 15
疎分散表現 . . . . . . . . . 16
時間の役割 . . . . . . . . . 17
学習 . . . . . . . . . . . 19
推論 . . . . . . . . . . . 20
予測 . . . . . . . . . . . 21
行動 . . . . . . . . . . . 23
HTM の実装に向けての進捗状況 第２章： HTM 大脳皮質性学習アルゴリズム . . . . 24
:
セル状態
樹状突起セグメント . . . . . . . . 25
シナプス
概要 . . . . . . . . . . . 26
共通概念 . . . . . . . . . . 32
二値ウェイト
永続値 . . . . . . . . . . 33
樹状突起セグメント
シナプス候補
学習 Page 6
空間プーリングの概念 . . . . . . . . 34
:
時間プーリングの概念 . . . . . . . . 36
:
一次と可変長のシーケンスと予測 . . . . . . 39
第３章： 空間プーリングの実装と疑似コード . . . . 43
初期化
フェーズ 1: オーバラップ . . . . . . . 44
フェーズ 2: 抑制
フェーズ 3: 学習
データ構造と補助関数 . . . . . . . . 46
第４章： 時間プーリングの実装と疑似コード . . . . 48
時間プーリング疑似コード： 推論だけのバージョン
:
時間プーリング疑似コード： 推論と学習を含むバージョン. . 49
:
実装の詳細と用語説明 . . . . . . . . 52 付録 A: 生体ニューロンと HTM セルの比較 . . . . 57
生体ニューロン
細胞体 . . . . . . . . . . 58
主要樹状突起
末梢樹状突起
シナプス . . . . . . . . . . 59
ニューロンの出力 . . . . . . . . 60
単純な人工ニューロン
HTM セル . . . . . . . . . . 61
主要樹状突起
末梢樹状突起 . . . . . . . . . 62
シナプス . . . . . . . . . . 63
セル出力
:
付録 B: 新皮質の層と HTM リージョンの比較. . . . 65
新皮質の神経回路網 Page 7
層 . . . . . . . . . . . 66
リージョンの違いによる層のバリエーション . . . . 67
カラム . . . . . . . . . . 68
ミニカラム . . . . . . . . . 69
カラム反応の例外 . . . . . . . . 70
なぜ層とカラムがあるのか？ . . . . . . . 71
異なる層が何をするのかに関する仮説 . . . . . 72
HTM リージョンは新皮質の何に相当するか？ . . . . 75
: Page 8
序文
人間には簡単にできて、コンピュータには今のところできないようなことがたくさ ry
Hierarchical Temporal Memory (HTM) は、新皮質がこの様な機能を発揮する様子を
モデル化する技術である。 HTM は人間と同等あるいはそれ以上の多くの認識性能 ry
ry １章は HTM ry 階層構造 ry 、疎分散表現1、時間的な変化に基づく学習 ry
２章は HTM 大脳皮質性学習アルゴリズム2 ry
３章と第 4 章は HTM 学習アルゴリズムの疑似コードを、
空間プーリング及び時間プーリングの２つのパート ry
第２章から第４章を読めば、熟練したソフトウェア技術 ry 実装して実験 ry
1 sparse distributed representation。本書を理解する上で重要な概念だが、
冒頭で述べられているように、残念ながら本書では説明されていない。
理論的基礎は Pentti Kanerva 著 Sparse Distributed Memory に詳しい。
Kanerva 氏は Jeff Hawkins 氏が設立した Redwood Neuroscience Institute
（現在は Redwood Center for Theoretical Neuroscience)の研究員。
2 HTM cortical learning algorithms Page 9
ソフトウェアのリリース
ry ソフトウェアリリースは 2011 年中頃を予定している。
以前の文書との関係
HTM 理論の一部は 2004 年の On Intelligence3、Numenta 社から発行された
ホワイトペーパー、Numenta の従業員が執筆した論文など ry
２章から第４章で述べている HTM 学習アルゴリズムは、これまで発表されたことはない。
この新しいアルゴリズムは、Zeta 1 と呼ばれていた我々の第一世代アルゴリズムを置き換 ry
新しいアルゴリズムのことを “Fixed-density Distributed Representations” ないし “FDR”
と呼んでいた ry
HTM 大脳皮質性学習アルゴリズム4、あるいは単に HTM 学習アルゴリズムと呼んでいる。
我々は、Numenta 社創設者の一人である Jeff Hawkins と Sandra Blakeslee によって書かれた
On Intelligence ry この本は HTM という名前で述べてはいないものの、
それは HTM 理論とその背景にあるニューロサイエンスについて、
読みやすくかつあまり技術よりにならずに説明している。On Intelligence が執筆された当時、
我々は HTM の基本原理を理解していたが ry 実装する方法を知らなかった。 ry
Numenta 社 ry
Numenta, Inc. (www.numenta.com)は HTM 技術を商業的ないし学術的利用のため ry
進捗及び発見を完全に文書化している。我々はまた、我々が開発したソフトウェアを
他の人が研究目的や商業目的で利用できるように提供 ry
アプリケーション開発コミュニティが立ち上がることを支援 ry
Numenta 社のソフトウェアや知的所有権を研究目的で自由に利用
3 邦訳 「考える脳 考えるコンピューター」ランダムハウス講談社
4 HTM Cortical Learning Algorithms Page 10
してよい。我々は商業目的での技術サポートの提供、ソフトウェアライセンス販売、
知的所有権のライセンス販売で収益を得ている。
我々は常に開発パートナーを求めており、彼らと我々自身の成功 ry
Numenta 社はカリフォルニア州 Redwood City に拠点をおき、自己資本 ry
著者 ry
本書は Numenta 社の従業員の協力と努力 ry 名前は改訂記録 ry 改訂記録
各版の主な変更点 ry 。細かな修正や整形などは ry
版 日付 変更点 主な著者
0.1 2010/11/9
1. 序文、1,2,3,4 章、用語集の初版
Jeff Hawkins, Subutai Ahmad, Donna Dubinsky
0.1.1 2010/11/23
1. 第 1 章のリージョンの節で、レベル、カラム、層などの用語を明確化するため編集した
2. 付録Ａの初版
Jeff Hawkins
0.2 2010/12/10
1. 第２章： 明確化のため修正
2. 第４章：行番号を修正、37行と39行のコードを修正
3. 付録Ｂの初版
Hawkins Ahmad Hawkins Page 11
第１章： HTM 概説
Hierarchical Temporal Memory (HTM) は、新皮質の構造的・アルゴリズム的性質
を捉えることを目指した機械学習技術である。
ry 。新皮質は実に均一なパターンのニューラル回路 ry
ry 小さなサブセットを実装 ry 今後より一層多くの理論が実装されるだろう。
現在我々は、新皮質の商業的ないし科学的価値のうちの十分なサブセットを実装したと信じる。
HTM のプログラミングは伝統的なコンピュータプログラミングとは異なる。 ry
HTM はセンサーから得られたデータの流れに触れることで訓練される。
HTM の能力はそれがどのようなデータに触れたかによって ry
ry 「ニューラルネ ry 」という用語は非常に多くのシステムで用い ry 不用意に使えない。
HTM がモデル化するニューロン（HTM ではセル5と呼ぶ）は、
カラム6、層7、リージョン8、階層構造9の中に配置 ry
HTM は基本的にメモリベース ry 。HTM ネットワークは時間的に変化する
たくさんのデータによって訓練され、多くのパターンとシーケンス10の蓄積に依存している。
データを格納及びアクセスする方法は、一般にプログラマが使用する標準的なモデルとは論理的に異 ry
。伝統的なコンピュータメモリはフラット ry 時間に関する概念を持たない。 ry
5 cell
6 column
7 layer
8 region
9 hierarchy
10 sequence。連続して起こる事柄、ないしその順序を意味する。 松田先生ご資料 Page 8
http://webcache.googleusercontent.com/search?q=cache:www.ssken.gr.jp/MAINSITE/event/2016/20161028-joint/lecture-03/SSKEN_joint2016_MatsudaTakuya_presentation.pdf#8
PEZY Computing/ExaScaler/Ultra Memory3社連合+WBAI+Project N.I. 汎用人工知能開発・特異点創出ロードマップ
旧版 http://news.mynavi.jp/articles/2016/05/20/deep_insights/001.html
次世代スパコン PEZY Computing/ExaScaler/UltraMemory
2017年中? → 更新 2017年6月
100 PetaFLOPSスパコン（プレ・エクサスケール）
・世界初の100 PetaFLOPS
・超メニーコア「PEZY-SC2」
・磁界結合積層DRAM「UM1」
・液浸冷却（二重合）
2019年中? → 更新 2018年11月
1 ExaFLOPSスパコン
（エクサスケール）
・世界初の1 ExaFLOPS
・超々メニーコア「PEZY-SC3」
・磁界結合積層DRAM「UM2」
・液浸冷却（三重合＋熱音響）
前特異点創出 2025年頃 人工知能エンジン Deep Insights
2018年
「仮説立案までを行える新人工知能エンジン」
・世界最高演算性能
・世界最高消費電力性能
・世界最高メモリ帯域
・現在の1,000倍超の性能
・Edge側、Server側双方
・自動運転等にも適応化
「新」産業革命での当面の競争力確保 2020年頃
汎用人工知能 Project N.I.
2020年頃
汎用人工知能用ハードウェア開発
・磁界結合で無線結合
・超極薄ウェハ積層
・Connectome機能実現
2030年頃
汎用人工知能
（世界初のAGI）
・マスターアルゴリズム
・ソフトウェアレス
・自己進化機能
特異点創出 Page 12
ry 。HTM のメモリは階層的な構造であり、時刻の概念が内在している。
情報は常に分散型の様式で保存される。HTM の利用者は階層のサイズを指定し、
何に対してそのシステムを訓練するのかを決める。 ry
HTM ネットワークは ry 、階層構造、時間と疎分散表現（ ry ）の主要機能を包含する限り、
我々は汎用的なコンピュータを使ってモデル化することができる。
我々はいずれ、HTM ネットワークに特化したハートウェアを作ることになる ry
本書では我々は HTM の特徴と原理を、人の視覚・触覚・聴覚・言語・行動を例にして表す。
ry 。しかしながら、HTM の能力は汎用的であることを心に留め ry
。HTM は学習と予測の機械であり、様々な種類の問題に適用可能である。
HTM 原論
ry なぜ階層的な組織が重要なのか、HTM のリージョンはどのように構成されるか、
なぜデータを疎分散表現で格納するのか、なぜ時間ベースの情報がクリティカルであるのか。
階層構造
ry 。リージョンは HTMにおける記憶と予測の主要構成要素 ry 。
通常、各 HTMリージョンは階層構造の 1 レベルを表す。
階層構造を上がるに伴って、常に集約11がある。
子リージョンの複数の要素が親リージョンの一つの要素に集約 ry
階層構造を下がるに伴って、フィードバック接続による情報の発散12がある。
（リージョンとレベルはほとんど同義 ry 。リージョンの内部的な機能 ry 「リージョン」の用語 ry
、特に階層構造の中でのリージョンの役割を指すときに「レベル」の用語を用いる）
11 convergence
12 divergence Page 13
図 １-１ ４階層の階層構造に配置された４つの HTMリージョンを単純化して表した図。
情報は階層間及び階層内部で通信 ry
複数の HTM ネットワークを結合することもできる。 ry 。
例えば、一つのネットワークが音声情報を処理し、他 ry が映像情報を処理する場合 ry
。各個別のネットワークがトップに向かうにつれて集約 ry
図 １-２ 異なるセンサから集約するネットワーク Page 14
階層 ry 効率 ry 各レベルで学習されたパターンが上位のレベルで組み合わせて再利用 ry
学習時間とメモリ消費を非常に節約する。
説明のため、視覚 ry 。階層構造の最下位レベルでは、
脳は縁13や角などの視覚のごく一部分に関する情報を格納する。
縁は ry 基本的な構成要素である。これらの下位レベルのパターンは中間レベルで ry
曲線や模様などのより複雑な構成要素に集約される。
円弧は耳の縁 ry 車のハンドル ry カップの取っ手 ry
。これらの中間レベルのパターンはさらに集約されて、頭、車、家などの
高レベルな物体の特徴を表す。
高レベルな物体 ry 、その構成要素を再度学習する必要がなくなる。
ry 単語を学習 ry 文字や文節、発音を再度学習する必要はない。
階層構造間で表現を共有 ry 、予期される行動の一般化にもなる。
ry 動物を見 ry 、口や歯を見 ry 食 ry 噛 ry 予測 ry
。階層構造により、 ry 新しい物体がその構成要素が持つ既に分かっている特徴を
引き継いでいることを知ることができる。 一つの HTM 階層構造はいくつの事柄を学習 ry ？
言い換えれば、階層構造にはいくつのレベルが必要 ry ？
各レベルに割り当てるメモリと、必要なレベル数の間にはトレードオフ ry
HTM は入力の統計及び割り当てられたリソースの量とから、
各レベルの最適な表現を自動的に学習 ry
多くのメモリを割り当 ry レベルはより大きくより複雑な表現を構成し、
従って必要となる階層構造のレベルはより少 ry
少ないメモリ ry 小さく単純な表現を構成し、 ry レベルはより多 ry
ここからは、視覚の推論14のような難しい問題について述べる
（推論はパターン認識と似 ry ）。しかし多くの価値ある問題は視覚より単純で、
一つの HTM リージョンでも十分 ry
Web ry どこをクリックするか予測 ry
。この問題は、一連の Web クリックのデータをHTM ネットワークに流し込 ry
。この問題では空間的階層構造はわずか ry 。解決策は主に時間的な統計 ry
一般的なユーザのパターンを認識することで、 ry どこをクリックするかを予測 ry
13 edge。へり・ふち。
14 inference http://rio2016.2ch.net/test/read.cgi/future/1478753976/795
> 795 ：オーバーテクナナシー：2016/11/16(水) 11:52:11.84 ID:BYy/Er5p
> 【 考察メモ 】深層学習モデル設計者 が、人間 脳の神経回路（コネクトーム）
> 形成・変容メカニズム から 学ぶべきこと、学ぶべきでないこと
> http://qiita.com/HirofumiYashima/items/abd68a6070a6ddf27ec2
http://rio2016.2ch.net/test/read.cgi/future/1478753976/844
> 844 : yamaguti~kasi 2016/11/16(水) 21:47:25.64 ID:om/S71rA
> >>795
>> あらゆる方向に（直交格子座標でなく）ニューロンを並べ ry すべての組み合わ ry
>> 「結合あり（非零の結合荷重）・結合なし（零の結合荷重）を定義」
>> すると、ほとんどのニューロン ry 結合荷重は、零になり、疎な多次元行列 ry 計算量
> http://rio2016.2ch.net/test/read.cgi/future/1427220599/551#558
> http://webcache.googleusercontent.com/search?q=cache:numenta.com/assets/pdf/whitepapers/hierarchical-temporal-memory-cortical-learning-algorithm-0.2.1-jp.pdf#16
>
>> 『コネクトーム:脳の配線はどのように「わたし」をつくり出すのか』本 ry 『再』配線 ry
>> ・ ry 結合の軸索 or 樹状突起を切り落とす（＝結合荷重を零に ry と、
>> ・ ry 存在しなかった ry 樹状突起（軸索も？）を生長させる（結合荷重を零から非零に ry
>> との同時発生
> #25#26#33-36#75 Page 15
まとめると、階層構造は学習時間 ry メモリ消費を節約し、一般化 ry
しかしながら、単純な予測問題の多くは一つの HTM リージョンでも解決 ry
リージョン
階層構造に連結されたリージョン15の表現は、生物学から ry
新皮質は厚さ 2mm ry 。生物学では主にそれらが互いにどのように接続 ry
基づいて、新皮質を異なる領域ないしリージョンに区分けする。
あるリージョンはセンサから直接入力 ry
、他のリージョンは他のいくつかのリージョンを経由 ry
。階層構造を決 ry ージョ ry ョンへの接続関係 ry
新皮質のすべてのリージョンの細部は似 ry
サイズや階層構造の中のどこに位置 ry 違 ry 、その他は似ている。
厚さ 2mm の新皮質リージョンを縦にスライスしたなら、6 つの層 ry 。
5 つはセルの層で、1 つはセルではない層である（少しの例外 ry ）。
新皮質リージョンの各層はカラム状に数多くの相互接続されたセルがある。
HTM リージョンもまた、高度に相互接続されたセルがカラム状に配列された皮 ry
新皮質の第 3 層はニューロンの主要なフィード・フォワード層である。
HTM リー ry のセルはおおまかに言えば新皮質のリー ry 3 層にあるニューロンと等価 ry
図 １-３ HTM リージョンの区画。 ry 。セルは二次元のカラム状 ry
図では、1 カラム当たり 4 つのセル ry 小さな区画 ry 。各カラムは入力
15 region。体の部位、局部など ry Page 16
の一部に接続され、各セルは同一リージョン内の他のセルに接続する（ ry 図 ry ない）。
この HTM リージョン及びそのカラム構造は新皮質リージョンの一つの層に等価 ry
HTM リージョンは新皮質リージョンのほんの一部と等価であるに過ぎないものの、
複雑なデータ列の推論と予測 ry 多くの問題に有益 ry
疎分散表現
新皮質のニューロンは高度に相互接続しているが、わずかなパーセンテージのニューロン
だけが一度にアクティブになるように抑制ニューロンによって保護されている。
よって脳内の情報は常に、数多く存在するニューロンのうちのわずかなパーセンテージ
のアクティブなニューロンによって表されている。この様なコード化は「疎分散表現」 ry
「疎」とは、わずかなパーセンテージのニューロンだけが一度にアク ry
。一つのアクティブなニューロンは何らかの意味表現に関わっているが、
いくつかのニューロンの文脈の中で解釈されて初めて完全に意味 ry
ry HTM リージョンの記憶の仕組みは疎分散表現に依存 ry 。
ry 入力 ry 疎であるとは限らないので、HTM リージョンが最初に ry 疎分散表現に変換 ry
ry リージョンが 20,000 ビットの入力 ry
。入力ビットの中の”1”や”0”の割合は、時間と共に非常に頻繁に変化 ry
ry 、またあるときは 9,000 個のビットが”1”であったりする。
HTMリージョンはこの入力を 10,000 ビットの内部表現に変換して、
入力 ry の 2%にあたる 200 ビットが一度にアクティブになるようにする。
ry 入力が時間と共に変化するに従って、内部表現もまた変化するが、
10,000 ビットのうち約 200 ビットが常にアクティブになる。
リージョン内で表現可能なものの数よりも起こりうる入力パターンの数の方が
ずっと大きいから、この処理によって多くの情報が失 ry 、と思 ry
。しかしながら、どちらの数も途方もなく大きい。
ry どのようにして疎表現を作成 ry 後述する。 ry 情報のロスは ry 問題にならない。 Page 17
図 １-４ HTM リージョンのセルが疎分散的にアクティブ ry
時間の役割
時間は、学習・推論・予測において極めて重要 ry
時間を用いなければ、我々は触覚や聴覚からほとんど何も推論できない。
ry 目が不自由だとして、誰かが貴方の手の上にりんごを置い ry
。りんごの上で指を動かせば、触覚から得られる情報が常に変化しているにも関わらず、
ry 貴方が持つ「りんご」という高レベルの認識 ― は変化しない。しかし ry
手や指先を動かしてはいけない ry レモンではなくりんごであると識別するのは非常に難 ry
同じことは聴覚 ry 。変化しない音はわずかな意味しか持たない。
「りんご」という言葉や、誰かがりんごを噛んだときの音などは、
時間と共に素早く順序的に変化する数十から数百の音階の列 ry
視覚は対照的に、混在したケースである。 ry 一瞬だけ ry でも識別可能 ry
必ずしも時間的な入力の変化を必要としない。しかし ry
常時、目や頭や体を動かしており、物体もまた周囲を動き回 ry 。素早 ry 視覚的変化
の中から推論する我々の能力は、視覚の統計的な特徴と長年の訓練によってもたら Page 18
される特別なケース ry
学習について見てみよう。 ry HTM システムは訓練の間、時間的に変化する入力に触 ry
。視覚では静的な画像の推論がときには可能なものの、
物体がどのようなものであるかを学習するため ry 変化する様子 ry 犬が ry 走ってくる様子 ry
網膜に一連のパ ry 、数学的に言えばそれらのパターンはほとんど似ても似つかない。
脳はこれらの異なるパターンが同じ ry 順序的な変化を観察することによって知る。
時間はどの空間的なパターンが一緒に現れるかを教えてくれる「先生」である。
センサから得られる入力が変化するだけ ry 無関係な入力パターンが続けて現れても
混乱するだけ ry 。また、ry 、非人間的なセンサも ry 適用できる点にも注意 ry
。もし発電所の温度・振動・雑音のパターンを認識するように HTM を訓練 ry
これらのセンサの時間的な変化からもたらされるデータで訓練 ry
ry HTM ネットワークは多くのデータで訓練 ry 。HTM アルゴリズムの仕事は、
データの時系列の流れ ry どのパターンに続いて ry ーンが現れるかというモデルを構築 ry
。この時系列がいつ始まりいつ終わるのかがわからないので、この仕事は難しい。
同時に複数の時系列が重なりあって起こることもある。
学習は継続的に行われ、またノイズがある中で行われなければならない。
シーケンスの学習と認識は予測を形成する基準 ry ーンが他のどのパターンに続くかを
HTM が学習すれば、 ry 現在の入力とその直前の入力に対して
次にどのパターンが現れる可能性が高いかを予測 ry
HTM の 4 つの基本的な機能に戻ろう：学習・推論・予測・行動16である。
各 HTMリージョンは最初の 3 ry 、学習・推論・予測を実行 ry しかし ry 行動は異なる。
生物学によれば、多くの新皮質のリージョンが行動を形成 ry
しかし我々は、多くの興味深いアプリケーションにおいてこれは重要ではないと信
16 behavior >>554
AI エンジン ハードウェア
http://news.mynavi.jp/articles/2016/05/20/deep_insights/001.html
> 高効率の人工知能ハードウェアを開発するDeep Insightsを創立 ry
> 開発するハードウェアはノイマン型 ry Deep Learningなど ry 大幅に高速化 ry
> 7nmプロセスを使って速度と集積密度の双方を上げることで10倍、
> 磁界結合による ry を多チャンネル化(メモリ帯域100TB/s)してダイ上に ry 10倍、
> ダイナミックな計算精度変更を可能にして、低精度演算 ry 10倍 ry 全体では1,000倍 > ダイナミックな計算精度変更
一例 URR ( 浜田穂積先生 ) Page 19
じている。よって行動は現在の HTM の実装に含まれていない。 ry
学習
HTM リージョンは ry パターンとパターンのシーケンスを見つけることで、
その世界を学習する。 ry 入力が何を表しているのかを「知って」はいない。
ry 統計的 ry 入力ビット ry 頻繁に同時に起こる組み合わせを見ている。
ry これを空間的パターンと呼 ry パターンが時間と共にどのような順で現れるか ry
これを時間的パターンないしシーケンスと呼んでいる。
ry 入力が建物の ry センサであるなら、リージョンは建物の北側や南側において、
ある温度と湿度の組み合わせがしばしば起こることを見つけるだろう。
そしてこれらの組み合わせが毎日移り変わる様子を学習 ry
ry 入力があるお店の購入に関する情報 ry 、週末にある種の雑誌が購入される ry
、天候が寒いときはある種の価格帯のものが夕方頃に好まれることを ry
一つの HTM リージョンは学習の能力が限定されている。
ry どれだけのメモリ ry 入力が ry 複雑 ry に応じて何を学習するかを自動的に調整する。
ry メモリが削減 ry 学習する空間的パターンはより単純 ry
メモリが増加 ry 複雑になりうる。学習した空間的パターンが単純であれば、
複雑な画像を理解するにはリージョンの階層構造が必要となりうる。
我々はこの特徴を、人の視覚システムに見る ry
。網膜から情報を受け取る新皮質のリージョンは、
視覚的な小さな領域についてだけ、空間的なパターンを学習する。
階層 ry を経由した後にだけ、視覚の全体像を認識する。 生物的システムと同様に、HTM リージョン ry オンライン学習 ry
新しい入力を受け取るごとに継続的に学習する。
学習 ry 推論が改善されるが、学習フェーズと推論フェーズとを分ける必要はない。 ry
ry HTM は学習し続けることもできるし、訓練フェーズの後に学習を無効化することも ry
、階層構造の下位レベルでは学習を無効化し、上位レベルでは学習を続けることもできる。
HTM が ry の統計的構造を学習したら、多くの学習は階層構造のより上位 ry
。もし HTM が下位レベル ry 新しいパターンに触れたら、これらの新しいパター >>http://rio2016.2ch.net/test/read.cgi/future/1479349196/772
>772 : yamaguti~kasi 2016/11/24(木) 22:14:53.06 ID:gvzci1Hb
> 難易度
> 精神転送 > ネット生命体化
>
> >342 : YAMAGUTIseisei 2016/09/22(木) 15:11:35.05 ID:PmVnGSgy
>>> 内容紹介 ry 日本には大逆転の隠し球 ry 1~3位を独占 ry 齊藤元章氏が手がけるNSPU
>> http://google.jp/search?q=matuda+takuya+sinsyo+ai+OR+al
>
>>>NSPU → 人格融合 射程寸前 http://ja.catalyst.red/articles/saito-watanabe-talk-6# >>65
>>> 応用 : 精神融合 ( やレディーの前ですが電脳セоクス ) 技術に直結 ( 鏡像 >>111 )
>
>http://rio2016.2ch.net/test/read.cgi/future/1473812514/441# BCI
>http://wc2014.2ch.net/test/read.cgi/future/1444213055/444# haamonii
>889 ：846~転：2016/01/04(月) 13:50:26.45 ID:6ASy9gR+
> 融合 → アップロード ( ※ 但し AI との完全融合は不可能 ( >>873 ) → AL と融合 ) Page 20
ンを学習するのにより長時間必要 ry 。既に知っている言語の新しい単語を学習するのは
比較的容易 ry 慣れない発音の外国語の ry 、まだ下位レベルの発音を知ら ry
単にパターンを見つけることは、価値の高い可能性を秘めている。
マーケットの変動、病状の変化、天候、工場の生産、送電系統のような複雑なシステムの
障害などの、高レベルなパターンを理解することはそれ自体に価値がある。
それでも空間的・時間的パターンを学習することは推論と予測に先立って必要となる。
推論
HTM が周囲の世界のパターンを学習すると、新しい入力について推論ができ ry
、以前に学習した空間的ないし時間的パターンと照合 ry
入力が以前に格納したシーケンスとうまく適合 ry が、推論とパターンマッチングの本質 ry
メロディをどうやって理解 ry 最初の音 ry 次の音 ry 十分では ry
普通は３，４，ないしそれ以上の音 ry 。HTM リージョンの推論も似 ry
継続的に入力列を見て、以前学習したシーケンスと照合 ry シーケンスの最初から ry
が普通はもっと流動的で、 ry メロディがどこから始まっても貴方が理解できることと似 ry
HTM リージョンは分散表現を用いるので ry
シーケンスを記憶ないし推論することは上記のメロディの例よりも複雑 ry
貴方がセンサから新しい入力 ry すぐに明確になるとまでは言えないものの、
慣れ親しんだパターンを ry 容易に見つける ry
、例え老人であっても若い人 ry 、ほとんどの人が話す「朝食」という言葉を理解できる。
同じ人が同じ「朝食」という単語を百回発音しても、その音は二度と、
貴方の蝸牛殻17（音の受容体）を正確に同じように刺激することはないにも関わら ry HTM リージョンも脳と同じ問題に直面する：入力は決して正確に繰り返されない。
さらに、ちょうど脳と同じように、 ry 推論や訓練の最中にも新しい入力 ry
対処する一つの方法は、疎分散表現 ry 。疎分散表現の鍵となる特徴は、パターンの一部
17 cochleae。かぎゅうかく。耳の奥にある渦巻き状の感覚器官。 >268 : オーバーテクナナシー 2016/09/20(火) 10:29:28.04 ID:lWJpK4O6
> >> ry 。量子テレポーテーションでは、「いつ転送されたか」が受信側には分からないため、
> 別経路の従来の（光などの）通信が必要 ry
> https://ja.m.wikipedia.org/wiki/量子テレポーテーション
>
> 319 : オーバーテクナナシー 2016/09/21(水) 15:50:42.70 ID:W1zU7Hj5
> >>268
> 事前にいつ送信するかを決 ry
>
>>http://rio2016.2ch.net/test/read.cgi/future/1473812514/322
> 322 : YAMAGUTIseisei 2016/09/21(水) 18:32:10.83 ID:oXyswuUP
> >>319 データレコーダ ( や RS-232C ? ) の冗長ヘッダ → 自動待合せ
量子状態 反転 ( 方向 ) 推論 充分可能 > 707 : オーバーテクナナシー 2016/11/23(水) 23:53:27.58 ID:uc5KgrCv
> GoogleのAI翻訳ツールは独自の内部的言語を発明したようだ、そうとしか言えない不思議な現象が
> http://jp.techcrunch.com/2016/11/23/20161122googles-ai-translation-tool-seems-to-have-invented-its-own-secret-internal-language/
> 708 : オーバーテクナナシー 2016/11/24(木) 00:03:18.73 ID:FV9AmA+z
> GoogleのAI翻訳ツールは独自の内部的言語を発明したようだ、そうとしか言えない不思議な現象が
> http://jp.techcrunch.com/2016/11/23/20161122googles-ai-translation-tool-seems-to-have-invented-its-own-secret-internal-language/
>
> javaでいう中間言語的なモノ？
>710 : yamaguti~kasi 2016/11/24(木) 00:24:02.77 ID:gvzci1Hb
>>707
>484 : 481 2016/10/05(水) 17:22:58.19 ID:Pxo2DYci
> ※b4b 幻影実在大深度再帰自律オ... 素因数分解 素韻枢分解 素因枢分解
> 透過可視ニューロン必然融合 ( Rite スタック ) 自律簡易言語創発
>
> ※b4c 自律イメージ言語 → イメージ言語ベースイメージ自律認識
>→ イメージベーステキスト非連続コード層創発 ry
>>384 >>484
>>708
>577 : yamaguti~kasi 2016/11/14(月) 15:49:45.51 ID:NnxIikfK
>> = 物理空間融合レンダ = 仮想空間融合レンダ = 意味空間融合レンダ = 人格システム
> 意味粒度概念空間
>>379 >> http://rio2016.2ch.net/test/read.cgi/future/1480118427/481-485
>>539-
第14回全脳アーキテクチャ勉強会 「深層学習を越える新皮質計算モデル」報告レポート
３．大脳新皮質のマスターアルゴリズムの候補としてのHierarchical Temporal Memory (HTM)理論 (NPO法人 あいんしゅたいん 松田卓也氏)
http://wba-initiative.org/ja/1653/
> コネクトームと新皮質内の情報の流れ
> ry 大きく分けて領野間 ry マクロ・コネクトームと、 ry ニューロン間のシナプス結合を表すミク ry
> 新皮質は6層 ry 、階層内(横方向)はミクロ・コネクトームによる密結合であり、主に時間系列 ry
> 。階層間(縦方向)はマクロ・ ry 疎結合であり、主に静的パターンを処理する。
> 最下層では知覚の入力および筋肉への出力が行われ、最上層は意識あるいは論理的思考を司る。
> 階層を上昇する情報はフィードフォワード(FF)あるいはボトムア ry 下降 ry バック(FB)あるいはトップダ ry
> 。これらの情報の流れはベイジアンネットワークの性質 ry
> ry 。深層学習におけるバック・プロパゲーションはFBとは別物である。実際の脳ではFB情報が重要 ry
> 。FF情報とFB情報は必ずしも対称的ではない。FB情報の方がむしろ多 ry
> 。さらに重要なのは階層内からの情報である。下の階層からくる情報は全体の5-10%にすぎない。
> ry HTM理論では階層内の横からの情報は遷移確率のような時間的情報である。
> ry 、ゼータ1ではFBを扱うがCLAでは扱えず、これはCLAの欠点である。
> 新皮質の6層構造間と領野間の情報の流れについても解明が進んでいる。
> 新皮質への情報はまず４層に入り、そこから2/3層に送られる。
> さらに上の階層へは直接の経路と視床を経由する2種類がある。
> 5層は運動を支配している。
> 6層からはFBで１層に入る。
> CLAアルゴリズムでは4層と2/3層は実装されているが、5層と6層は実装されていない。 > HTM理論の解説
>
> ry 発展に伴い実装 ry 。Numentaの資料により初代のゼータ1 から CLA, Gen3, そして将来の Gen4 ry
> 。以下では ゼータ1, CLA, Gen3 ry
> ゼータ1 ry 、教師なし学習、木構造の階層構造、上の階層ほど空間的・時間的に不変性 ry
> 、バッチ学習、学習と推論フェーズの分離 ry
> 。学習は階層ごとに行われ、階層を上がるに従い空間プーリングと時間プーリングによ ry 不変性 ry
> 。下層から上層へのFFだけでなく、上層から下層へのFBも実装されている。
> Vicarious ではゼータ1を発展させた Recursive Cortical Network 理論が実装 ry CAPTCHA を破る ry
>
> CLAは神経科学の知見を取り込み、
> 神経細胞の細胞体、基底樹状突起、遠隔樹状突起、尖端樹状突起、軸索などとモデルを対応付けている。
> 新皮質の６層構造において情報は三方向 ry 下の階層、上の階層、同じ階層の横方向から入ってくるが、
> 下からの入力は5％ほどで、残りの95％は上と横 ry 。CLAにおいては遠隔樹状突起を経由しての横方向
> からの入力を扱うことが、通常のニューラルネットワークの理論と異なっている。
>
> CLAの主な特徴は、空間プーリング、時間プーリング、SDR (Sparse Distributed Representation, スパース表現)
> によるデータ表現である。空間プーリングとは、ry 。時間プーリングとは、 ry 。
> SDR は、一つのパターンを多数のニューロン(コラム)のうちの複数のニューロン(コラム)で表現することで、
> 豊富な表現力と頑強性を実現している。実際の脳ではSDRが採用されている。
> ry 反対に一つのパターンを一つのニューロンで表現する方法は Point Neuron あるいは Localist 表現と呼ぶ。
> SDRの幾何学的表現は、基底樹状突起をHTM空間における短いベクトルとし、
> 下の階層の長いベクトルを多数の短いベクトルの和として表現していると考えられる。
> これをSDRのハリネズミモデル ry モデルの具体例として脳の集団符号化方式がある。
> Gen3 は CLA の後継として Numenta が2014年 ry Page 21
分だけをマッチングするだけでほぼ確実にマッチ ry
予測
HTM の各リージョンはパターンのシーケンスを格納する。 ry
現在の入力とマッチングすることで、次に到着すると思われる入力の予測をする。
ry 実際には疎分散表現の間の変遷を記録する。
あるときはその変遷はメロディの中の音に見られるように線形のシーケンスであるが、
一般的な場合は将来入力される可能性があるものが同時に多数予測される。
HTM リージョンはときには長期間に及ぶ過去の文脈に基づいて異なる予測をする。ry 。
HTM の予測の鍵 ry
1) 予測は継続的 ry
貴方は特に意識していなくても継続的に予測 ry HTM も同じ ry
歌 ry 次の音 ry 。階段 ry 足がいつ次の段に触れるか ry
予測と推論はほとんど同じ ry 。予測は分離された処理ではなく ry 統合 ry
2) 予測は階層構造のすべてのレベルのすべてのリージョンで起こる
ry 。リージョンはそれが既に学習したパターンについて予測 ry
。言語の例では、低レベルのリージョンでは次の音素を予測し、高レベル ry 単語や句 ry 3) 予測は文脈依存 ry
予測は過去に何が起こったか、そして現在何が起こっているかに基づいて行われる。
従って直前の文脈に基づいて、ある入力から異なった予測が行われることがある。
HTM リージョンは必要なだけのより多くの直前の文脈を用いて学習し、
短時間ないし長時間の両方の文脈を保持 ry 可変長記憶18 ry
例えば、暗唱 ry ゲティスバーグ演説19 ry 。次の単語を予
18 variable order memory
19 Gettysburg Address。「人民の人民による人民のための政治」のフレーズが有名。
”Four score and seven years ago our fathers brought forth on this continent, a new nation,
conceived in Liberty, and dedicated to the proposition that all men are created equal...” (以下略) >>http://rio2016.2ch.net/test/read.cgi/future/1480859621/59
> 59 : yamaguti~kasi 2016/12/05(月) 20:14:39.07 ID:s5+vq0Ta
> 専門分野違いながら
>
> 強い AI 理論 : HTM ( 予測 テンポラル系時間管理 )
> ｜
> ｜ 入力応用 ? ( 一層切出し 多層化 ? )
> ↓
> 弱い AI 実装 : DeepLearning ( 外部タスク 内部ビュー 等 → 自己改良用分割余地 )
> ｜
> ｜ フレーム自体モデル化 ? ( → 自己改良転用パーツ化余地 )
> ↓
> 弱い AI 実装 : Deep PredNet ( 予測 )
>DeepLearning ( 外部タスク 内部ビュー 等 → 自己改良用分割余地 )
｜
｜ 外部タスク 内部ビュー 等 動的化 外部化
↓
DNC ( 自律傾向芽生え 長期記憶 http://rio2016.2ch.net/test/read.cgi/future/1475655319/939# ) >207 : yamaguti~kasi 2016/12/07(水) 00:40:01.72 ID:i949cOw9
> >>航空機 戦艦
> >899 : YAMAGUTIseisei 2016/11/04(金) 21:09:51.02 ID:O8dhrfC/
>> 32 bit 版 ARM の肝はそこではない
> >>航空機へのゲームチェンジに耐える非戦艦型スパコン設計
>
> >740 : yamaguti~kasi 2016/12/03(土) 22:40:41.28 ID:97cte86A
>> >>600
>>> 将来には脳の全てをエミュレーションできるAIの開発も研究
> >最初からоみ ( 現状版 64bitARM 不о合 )
>> http://rio2016.2ch.net/test/read.cgi/future/1476925488/899
>
>http://rio2016.2ch.net/test/read.cgi/future/1480118427/568# tyuugoku
>>527
> >>525-526
> http://google.jp/search?q=arm+32+meirei-hyou+OR+asenburi+OR+futuu%89%BB
http://google.jp/search?q=tronchip+meirei+kansetu
http://rio2016.2ch.net/test/read.cgi/future/1480118427/946# interconnect
>> >もっと言えば電子頭脳そのもの = AI ( AL ) 変形スパコン戦艦航空機
>>182 >>381 >>531-534 do?omo 1996 年頃 Web アンケート ( 携帯電話 拡張案 )
→ メディア化案 投稿 ( アイデア料に付いて付記 具体例 SYSTEM2 音源エミュ )
NetScapeNavigator キャッシュのバックアップが残っている筈 >>http://rio2016.2ch.net/test/read.cgi/future/1480859621/364-365
ポストヒューマン = 単に AI 装備 ?
>713 : YAMAGUTIseisei 2016/11/02(水) 18:56:57.88 ID:2rq/lQF2
> ※ 但し AI とはまともには融合できない ⇔ 融合可 → AL ( かネイティブモーフィック NSPU )
> http://wc2014.2ch.net/test/read.cgi/future/1450893538/889# YuugouFukanou
※ 但し Fixstars : Cell 蓄積 → 航空機スパコン 射程 ?
http://rio2016.2ch.net/test/read.cgi/future/1480118427/946# koukuuki
http://google.jp/search?q=cell+nettowa-ku+OR+off-chip-ac0+bif/ioif0
http://google.jp/search?q=kutaragi+net+tokasu
ttp://google.jp/search?q=cellbe+network-gata+sekkei+eib
>>582
ttp://yahoo.jp/UUNk3s?#Sponsor_-_CellBE http://www.sankeibiz.jp/smp/aireport/news/160605/aia1606050700001-s1.htm
> ーニングの顔ニューロンが表現する内容は静的ですが、脳の顔ニューロンは非線形のダイナミクス ry
> 。猿の脳 ry 、顔ニューロンが、刺激の後しばらくは人と猿を区別するみたいな大まかな分類をやり、
> もう少し時間が経つと、より詳細な個を区別したり、表情を区別したりしだすのです。
> つまり時間とともに表現する内容が変わっていく。
> このダイナミクスが脳の本質で、それがない人工ニューラルネットワークは脳とは全然違うものなのです。
>>562 >>564 >>578
http://webcache.googleusercontent.com/search?q=cache:numenta.com/assets/pdf/whitepapers/hierarchical-temporal-memory-cortical-learning-algorithm-0.2.1-jp.pdf#22#26#28-30#32#38-41#54#63#70#73#77#80
2
> 理論が大事 ry 。やってみたら出来ました、結果が出ましたという研究が多い。
> ディープラーニング ry は、入力情報と出力情報を一致させる同じニューロン数から成る恒等写像を
> 作ることを繰り返すのだけど、その際、途中（中間層）でニューロン数を絞るので非線形の情報圧縮が起き、
> ry 圧縮 ry 。だけど、それが何故上手くいって、何をやっているのかを理論的に解明しないと、
> 大きな飛躍にはならないと思います。 ry
> 理論研究は世界的にあまり進んでいなくて、みんな使ってみて結果を出すことに熱中
5
> ディープラーニングに関しては、もっと数理をやらないと底が浅い話 ry 危惧 ry
> 使ってみたら出来ましたっていう研究 ry も良いと思いますが、
> 僕らは数理の研究者なので、どうして上手くいくのかが分からないと僕らの研究にはならない http://www.sankeibiz.jp/smp/aireport/news/160605/aia1606050700001-s3.htm
> 「ディープラーニングを使って、動的なものすなわち時空間のダイナミクスを扱おうとすると、
> これまで失敗してきたことの繰り返しになると思います。
> ニューラルネットワークを使って、時空間のダイナミクスを扱う研究は何十年もされてきてはいますが、 ry
> 。むしろ、そういった時空間情報を扱う手法は、既に数学的に ry 。ディープラーニングは要素技術としては
>>555 >>564 >>567-568
#32#36#40#48
>>581
4
> 大脳皮質は、視覚も聴覚も触覚の部分も基本的に同じ六層構造で、構造自体に汎用性があります。
> 単にそこに入ってくる情報が違うだけで、基本原理は同じはずです。
http://webcache.googleusercontent.com/search?q=cache:numenta.com/assets/pdf/whitepapers/hierarchical-temporal-memory-cortical-learning-algorithm-0.2.1-jp.pdf#11#12#65-67#69 4
> 人工知能が語られる時、ほとんどの場合はソフトウェア ry
> 、ハードウェアのことが触れられることは極めて少ない。
> 「あと、ハードウェアの研究をやらないと革新的なものは作れない ry
> 。日本は伝統的にニューロンのハードウェア化の分野で世界をリード ry
> 。今ではニューロモーフィック
>>555
> HTM ネットワークは ry 、階層構造、時間と疎分散表現（ ry ）の主要機能を包含する限り、
> 我々は汎用的なコンピュータを使ってモデル化することができる。
> 我々はいずれ、HTM ネットワークに特化したハートウェアを作ることになる ry
>>554
> 人工知能エンジン Deep Insights
> 汎用人工知能 Project N.I.
> 汎用人工知能用ハードウェア開発
> ・Connectome機能実現
> 汎用人工知能
> （世界初のAGI）
> ・マスターアルゴリズム
> ・ソフトウェアレス Page 22
測するには、現在の単語だけでは全く不十分 ry ”and” の次に
“seven” が来ることもあれば、 ry 。ときにはほんの少しの文脈で予測 ry
“four score and” と分かれば次の “seven”を予測できる。
他の場合はフレーズが繰り返される場合 ry 、より長い文脈を使う必要がある。
4) 予測は安定化に ry
あるリージョンの出力はその予測である。
HTM の特徴の一つは、リージョンからの出力はより安定 ry
。安定とはつまり、階層構造の上位に行くほどよりゆっくりと変化し、長く継続 ry
。リージョンは ry 可能なときは時間軸の複数ステップ先 ry 5 ステップ先 ry
。新しい入力 ry 、新たに予測されたステップは変化するが、
しかしそのうちの 4 つの既に予測されたステップは変化しない。
ry 、出力の一部だけが変化するので、出力は入力よりも安定化している。 ry 。
歌の名前のような高レベルの概念は、 ry 音のような低レベルの概念よりもゆっくり ry
5) ry 、新しい入力が予期されたものか予期しないものかが分かる
各リージョンは ry 、予期せぬ事 ry 知ることができる。
HTM は次の入力として起こりうる ry 一度に多数予測 ry
正確に予測できるわけではないが、 ry
どの予測にも一致しないとき、何か普通でないこと ry
6) 予測はシステムをノイズにより強く ry
HTM ry 、推論をその予測に従う方向へ向かわせる ry
話し言葉 ry 、次にどんな音が、単語が ry 予測により、欠落したデータを埋め合わせ ry
あいまいな音 ry 予測していることに基づいてその音を解釈 ry 、ノイズ ry 推論 ry
HTM リージョンの、シーケンス記憶、推論、予測は緊密に統合 ry >528 : yamaguti~kasi 2016/11/14(月) 02:55:31.59 ID:NnxIikfK
> 人ооい `` 見たまえ私には私も含む膨大なネットが接合されている。
> アクセスしていない君には、 ただ光として知覚されているだけかもしれないが。 ''
無色無受想行識
>>494
> 大自然普遍互換 ( 認識宇宙システム 有機天然ネット 根源意味リンクネット 縁 )
> 大自然普遍憑依基盤 ( 大自然融合 相互乗入 )
> 有機天然根源ネットダイビング ( 時間軸 )
> 論理物理ワープ 千里眼
> BTRON/Ru?yOS : private ⇔ public
> 疑似入滅支援システム
: Page 23
行動20
我々の行動は我々が感じることに影響を及ぼす。
目を動かすに従って、網膜は変化する入力を受け取る。
手や指を動かせば、触った感触が変化する様子が脳に届く。
我々の ry 動作は、我々が感じることを変化させる。
センサ入力と筋肉運動は緊密に絡み合っている。
数十年来の主要な見方では、
新皮質の単一のリージョンである第 1 運動野が、新皮質内で運動を指令 ry
その後、新皮質内のほとんどないしすべてのリージョンは、
低レベルの感覚野でさえ、運動に関する出力を出していることが分かった。
すべての皮質性リージョンは感覚と運動機能とを統合 ry
運動指令を生成することは予測することと似 ry
現存のフレームワーク中の各 HTM リージョンに運動出力を加える ry 。 ry 。
HTM の実装に向けての進捗状況
ry HTM 大脳皮質性学習アルゴリズム ry 、基本的なアーキテクチャは健全 ry
。これに続く３つの章は現在のアルゴリズムの状況を述べる。
この理論の多くの構成要素はまだ実装されていない。注意21、
リージョン間のフィードバック、特定のタイミング、センサ入力と行動の統合など ry
20 behavior
21 attention 粗粒度 : 関数等 ( 評価関数 ⇔ 特徴量 )
細粒度 : ニューロン ( モーフィック型ニューロン : 自律傾向増 ) 今泉大輔氏「脳髄にインジェクションして欲しいのか？リモートコントロールで廃人になりたいのか？」
http://togetter.com/li/50199 Page 24
第２章： HTM 大脳皮質性学習アルゴリズム
ry 。第３章と第４章は疑似コードを用いて学習アルゴリズムの実装方法 ry
用語説明
ry ニューロサイエンスの用語を使用する。セル22、シナプス23、
シナプス候補24、樹状突起セグメント25、カラム26などの用語 ry
。学習アルゴリズムは理論上の必要に応じてニューロサイエンスの細部に照らし ry
。しかし ry 性能の問題 ry 働きを理解したと感じたときには処理速度を向上させる別の方法 ry
、生物学的な詳細に厳格にこだわるのではなく、同じ結果が得られさえすれば ry
ニューロサイエンスの用語 ry としばしば違う ry
。付録 ry HTM 学習アルゴリズムとニューロ生物学的に等価 ry 相違点・類似点 ry
セル状態
ry セルは３つの出力状態 ry 。フィード・フォワード入力によりアクティブな状態、
横方向の入力によりアクティブな状態（これは予測を表す）、アクティブでない状態である。
最初の出力状態はニューロンのアクション状態による短時間のはげしい出力27に相当する。
２つ目の出力状態はもっとゆっくりとした、安定した出力28に相当
22 cell
23 synapse
24 potential synapse
25 dendrite segment
26 column
27 a short burst of action potentials in a neuron >502 : yamaguti~kasi 2016/12/16(金) 12:12:06.60 ID:2MPdD9+O
> 価値貯蔵システム = 記憶システム
> ネイティブ記憶システム = ネイティブマスターアルゴリズム
>512 : yamaguti~kasi 2016/12/16(金) 12:40:04.58 ID:2MPdD9+O
>> 近似三次元空間 + α
> 価値貯蔵システム ≠ 物質システム
> 価値貯蔵システム ≠ 数値システム
raw 記憶 テンポラル記憶 : HTM
→ 非物体サービス価値ライブ貯蔵
情報物理統一動記憶システム ≒ 科学哲学大統一理論 = raw マスターアルゴリズム
http://rio2016.2ch.net/test/read.cgi/future/1475986330/501
http://rio2016.2ch.net/test/read.cgi/future/1475986330/380-381 >>597 http://rio2016.2ch.net/test/read.cgi/future/1481497226/518
>499 : yamaguti~kasi 2016/12/16(金) 11:54:38.67 ID:2MPdD9+O
> http://rio2016.2ch.net/test/read.cgi/future/1479349196/378# SeisanButuUrimono
>
> × 価値を評価するモノサシ、評価基準として通貨は必要
> △ 価値を評価するモノサシ、評価基準として何かは必要
> ○ 価値を評価する、何かは必要
帳簿ベース価値貯蔵 ( 経済学 ) ⇔ 動的テンポラル記憶システムベースライブ価値貯蔵 >>599
× http://ｍ.youtube.com/watch?v=3KrArkmPo4A
○ http://m.youtube.com/watch?v=3KrArkmPo4A
× 非リンク
○ 被リンク Page 25
する。 ry これら２つのアクティブ状態以上の詳細なモデル化の必要性はない ry
個々のアクション状態の強さの程度、アクティビティの発生頻度を表すスカラー量
などはモデル化する必要性を見いだせない。分散表現の利用は、
セルのアクティビティの程度を表すスカラー量をモデル化することを凌駕 ry
樹状突起セグメント
HTM セルは比較的リアルな（ ry 複雑な）樹状突起モデルを持つ。各 HTM セルは理論的に
一つの主要樹状突起セグメント29と 10~20 個の末梢樹状突起セグメント30を持つ。
主要樹状突起セグメントはフィード・フォワード入力 ry
末梢樹状突起セグメントは周辺のセルからの横方向の入力 ry
抑制セルは同じカラム中の全てのセルが
類似のフィード・フォワード入力に対して応答するように強制する。
単純化のため、各セルごとの主要樹状突起セグメントを取り除き、
同じカラム中のすべてのセルで共有する一つの主要樹状突起セグメントで置き換えた。
空間プーリング関数（後述）はカラム単位で、共有の樹状突起セグメントに対して作用する。
時間プーリング関数はカラム中の個々のセル単位で、末梢樹状突起セグメントに対 ry
。生物学的にはカラムに接続するような樹状突起セグメントは存在しない ry
この単純化は同等 ry シナプス
ry 二値のウェイトを持つ。生物学上のシナプスは可変値のウェイト ry 確率的・不安定 ry
生体ニューロンはシナプスのウェイト値の正確な値に依存しているはずがない ry
。HTM の分散表現及び我々の樹状突起の計算モデルを利用すれば、
HTM シナプスに二値のウェイトを割り当てても何ら悪影響はないはずである。
シナプスの形成及び切断をモデル化 ry ２つの追加 ry ニューロサイエンスから援用した。
一つ目は、シナプス候補の概念である。これは樹状突起セグメントに十分近い位置を通る
すべての軸索を表し、シナプスを形成する可能性があるものである。
二つ目は、永続値である。これは各シナプス候補に割り当てられたスカラー値である。
ry 軸索と樹状突起の間の接続の度合 ry 度合は生物学的には、完全に分離した状態から、
接続はしていないがシナプスを形成し始めた状態、最小限にシナプスが接続した状態、
大きく完全にシナプスが接続された状態に至るまでの範囲を取る。シナプスの
28 a slower, steady rate of action potentials in a neuron
29 proximal dendrite segment。樹状突起のうち、ニューロンの中心部に近い部分。
30 distal dendrite segment。樹状突起のうち、末端に近い部分。
distalは末梢（まっしょう）・末端の意味。ちなみに末梢神経は peripheral nerve という。 Page 26
永続値は 0.0 から 1.0 まで ry 。学習にはシナプスの永続値の増加や減少が含まれる。
シナプスの永続値がしきい値を超えたら、ウェイト値 1 で接続されたことを表す。
しきい値より下回っていたら、ウェイト値 0 で切断 ry
概要
仮に読者が HTM リージョンだ ry 。貴方の入力は数千ないし数万のビット ry
センサ入力データや、階層構造の下位の他のリージョンから来たデータである。
それらは複雑にオン・オフしている。これらの入力に対して貴方は何が出来るか？
我々はその答えを単純な形態で既に説明した。
各 HTM リージョンはその入力の共通のパターンを探し、 ry シーケンスを学習する。
シーケンスの記憶から、各リージョンは予測 ry
もう少し説明 ry 以下の３ステップ ry
1) 入力の疎分散表現を作成する
2) 以前の入力の文脈に基づいて、入力の表現を作成する
3) 以前の入力の文脈に基づいて、現在の入力からの予測をする ry 詳細 ry
1) 入力の疎分散表現を作成する
リージョンへの入力を想像するには、それを巨大なビット列と考えるとよい。
脳内ではこれらはニューロンからの軸索にあたる。任意の時点で、
これらの入力のある部分はアクティブ（値１）、他の部分は非アクティブ（値０）である。
アクティブな入力ビットの比率は変化する。例えば0%から60%としよう。
HTMリージョンで行う最初の事は、この入力を疎な新しい表現に変換 ry
。例えば、入力のうち40%がオンかも知れないが、新しい表現では2%だけがオン ry
。HTMリージョンは論理的にはカラムの集合 ry カラムは1又はそれ以上のセルから成る。
カラムは論理的には2Dの配列状に配置できるが、これは要件ではない。
ry 各カラムは入力ビットのユニークな部分集合（普通は他のカラムと重なるが、
完全に同じ部分集合になることはない）に接続される。結果として、
異なる入力パターンからは、レベル全体では異なるカラムのアクティベーションを得る。
最も強いアクティベーションを得たカラムは、
弱いアクティベーションを得たカラムを抑制、ないし非アクティブ化する。
（抑制は非常に局所的範囲からリージョン全体までの範囲で変化する円の ry ）入力 >>http://rio2016.2ch.net/test/read.cgi/future/1481515915/261
>>582 >599
> TRONCHIP 間接アドレッシング ( マスターアルゴリズム 自発的対称性の破れ ) 機構 MMU キュー応用 > 452 : yamaguti~kasi 2016/12/25(日) 09:43:54.36 ID:HhtfNWQ8
> ○ 弱い AI 組合せ方式 : 実用上問題ない ( + 高効率 ) → 日ノ本 悲願のプラットフォーム掌握 ( AI )
> × 他の方式 ( 全脳型 ) : 考慮に値せず ( 上記方式欠点なし )
>
> ↑ 弱い AI 応用 基盤 着々 ( 国家予算 )
> 松尾先生 : 恐らくマルチビューマルチタスク等にも関わる深層学習次世代理論でご先行
> 山川先生 : ( 全脳型応用にせよ ) Deep PredNet ( 組合せ型深層学習拡張 + HTM 要素 ? )
> http://rio2016.2ch.net/test/read.cgi/future/1427220599/581
>763 : YAMAGUTIseisei 2016/09/30(金) 18:17:20.94 ID:/EmvfkU+
>http://rio2016.2ch.net/test/read.cgi/future/1472305818/782#785
>http://rio2016.2ch.net/test/read.cgi/future/1472305818/806-808 >>609
> 449 : YAMAGUTIseisei~kasi 2016/12/25(日) 03:30:09.16 ID:HhtfNWQ8
> シンギュラリティスレに相応しい大切な議論 ( 議題 )
> ※ 但し 失礼ながら些か脱線の傾向 ( 議題の中の肝の部分が大切 )
>496 : yamaguti~kasi 2016/12/25(日) 23:35:42.88 ID:HhtfNWQ8
> >>452
> 流れ
> LSf1DgBH 氏文脈
http://rio2016.2ch.net/test/read.cgi/future/1476925488/210# SaiRyuudoKa
http://rio2016.2ch.net/test/read.cgi/future/1476925488/949# Sukoaringu http://rio2016.2ch.net/test/read.cgi/future/1481515915/274#290
>274 : オーバーテクナナシー 2016/12/23(金) 16:01:53.21 ID:qoXUV7bO
> ディープラーニングに必要な計算量を30分の1に省力化、デバイスに搭載できる人工知能 ─三菱電機インタビュー
>http://iotnews.jp/archives/44190
> ry 係数が0になる部分をできるだけ増 ry 計算を簡略化 ry
> ─重みづけに使う係数が0になるところを増やして計算をできるだけ簡略化 ry
> ry データの特徴を分析して、その枝の部分でも重要な枝 ry 決め打ちで残します。
> ─これは人が残すのでしょうか？
> 現時点では人が枝を選別しています。枝を大幅に削減しても性能が落ちない事を理論的に証明 ry
> 数字がたくさんあるものは「密な行列」 ry 、従来のディープラーニングと一緒。
> そこで値をほとんど持たない「疎な行列」をどう構成 ry
> ─その太い幹っていうのを見切るところがすごく難しそうです。 ry 、どれだけ残して、どれだけ切 ry
> ry 、例えば入力のデータに対して主成分となり得るような重要なデータの個数がある程度限定 ry
> 、情報を欠損させないで中間層に伝搬させる事は可能 ry 証明 ry 1/30に削減しても同様の効果 ry
> ─これはこのデータだからという事はないのでしょうか？
> ry 制約条件はありません。
> ─人の顔の認識などデータが複雑だと難しいということはないのでしょうか？
> ry 、さっきのガンマに依存しないっていうのは実は驚異的 ry
http://rio2016.2ch.net/test/read.cgi/future/1427220599/541#555#562-563#570-571#578-579#604-605
http://webcache.googleusercontent.com/search?q=cache:numenta.com/assets/pdf/whitepapers/hierarchical-temporal-memory-cortical-learning-algorithm-0.2.1-jp.pdf#27#30-32#34-38#63#75#79#80
#16#26#27#30-32 >>581
深層学習
> 入力応用 ? ( 一層切出し 多層化 ? )
↓
> ソフトウェアコード応用 ( 一層切出し 多層化 ) ? Page 27
の疎表現は、抑制の後でどのカラムがアクティブでどれが非ア ry
。例え入力ビットのうちアクティブなビットの数が大幅に変化した場合であっても、
相対的に一定の割合のカラムがアクティブになるように抑制関数が定義される。
図 ２-１ カラムとセルからなる HTM リージョンの例。リージョンの一部分のみ ry
。各カラムは入力のユニークな部分集合によるアクティベーションを受け取る。
最も強いアクティベーションを受けたカラムが他の弱いアクティベーションを抑制する。
結果は入力の疎分散表現である。（アクティブなカラムは灰色で示した）
ry ほんの少しの入力ビットが変化したなら、
いくつかのカラムでは少し多く又は少し少ない入力ビットがオン状態になるが、
アクティブなカラムの集合はあまり大幅に変化しないだろう。
よって似た入力パターン（アクティブなビットの共通部分が非常に多いもの）からは
アクティブなカラムの比較的安定した集合に対応付けられる。
コード化がどのくらい安定 ry 、各カラムがどの入力に接続しているかに大きく依存 ry
この接続関係は、後述する方法で学習する。
これらのすべてのステップ（入力の部分集合から各カラムへの接続関係を学習し、
各カラムへの入力レベルを決定し、アクティブなカラムの疎な集合をえらぶために抑制 ry ）
を空間プーリングと呼ぶ。 ry 空間的に類似（アクティブなビットの共通部分が多い）の
パターンがプールされる（それらが共通の表現に互いにグループ化される）ことを意味する。 Page 28
2) 以前の入力の文脈に基づいて、入力の表現を作成する
リージョンで行われる次の機能は、入力をカラムで表現したものを、
過去からの状態ないし文脈を含む新しい表現に変換 ry
。新しい表現は各カラムの一部のセル、普通は１カラムにつき１つのセルを
アクティブにすることで得られる（図 ２-２）。
「I ate a pear」と「I have eight pears」31の二つの話し言葉を聞く場合 ry
「ate」と「eight」は ry 発音が同じ ry 同じ反応をするニューロンが脳内のどこか ry
また一方、 ry 異なる文脈にあると反応するニューロンが脳内の他のどこか ry
。「ate」という音に対する表現は「I ate」 ry 「I have eight」 ry 異なる ry 。
「I ate a pear」と「I have eight pears」の二つの文を記憶したと想像してみよう。
「I ate…」 ry 「I have eight…」 ry 異なる予測 ry よって ry 異なる内部表現 ry
ある入力を異なる文脈では異なるコード変換をするというこの原理は、
認知とふるまいの普遍的な特徴であり、HTM リージョンの最も重要な機能の一つ ry ry カラムは複数のセルからなっている。
同じカラムのすべてのセルは同じフィード・フォワード入力を受け取る。
ry 。アクティブな各カラムごとに、どのセルをアクティブ ry 選択するかによって、
完全に同じ入力に対して異なる文脈では異なる表現をすることができる。
例 ry 。各カラムは 4 つのセルからなり、各入力は 100 個のアクティブなカラムで表現 ry
。カラムの中で一つのセルだけが一度にアクティブであるとすると、
完全に同じ入力に対して 4100 通り ry
。同じ入力は常に同じ組み合わせの 100 個のカラムがアクティブになるが、
文脈が異なればカラム中の異なるセルがアク ry 非常に大きな数の文脈を表現 ry
、これらの異なる表現はどのくらいユニーク ry ？
4100 個の可能なパターンのうちからランダムに選択した 2 個は、
ほとんどの場合、約 25 個のセルが重複 ry
よって同じ入力を異なる文脈で表した 2 つの表現は、
約 25 個のセルが共通で 75 個のセルが異なっており、容易に区別 ry
HTM リージョンの一般的な規則 ry
カラムがアクティブ ry 、そのカラム中のすべてのセルを見る。
もしそのカラム中の一つ又はそれ以上のセルが既に予測状態であれば、
それらのセルだけがアクティブになる。もしそのカラム
31 「私は梨を食べる」と「私は 8 個の梨を持っている」
>>561 >>578-579 >>590 >>599-600 >>604 Page 29
中のすべてのセルが予測状態でないならば、すべてのセルがアクティブになる。
ry ：ある入力パターンが期待されるなら、システムは予測状態のセルだけをアクティブ
にすることで期待通りであることを確認する。その入力パターンが期待と違うなら、
システムはカラム中のすべてのセルをアクティブにすることで、
「予期しない入力が発生したのであらゆる解釈が有りうる」ということを表す。
もし以前の状態が何もないなら、従って文脈も予測もないなら、
ry になるときは各カラム内のすべてのセルがアクティブになる。
ry 歌の最初の音を聞いたときと似ている。
文脈がなければ、 ry 予測できない：すべての選択肢が有効である。
以前の状態があるが入力が予期したものと合致しないときは、
アクティブなカラムのすべてのセルがアクティブ ry 。この決定はカラムごとに
行われるので、予測 ry は「オール・オア・ナッシング」32ではない。
図 ２-２ カラムの一部のセルをアクティブにすることで、
HTM リージョンは同じ入力の多くの異なる文脈を表現 ry
。カラムは予測状態のセルだけをアクティブにする。
予測状態のセルがないカラムでは、カラム中のすべてのセルをアク ry
。図は、あるカラムでは一つのセルだけがアク ry 、あるカラムではすべてのセルが ry
ry HTM セルは３つの状態を取る。
セルがフィード・フォワード入力によってアク ry 単に「アクティブ」の用語 ry
32 all-or-nothing
>>599-600 >>604-605 >>616-617 Page 30
。セルが ry セルとの横方向の接続によってアクティブ ry 「予測状態」と呼ぶ（図 ２-３）。
3) 以前の入力の文脈に基づいて、現在の入力からの予測をするリージョンの ry
予測はステップ 2)で作成した、すべての以前の入力からの文脈を含む表現に基づ ry
リージョンが予測をするときは、将来のフィード・フォワード入力によって
アクティブになると考えられるすべてのセルをアクティブ（予測状態）にする。
リージョンの表現は疎であるので、同時に複数の予測がなされ得る。
例えばカラムのうちの 2%が入力によってアクティブになるとすると、
カラムの 20%が予測状態のセルとなることで10 個の異なる予測がなされ得る。
ry 40% ry 20 個 ry 。各カラムが 4 個のセルからなり、一度に一つだけがアクティブ
になるとすれば、セル全体の 10%が予測状態 ry
今後、疎分散表現の章が追加されれば、異なる予測が混じり合っても、
リージョンは特定の入力が予測されたのかそうでないのかを高い確信 ry
リージョンはどうやって予測 ry ？ 入力パターンが時間と共に変化するとき、
カラムとセルの異なる組み合わせが順次アクティブになる。
あるセルがアクティブになると、周囲のセルのうちすぐ直前にアクティブだったセルの
部分集合への接続を形成する。これらの接続は、そのアプリ ry で必要とされる学習速度
に応じて早く形成されたりゆっくり ry 調整できる。
その後、すべてのセルはこれらの接続を見て、
どのセルが同時にアクティブになるかを探さなくてはならない。
もし接続がアクティブになったら、
セルはそれ自身が間もなくアクティブになることを予測することができ、予測状態に入る。
よってある組み合わせのセルがフィード・フォワード入力によってアクティブになると、
ひき続いて起こると考えられる他の組み合わせのセルが予測状態になる。 ry
歌を聞いていて次の音を予測 ry 瞬間と同様 ry
>>541 >>555 >>557-558 >>561-564 >>570 >>578-579 >>619
>>590 >>592 >>596 >>604 >>616-618
> 133 : YAMAGUTIseisei~貸 2016/11/13(日) 11:46:31.17 ID:5tF5+oR3
> > 87 : YAMAGUTIseisei 2016/09/02(金) 20:19:09.47 ID:dnyMZM3F
>> 私の不徳の致す所であれまたしても国に支援をоられる事態に至ってしまった以上
>> 電子頭脳の仕組に付いて発表しても売о奴の誹りは免れ得ましょう
>> 純国産の夢が潰える事になり申訳なく思います
>
> 256 : YAMAGUTIseisei 2016/10/23(日) 23:53:30.82 ID:Dlm82Fb1
> 自分には一言申上げる資格があるでしょう
>
> о隷階級の分際で大変失礼な申上げ様ながら
> この計画案を国が結果的に潰す格好となった事は事実です
>
> 257 : YAMAGUTIseisei 2016/10/24(月) 00:02:20.63 ID:trJeFV+a
> 野暮な付け加えですがご関係各所様又先生方又支援者の皆様に
> 言葉はよろしくありませんが上納金と申しますをお届けできなくなりました事を
> 謹んでお詫申上げます Page 31
図 ２-３ ry リージョンのいくつかのセルがフィード・フォワード入力によってアク ry
（薄い灰色で示した）。他のあるセルは、アクティブなセルからの横方向の入力を
受け取って予測状態になる（濃い灰色で示した）。
まとめると、新しい入力が到着すると、アクティブなカラムの疎な部分集合が選択される。
各カラムの一つ又はそれ以上のセルがアクティブになり、これはまた同じリージョン内
のセル間の接続の学習内容に応じて他のセルを予測状態にする。
リージョン内の接続によってアクティブになったセルは、 ry 予測を表す。
次のフィード・フォワード入力が到着すると、
他のアクティブなカラムの疎な組み合わせが選択される。
新たにアクティブになったカラムが予期したものでないとき、
つまりどのセルも ry 予測しなかったとき、カラム中のすべてのセルをアクティブ ry
。新たにアクティブになったカラムが ry 予測状態のセルを持つなら、
それらのセルだけがアクティブになる。リージョンの出力はリージョン内のすべてのセル
のアクティブ状態であり、フィード・フォワード入力によってアクティブになったセルと、
予測状態のためアクティブになったセルとからなる。
既に述べ ry HTM リージョンの予測は将来のいくつかのステップに及ぶことも ry
ry メロディの次の音を予測するだけではなく、例えば次の 4 つの音 ry
。 ry 出力（リージョン内のアクティブ状態のセルと予測状態のセルの和集合）
は入力よりもゆっくりと変化する。
リージョンがメロディの次の 4 つの音を予測 ry 。メロディを文字 A, B, C, D, E, F, G
のシーケンスで表現する。最初の 2 音を聞いた後、リージョン >> http://rio2016.2ch.net/test/read.cgi/future/1483319596/801#882#938#960# supaasu
疎分散表現
不要 : 弱い AI ( AL ) 簡易版強い AI ( AL ) 長期記憶外部化強い AI ( AL )
必要 : 長期記憶融合ニューラルネット型強い AL >> http://rio2016.2ch.net/test/read.cgi/future/1484485942/70
> 実行作業（自身のアルゴリズムを改良）
特に難関
* DNC 的巨大外部システム連携
* モジュール設計 ( ライブラリ関数相互乗入 ? ) → 上位版 : 基本的ニューラルネット 差替 更新 創発
* 特徴量抽出機構ベース ( 例 HTM 自動調整 ) : 根本から基本的ニューラルネット 差替 更新 創発
>>567 HTM 19
> 一つの HTM リージョンは学習の能力が限定されている。
> ry どれだけのメモリ ry 入力が ry 複雑 ry に応じて何を学習するかを自動的に調整する。
http://webcache.googleusercontent.com/search?q=cache:numenta.com/assets/pdf/whitepapers/hierarchical-temporal-memory-cortical-learning-algorithm-0.2.1-jp.pdf#61#69
> HTM リージョンは入力の変化に応じて各カラムが何を表すのかを
>（主要樹状突起上のシナプスの変更によって）自動的に調整し、
> カラム数の増加ないし減少を自動的に調整するだろう。
> カラム
> 新皮質の一般的な規則は、角度と眼球優位性のようにいくつかの異なる応答特性が
> 互いに重ね合わさっているということである。
> 皮質の表面を水平に移動してゆくに従って、セルから出力される応答特性の組み合わせは変化する。 >>626
http://rio2016.2ch.net/test/read.cgi/future/1484485942/89
>89 ：yamaguti~kasi：2017/01/16(月) 16:02:46.03 ID:aN67nnkj
>→ 上位版 : 基本的ニューラルネットモジュール 差替 更新 創発 Page 32
はシーケンスを理解し、予測 ry C, D, E, F を予測する。
B のセル33は既にアクティブであるから
B, C, D, E, F がそれぞれ 2 つのアクティブな状態のどちらかになる。
ry 次の音 C ry アクティブ状態のセルと予測状態のセルの集合は C, D, E, F, G を表す。
入力パターンは B から C へとまったく違うものに変化したが、20%のセルだけが変化 ry
ry の出力はリージョン内のすべてのセルのアクティブ状態を示すベクトル
で表されるので、この例の出力では入力に比べて 5 倍安定 ry
階層構造を上に登るに従って時間的な安定性が増加 ry
表現に文脈を追加して予測を行う 2 つのステップを「時間プーリング」 ry
シーケンスに対してゆっくりと変化する出力を生成することで、
時間と共に順に現れる異なるパターンを「プールする」34。
ry 別のレベルで詳細化 ry 空間プーリングと時間プーリングで共通の概念から始 ry
共通概念
空間 ry と時間プーリングの学習は似て ry 、セル間の接続関係、あるいはシナプス
の形成を含む。
時間プーリングは同じリージョン内のセル間の接続を学習する。
空間プーリングは入力ビットとカラムとのフィード・フォワード接続を学習する。
二値ウェイト
HTM のシナプスは 0 又は 1 ry 。多くの他のニューラルネットワークモデルでは
0 から 1 の範囲で変化するスカラー値のウェイトを用いるのと異な ry
33 英文では cells と複数形なので、B を表すセルは一つではないことが分かる。
A, B, C,...のそれぞれに対応する疎分散表現は、
リージョン全体の 2%のセルの組み合わせで表される。
34 何かを貯めこんで蓄積するというニュアンスから、時間に関する情報を蓄積 ry http://rio2016.2ch.net/test/read.cgi/future/1484485942/842
>842 : yamaguti~貸 2017/01/21(土) 07:57:29.54 ID:WBvVc0tt
> >>828 >>832
> △ 偶然の一致
> ○ 鏡像 引込原理
>
> >290 : YAMAGUTIseisei 2016/09/20(火) 20:58:53.07 ID:6OGBdxmX
>> 応用 : 精神融合 ( やレディーの前ですが電脳セоクス ) 技術に直結 ( 鏡像 >>111 )
>
>
>>290 : YAMAGUTIseisei 2016/09/20(火) 20:58:53.07 ID:6OGBdxmX
>> 上記 NSPU → 人格融合 射程寸前
>> http://ja.catalyst.red/articles/saito-watanabe-talk-6# >>65
>>
>> その流れ ↓
>>
>> >>284 http://wired.jp/2016/09/20/icf2016_kitano/
>>> 都市における永遠のテーマである「自然との共存」 ry 都市の生物多様性の科学的制御だ。
>>> 「都市の環境においても、生物多様性はロバスト性（頑健性） ry 重要 ry
>>> 生物の分布・構造が、その環境のロバスト性にどのような影響 ry 研究は案外少 ry
>>> 環境中の微生物の分布が、その都市環境や住民にどのような影響
>>
>> 応用 : 精神融合 ( やレディーの前ですが電脳セоクス ) 技術に直結 ( 鏡像 >>111 )
>http://rio2016.2ch.net/test/read.cgi/future/1473812514/291#342#925#989#290-291# kyouzou
>http://rio2016.2ch.net/test/read.cgi/future/1472305818/724#947#957#971#987# kyouzou
>
>
> http://rio2016.2ch.net/test/read.cgi/future/1480859621/469-470# KanniHyougen
> http://rio2016.2ch.net/test/read.cgi/future/1473812514/64# SakusenSidai ガリレオX 第141回「シンギュラリティ人工知能が人間と融合する日」
1/22 (今日) 11:30 ～ 12:00 (30分) BSフジ
<主な取材先> 井上智洋 さん (駒澤大学) 齊藤元章 さん (PEZY Computing) >>572-573
>981 : YAMAGUTIseisei~貸し 2017/01/22(日) 01:25:08.63 ID:E9eRxZmp
> >>980 超光速通信
> 実験室レベルの完全性を伴って ( 理論的完全 ) : 不可能
> エラー有りつつリカバリ有りつつ ( 理論的不完全ながら実用完全通信 ) : 可能 ( 単純例 : ECC 織込 )
上記主旨 : 同期だけが問題 → 同期不要 ( 実用時限定 ) 前々から気になっていたんだが
このスレは何なんだ？ >>636
>>1
>本家スレの話題のうち、科学・技術系で『専門的な』話題を特に扱います。 >>http://rio2016.2ch.net/test/read.cgi/future/1485522389/174# SintaiSei
>>552 >>628
> ※b3c 動的レンダリング自己イメージ意識人格基盤 内部外部幻影実在分身 縁リンク
> TRONCHIP 根源要素透過可視大深度再帰自律実身仮身浸透細粒度動的鏡像 JIT/DSL
:
> 拡張自律スプライト 細粒度リンク 思考文法関節
> ( TRON 実身仮身 セガ MODEL1 外部プログラマブル MMU マップト関節 )
> ◎ 自律スプライト ( Sega-MODEL1 型リンク機構 思考文法関節 TRONCHIP )
> = 物理空間融合レンダ = 仮想空間融合レンダ = 意味空間融合レンダ = 人格システム
>>379 >>381 >>483 Page 33
永続値
シナプスは学習を通じて継続的に形成されあるいは切断 ry
、各シナプスに（0.0 から 1.0 の）スカラー値を割り当て、接続がどのくらい永続的 ry
。接続が強化されれば、永続値は増加する。他の状況では、永続値は減少する。
ry しきい値（例えば 0.2）を上回れば、シナプスは形成され ry 下回れば、シナプスは無効 ry
樹状突起セグメント
シナプスは樹状突起セグメントに接続される。樹状突起には主要と末梢の 2 種 ry
- 主要樹状突起セグメントはフィード・フォワード入力との間のシナプスを形成する。
ry アクティブなシナプスは線形に加算され、これにより
カラムがフィード・フォワード入力によるアクティブ状態になるか否かが決定される。
- 末梢樹状突起セグメントは同じリージョン内のセル間のシナプスを形成する。
各セルはいくつかの末梢樹状突起セグメントを持つ。
ry アクティブなシナプスの合計がしきい値を超えたら、
接続されたセルは予測状態によりアクティブになる。
一つのセルに複数の末梢樹状突起セグメントがあるので、
セルの予測状態はそれぞれをしきい値で判定した結果の論理和 ry シナプス候補
ry 、樹状突起セグメントはシナプス候補のリストを持つ。
ry 候補は永続値 ry がしきい値を超えたら有効に機能するシナプスとなる。
学習
学習では樹状突起セグメント上のシナプス候補の永続値を増加・減少させる。
ry 用いられる規則は「ヘブの学習規則」35に似ている。
例えば、ある樹状突起セグメントがしきい値以上の入力
を受け取ったためにセルがアクティブに ry シナプスの永続値を修正する。
シナプスがアクティブであり、従ってセルがアクティブになることに貢献した場合、
その永続値を増 ry 。ry がアクティブではなく ry 貢献しなかった場合、その
35 Hebbian learning rules。「細胞 A の軸索が細胞 B を発火させるのに十分近くにあり、
繰り返しあるいは絶え間なくその発火に参加するとき、
いくつかの成長過程あるいは代謝変化が一方あるいは両方の細胞に起こり、
細胞 B を発火させる細胞の 1 つとして細胞 A の効率が増加する。」 Page 34
永続値を減 ry 永続値を更新する正確な条件は、空間プーリングと時間プ ry とでは異な ry
空間プーリングの概念
空間プーリングの最も基本的な機能はリージョンへの入力を疎なパターンに変換 ry
。シーケンスを学習して予測 ry 疎分散パターンから始めることが必要 ry
。空間プーリング ry いくつかの到達目標がある。
1) すべてのカラムを使用する
HTM リージョンは入力の共通したパターンに対する表現を学習するための
固定数のカラムがある。一つの目的は、全体の ry すべてのカラムが確かに、 ry 学習 ry
。決してアクティブにならないようなカラムは必要でない。そうならないために、
各カラムがその周囲のカラムと相対的にどのくらい頻繁にアクティブになるかを常に監視 ry
頻度が低すぎるときは、そのカラムが勝者となるカラムの集合に含まれ始めるように ry
アクティブになる基準をブースト36する。
ry カラムは周囲のカラムと互いに競合しており、入力パターンに対する表現に
加わろうとしている。あるカラムがほとんどアクティブにならないときは ry 積極的に ry
、他のカラムはその入力を変更させられて少しだけ異なる入力パターンを表現し始める。 2) 望ましい密度を維持する
リージョンは入力に対する疎な表現を形成する必要がある。
最大の入力を受け取ったカラムは周囲のカラムを抑制する。
抑制範囲を決める半径は、そのカラムの受容野37のサイズに比例する
（従ってまた、小さなサイズからリージョン全体に至る範囲を取る）。
抑制半径の範囲内では、多くのアクティブな入力を受け取ったわずかなパーセンテージ
のカラムだけを「勝者」とする。その他のカラムは無効化される。
（抑制「半径」の語感は二次元状に配置されたカラムを暗示しているが、
この概念は他のトポロジにも適用できる）
36 boost。後押しする、増強するなどの意。後述のアルゴリズムでブースト値という変数 ry
37 receptive field Page 35
3) 些細なパターンを避ける
すべてのカラムが些細ではない入力パターンを表すこと ry は、
カラムがアクティブになる ry 最小のしきい値を設定することで達成 ry
。例えば、しきい値を 50 とすると、カラムがアクティブになるには
その樹状突起セグメント上のアクティブなシナプスが 50 個以上必要であり、
ry あるレベル以上に複雑なパターンだけが表現される ry
4) 余分な接続関係を避ける
よく注意しないと、あるカラムが巨大な数の有効なシナプスを保持する ry
。すると、あまり関連性のない多くの異なる入力パターンに強く反応するようになる。
シナプスの異なる部分集合は異なるパターンに反応するだろう。
この問題を避けるため、勝者カラムに現在貢献していないシナプスすべて ry 永続値を減 ry
。貢献していないシナプスに確実に十分なペナルティを与えることで、
一つのカラムが表現する入力パターンが限定 ry 5) 自己調整的な受容野
実物の脳は高い可塑性38を示す。
新皮質のリージョンは、様々な変化に反応してまったく異なる事柄の表現を学習できる。
もし新皮質の一部が損傷したら、 ry 他の部分によって表現するように調整される。
もし感覚器官が損傷したり変化したりすると、
それに関連付けられていた部分の新皮質は何か他のことを表現するように調整される。
システムは自己調整的である。我々の HTM リージョンにも同様の柔軟性を求めたい。
あるリージョンに 10,000 個のカラムを割り当てたら、
入力を 10,000 個のカラムで最適に表現する方法を学習するべき ry
入力の統計的性質が変化したら、カラムは ry 最適に表現するように変化するべき ry
まとめると、HTM の設計者はリージョンに任意のリソースを割り当てることができて、
そのリージョンは利用可能なカラムと入力の統計的性質に基づいて入力を最適に表現 ry
できるべきである。
一般的な規則は、リージョンのカラムがより多くあれば、
各カラムは入力のより大きくより詳細なパターンを表現 ry
。なお一定の粗さを保つが39、カラムは普通、より稀にアクティブになる。
38 plastic。かそせい。物理的な可塑性とは固体に外力を加えて変形させ、
力を取り去ってももとに戻らない性質のこと。
脳の可塑性とは経験に応じて神経回路の組み換えや再構成を行う能力のこと。柔軟性、適応性。
39 粗さ(sparsity)はアクティブになるカラムの割合。カラムの数が増えても粗さは一定ということ。 Page 36
これら ry を達成するために、新しい学習規則は必要ない。
アクティブでないカラムをブーストし、粗さを一定に保つために周囲のカラムを抑制し、
入力に対するしきい値の最小値を設け、多くのシナプス候補を蓄積・維持し、
その貢献度に応じてシナプスを追加・削除することで、
全体効果としてカラムは望ましい効果を達成するように動的に設定される。
空間プーリングの詳細
ry
1) 固定の数のビットからなる入力から始める。
ry センサからのデータであったり、階層構造の下位の他のリージョンからであったりする。 2) この入力を受取る固定の数のカラムをリージョンに割り当てる。
各カラムはそれに連結された樹状突起セグメントを持つ。
各樹状突起セグメントは入力ビットの部分集合を表すシナプス候補の集合を持つ。
各シナプス候補は永続値を持つ。その永続値に基づいて、 ry 候補が有効になる。
3) 与えられた任意の入力について、
アクティブな入力ビットと接続している有効なシナプスの数を各カラムごとに求める。
4) アクティブなシナプスの数にブースト値40を乗じる。ブースト値は、そのカラムが
周囲のものに比べてどのくらい頻繁にアクティブになったかに基づいて動的に決 ry
5) ブースト後に最大のアクティベーションを得たカラムは、
抑制半径内の固定のパーセンテージのカラム以外のものを無効化する。
抑制半径はそれ自体、入力ビットの広がり具合（又はファン・アウト）から動的に決 ry
。これでアクティブなカラムの疎な集合が得られた。
6) アクティブなカラムのそれぞれについて、すべてのシナプス候補の永続値を調節する。
アクティブな入力に割り当てられたシナプスの永続値は増加させる。
非アクティブな入力に割 ry は減少させる。
ry 変更により、 ry シナプスが有効になったり無効 ry 。
時間プーリングの概念
40 boosting factor Page 37
時間プーリングがシーケンスを学習し、予測をすることを思い出して欲しい。
基本的な方法は、あるセルがアクティブになったら直前にアクティブであった他のセルとの
接続を形成することである。これによりセルは、そのセルの接続を調べることで
いつそれがアクティブになるかを予測 ry 。すべてのセルがこれを行えば、
全体としてそれらはシーケンスを記憶してそれを思い出し ry 予測できる。
ry シーケンスを記憶するための集中記憶装置はなく、 ry 記憶は各セルに分散配置される。
記憶が分散 ry 、システムはノイズや誤りに強くなる。 ry
、疎分散表現の重要な特徴を 2, 3 述べておく ry
ry あるリージョンが全部で 10,000 個あるセルのうち、常に 200 個のセルがアクティブ
になることで表現を形成しているとしよう（ ry 2%のセルがアクティブ）。
200 個のアクティブなセルで表される特定のパターンを記憶・理解するには ry
単純な方法は、関心がある 200 個のアクティブなセルのリストを作成 ry
。ちょうど同じ 200 個のセルが再びアクティブになったことが分かれば、
そのパターンを理解したことになる。
しかしながら、 ry 20 個だけのリストを作成して、残りの 180 個を無視したとしたら ry ？
ry 200個のセルの異なるパターンにおいてそれら 20 個の部分がちょうどアクティブに
なるようなパターンが数多く存在して、間違いだらけに ry はならない。
パターンは大きくかつ疎であるため（ry 10,000 個のうち 200 個のセルがアクティブ）、
20 個のアクティブなセルを記憶することで ry うまく記憶できる。
実際のシステムで間違いが起こる可能性は極めて稀 ry メモリ量を非常に節約 ry HTM リージョンのセルはこの特徴を利用している。各セルの樹状突起セグメントは
同じセル内の他のセルへの接続関係の集合を持つ。樹状突起セグメントは
ある時点でのネットワークの状態を理解する ry ため、これらの接続を形成している。
周囲のアクティブなセルは数百から数千あるかも知れないが、
ry が接続しなければならないのはこのうちの 15 から 20 程度に過ぎない。
ry 15 個のセルがアクティブと分かれば、その大きなパターンが発生 ry ほぼ確信できる。
このテクニックを「サブサンプリング」と呼び、HTM アルゴリズム全体を通じて利用している。
各セルは多くの異なる分散パターンに関与し、また多くの異なるシーケンスに関与 ry
。ある特定のセルは数十から数百の時間的遷移に関与しているかも ry
。従って各セルは一つではなく、いくつかの樹状突起セグメントを持つ。
ry セルが理解したいアクティビティの各パターンごとに一つの樹状突起セグメントを持つこ Page 38
とが望ましい。しかし ry 樹状突起セグメントはいくつかの完全に異なるパターンに関して
接続を学習することができ、それでもうまく行く。
例えば、一つのセグメントが 4 つの異なるパターンのそれぞれについて 20 ry 都合 80 個
の接続を持つとする。そして、これらの接続のうち任意の 15 個がアクティブ
なときに樹状突起セグメントがアクティブとなるようにしきい値を設定する。
これにより誤りが発生する可能性が生じる。
異なるパターンが混在することで、 ry 15 個のしきい値に到達する可能性がある。
しかしながら、表現の疎な性質により、このような誤りは非常に起こりにくい。
では、10 個から 20 個の樹状突起セグメントを持つセルと数千個のシナプスが
どのようにして数百種類のセルのアクティブ状態を理解するのかを見ていこう。
時間プーリングの詳細
ry 行われるステップを数え上げていく。
空間プーリングを終えてフィード・フォワード入力を表現するアクティブなカラムの集合
が得られたところから始める。 1) それぞれのアクティブなカラム ry の中のセルで予測状態のものを調べ、
アクティブにする。すべてのセルが予測状態でないなら、カラム中のすべての
セルをアクティブにする。結果として得られたアクティブなセルの集合は、
以前の入力の文脈の下での入力表現である。
2) リージョンのすべてのセルの各樹状突起セグメントについて、アクティブなセルに
接続されている接続状態のシナプスの数 ry 数がしきい値を超えていれば、
その樹状突起セグメントをアクティブとして印を付ける。
アクティブな樹状突起セグメントを持つセルを、
それがフィード・フォワード入力によって既にアクティブでない限り、予測状態にする。
アクティブな樹状突起を持たず、
フィード・フォワード入力によりアクティブになっていないセルは、非アクティブにする。
以上により、予測状態のセル全体がそのリージョンの予測となる。
3) 樹状突起セグメントがアクティブになったとき、そのセグメント上の
すべてのシナプスの永続値を更新する。
その ry セグメントのすべてのシナプス候補について、
アクティブなセルに接続しているシナプスの永続値を
増加させ、非アクティブなセルに接続しているシナプスの永続値を減少させる。
シナプスの永続値に対するこれらの変更に一時的と印を付ける。
これはセグメントをアクティブにし、従ってまた予測をするほど
既に十分に訓練されたシナプスを更新する。
しかしながら、可能であればさらに時間をさかのぼって >> http://rio2016.2ch.net/test/read.cgi/future/1486571513/697# Tango Sintaisei Bunpou
>>574 >384 >483-484 http://rio2016.2ch.net/test/read.cgi/future/1479349196/707-710# ImiRyuudo GainenKuukann
ttp://rio2016.2ch.net/test/read.cgi/future/1483110011/928# ImeejiGengo
p://rio2016.2ch.net/test/read.cgi/future/1481515915/334# ImeejiGengo
>379 >381 >>479 >>490 >>492 >>495 >>642 Page 39
予測ができるように常に拡張したい。
このため、同じセルの二番目の樹状突起セグメントを取り上げ、訓練する。
二番目のセグメントとして、
以前の時刻ステップのシナプスの状態に最もマッチするものを一つ選択する。
このセグメントに対して、以前の時刻ステップのシステムの状態を用いて、
アクティブなセルに接続しているシナプスの永続値を増加させ、
非アクティブなセルに接続しているシナプスの永続値を減少させる。
シナプスの永続値に対するこれらの変更に一時的と印を付ける。
4) あるセルがフィード・フォワード入力によって予測状態からアクティブ状態41に
変化したときはいつも、そのセルに関連付けられているすべてのシナプス候補の
「一時的」の印を削除する。従ってフィード・フォワードによってセルがアクティブ化
したことを正しく予測したときだけ、シナプスの永続値を更新する。
5) セルがアクティブ状態から非アクティブ状態に変化したとき、
このセルのすべてのシナプス候補について一時的な永続値の変更を元に戻す。
フィード・フォワードによってセルがアクティブ化したこと
を間違って予測したときはシナプスの永続値を強化したくないため。
フィード・フォワードによってアクティブになったセルだけを処理するのは
リージョンの内部だけであって、それ以外では予測はさらなる予測を引き起こす ry
。しかし（フィード・フォワードと予測の）すべてのアクティブなセルは
リージョンの出力となり、階層構造の次のリージョンへと引き継がれる。 一次と可変長42のシーケンスと予測
ry
一つのカラムに対するセルの数を増 ry 減 ry の効果 ry ？
特に、１カラムに１つのセルしかないとき ry ？
以前用いた例では、カラム当たり４セルのアクティブなカラムが 100 個の場合、
入力の表現は 4100 通りの異なるコード化が可能 ry
。従って、同じ入力が様々な文脈の中で出現しても混乱しない ry
。例えば、もし入力パターンが単語を表すなら、リージョンは
同じ単語が何度も使われる多くの文章を混乱することなく
41 原文は“inactive to active”となっているが、web 上の forum で
“predictive state to active state”の間違いだったとの訂正があった。
(2010/12/14 Sabutai: title “Cortical Algorithms document: praise and suggestions”)
42 “first order” と “variable order”。前者は一つだけの長さのシーケンスと予測、
後者は任意の長さのシーケンスと予測。 Page 40
記憶できる。「犬」のような単語が異なる文脈の中でユニークな表現を持つ ry
。この能力により HTM リージョンは可変長の予測 ry
可変長予測は現在起きていることだけではなく、可変の長さの過去の文脈に基づいて予測する。
HTM リージョンは可変長の記憶である。
カラム当たり 5 セルに増やすと、 ry
可能なコード化の数は 5100 に増加し、4100 よりずっと大きくなる。
しかし、 ry 多くの現実的な問題においてこの容量の増加はあまり役に立たない ry
しかしながら、 ry 少なくすると、大きな違いが生まれる。
もしカラム当たり１セルまでになると、文脈の中で表現する能力を失 ry
リージョンへの入力は、以前の活動に関係なく常に同じ予測を引き起 ry
。カラム当たり１セルの場合、HTM リージョンの記憶は一次記憶となり、
予測は現在の入力だけに基づ ry
一次予測は脳が解くことのできるある種の問題 ―静的空間推論― に理想的である。
ry 目が後を追うには短かすぎる時間であっても ry
聞く ry 理解するには常にパターンのシーケンスを聞く必要がある。
視覚も普通はそれに似ていて、視覚的イメージの流れを処理する必要がある。
しかしある条件下では、一瞬 ry 時間的理解と静的理解とでは、異なる推論メカニズム ry
一方は可変長の文脈に基づいてパターンのシーケンスを理解し、予測をする必要がある。
他方は時間的文脈を使わずに静的な空間的パターンを理解する必要がある。
カラム当たり複数のセルを持つ HTM リージョンは時間に基づくシーケンスを理解
するのに理想的であり、カラム当たり１セルの HTM リージョンは空間的パターンを理解
するのに理想的である。
Numenta では、カラム当たり１セルのリージョンを視覚問題に適用した実験を数多く実施 ry
重要な概念だけ述べる。
HTM リージョンにイメージを入力すると、リージョン内のカラムは画素の共通の空間的配列
の表現を学習する。学習するパターンの種類は新皮質の V1 野
（生物学で広く研究されている新皮質のリージョン）で観察されるものと似ていて、
概ね、異なる角度の線と角である。動画像 ry 、これらの基本的な形の遷移を学習する。
例えばある箇所に垂直な線があって、左又は右に移動した垂直な線がそれに続く ry
よく観察されるパターンの遷移は HTM リージョンで記憶される。 俺は敵の海賊島に潜入し，船長の部屋に乗り込んだ。誰もいない。
くそっ，ヤツはどこだっ！
とそこで，ベッドの上に鎖で縛り付けられている黒人娘を見つけた。
彼女は叫んだ「カズマ！ 来てくれたの？」
俺にはこんな丸顔の黒人女は知り合いにいないのだが……ってマノン？
そんな馬鹿な，彼女は卵形の顔をしていたし，薔薇色の肌だった。
そして二重で勝気なグリーンの瞳を持っているんだ。
しかしそれは間違いなくマノンだった。
顔と肌はボコボコに殴られ腫れて黒ずんでいて，片目はつぶれている。
左脚は膝から逆方向にまがっており，歯も１本も残っていない。
「ごめんね，カズマ。分からない？ そうよね，私ここに連れて来られてから
一度もお風呂に入っていないし，汚くて分からないわよね。
あれからね，私ずっと何度も海賊たちに抱かれたわ。
でもね，私その相手をカズマだと思うようにしたの，だってカズマなら
殴られても何をされても嫌じゃない。耐えられるから。許してくれる？
私，鏡すら見てないのよ。
前に思い切り抵抗したとき殴られて以来，目も良く見えなくて……。
ねぇ，私醜くなった？」
俺は彼女を抱きしめ，唇を吸った
「いや，マノンは綺麗なままだよ」 工知能で自我・魂が作れるか [無断転載禁止]©2ch.net
202 : 異次元騎士カズマ2017/02/17(金) 19:10:13.24 ID:XMFDn/Yv
俺は敵の海賊島に潜入し，船長の部屋に乗り込んだ。誰もいない。
くそっ，ヤツはどこだっ！
とそこで，ベッドの上に鎖で縛り付けられている黒人娘を見つけた。
彼女は叫んだ「カズマ！ 来てくれたの？」
俺にはこんな丸顔の黒人女は知り合いにいないのだが……ってマノン？
そんな馬鹿な，彼女は卵形の顔をしていたし，薔薇色の肌だった。
そして二重で勝気なグリーンの瞳を持っているんだ。
しかしそれは間違いなくマノンだった。
顔と肌はボコボコに殴られ腫れて黒ずんでいて，片目はつぶれている。
左脚は膝から逆方向にまがっており，歯も１本も残っていない。
「ごめんね，カズマ。分からない？ そうよね，私ここに連れて来られてから
一度もお風呂に入っていないし，汚くて分からないわよね。
あれからね，私ずっと何度も海賊たちに抱かれたわ。
でもね，私その相手をカズマだと思うようにしたの，だってカズマなら
殴られても何をされても嫌じゃない。耐えられるから。許してくれる？
私，鏡すら見てないのよ。
前に思い切り抵抗したとき殴られて以来，目も良く見えなくて……。
ねぇ，私醜くなった？」
俺は彼女を抱きしめ，唇を吸った
「いや，マノンは綺麗なままだよ」 Page 41
もしリージョンへの入力画像が、垂直な線が右に移動するものだったら ry ？
カラム当たり１セルしかなかったら、線が次に左又は右に現れること43を予測できる ry
。線が過去にどこにあったか知っているという文脈を使うことができないため ry
移動していることを知ることはできない。
このようなカラム当たり１セルのものは、新皮質の「複雑型細胞」44のように振舞う ry
。そのようなセルの予測出力は、 ry 動いていようがいまいが
異なる位置にある視覚的な線に対してアクティブになるだろう。
このようなリージョンは異なるイメージを区別する能力を保持する一方で、
平行移動や大きさの変化に対して安定 ry
。このような振る舞いは、空間的不変性（同じパターンの異なる見方 ry ） ry
もし同じ実験をカラム当たり複数のセルを持つ HTM リージョンに対して行えば、
そのセルが新皮質の「方位選択性複雑型細胞」45のように振舞う ry
。セルの予測出力は左に移動する線や右 ry 線に対してアク ry になるが、両方に対しては ry これらをまとめ ry 仮説 ry
新皮質は一次と可変長の両方の推論及び予測 ry
。新皮質の各リージョンには 4 又は 5 層のセルがある。
ry それらはすべてカラム単位で応答する性質 ry 水平方向に大きな接続性 ry
。新皮質のセルの層は ry HTM の推論と学習に似たことを実行しているのではないか ry
。異なる層のセルは異なる役割 ry 。例えば解剖学によれば
第 6 層は階層構造のフィードバックを形成し、第 5 層は運動の動作に関わっている。
。異なる層のセルは異なる役割 ry
解剖学 ry 6 層は階層構造のフィードバックを形成し、第 5 層は運動の動作 ry
。セルの 2 つの主要なフィード・フォワード層は第 4 層と第 3 層である。
ry 4 層のセルが独立に、即ちカラムの中で１セルだけが動作するのに対して、
第 3 層のセルはカラムの中で複数のセルが動作 ry
。よってセンサ入力に近い新皮質のリージョンは一次記憶と可変長記憶の両方を持つ。
一次シーケンス記憶（だいたい第４層のニューロンに対応する）は空間的に不変の表現 ry
。可変長シーケンス記憶（だいだい第 3 ry ）は動画像の推論と予測に役立つ。
まとめ ry 章で述べたようなアルゴリズムは新皮質のニューロンのすべての層 ry 仮説 ry
。新皮質の層の詳細は大きく違っていて、
フィード・フォワードとフィードバック、注意46、運動動作47に関する異なる役割を演じ
43 「移動する」ことは予測できないが、隣の位置に「出現する」ことは予測 ry
44 complex cell
45 directionally-tuned complex cell
46 attention
47 motor behavior Page 42
ている。センサ入力に近いリージョンでは、
一次記憶を実行するニューロンの層が空間的不変性に有利であるため役に立つ。
ry 一次（カラム当たり１セル）の HTM リージョンを画像認識問題に適用する実験 ry
可変長（カラム当たり複数セル）の ry に可変長のシーケンスを理解・予測させる実験 ry
。将来 ry 一つのリージョンに混在させ、他の目的にもアルゴリズムを拡張 ry
しかしながら、一つの層と等価なカラム当たり複数セルの構造が、
単体であれ複数階層であれ、多くの興味深い問題を取り扱いうる ry Page 43
第３章： 空間プーリングの実装と疑似コード
ry プーリング関数48の最初の実装の疑似コード ry
。このコードの入力は、センサー・データ又は前のレベルからのバイナリ配列である。
このコードは activeColumns(t) を計算する。activeColumns(t) は
時刻 t において、フィード・フォワード入力に対して選択されたカラムのリスト ry
時間プーリング関数の入力 ry activeColumns(t) は空間プーリング関数の出力 ry 疑似コードは３つのフェーズ ry 順に実行 ry
ry 1: 各カラムについて、現在の入力のオーバラップを計算する。
ry 2: 抑制の後に勝者となったカラムを計算する。
ry 3: シナプスの永続値と内部変数を更新する。
空間プーリングの学習はオンライン49で行われるが、
フェーズ 3 を単にスキップすることで学習をしないようにすることもできる。
以下、３つのフェーズのそれぞれについて疑似コードを示す。
ry データ構造や補助関数は本章の最後に示す。
初期化
最初の入力を受け取る前に、各カラムの最初のシナプス候補のリストを計算して
リージョンを初期化する。
これは入力配列の中からランダムに選択された入力位置のリストで構成される。
各入力はシナプスで表現され、ランダムな永続値が割り当てられる。
ry 永続値は二つの条件を満たす ry
。第一に、その値は connectedPerm
（シナプスが「接続している」と判定される最小の永続値）の前後の狭い範囲 ry
。これにより、訓練を少ない回数繰り返しただけで、 ry 接続（ないし切断） ry
。第二に、各カラムは入力リージョン上で自然な中心位置があり、
永続値 ry バイアス ry 。（中心付近ではより高い値 ry ）
48 spatial pooler function
49 online。推論の計算と学習の計算を分離せずに、同時 ry Page 44
フェーズ 1: オーバラップ
ry 与えられた入力ベクトルについて、そのベクトルと各カラムのオーバラップを計算する。
ry オーバラップは、アクティブな入力と接続されたシナプスの数 ry にブースト値を掛け ry
。もしこの値がminOverlap を下回 ry 0 ry
1. for c in columns
2.
3. overlap(c) = 0
4. for s in connectedSynapses(c)
5. overlap(c) = overlap(c) + input(t, s.sourceInput)
6.
7. if overlap(c) < minOverlap then
8. overlap(c) = 0
9. else
10. overlap(c) = overlap(c) * boost(c) フェーズ 2: 抑制
ry 抑制の後に勝者となったカラムを計算する。
desiredLocalActivity は勝者となるカラムの数を制御するパラメータである。
例えば、 desiredLocalActivity を 10 ry
抑制半径 ry においてカラムのオーバラップ値が高い順に 10 位以内のカラムが勝者 ry
11. for c in columns
12.
13. minLocalActivity = kthScore(neighbors(c), desiredLocalActivity)
14.
15. if overlap(c) > 0 and overlap(c) minLocalActivity then
16. activeColumns(t).append(c)
17.
フェーズ 3: 学習
ry 学習を実行 ry シナプスの永続値は必要に応じて更新され、
ブースト値と抑制半径を更新する。 Page 45
主要な学習規則は 20-26 行 ry 。勝者となったカラムのそれぞれについて、
もしあるシナプスがアクティブであればその永続値をインクリンメントし、
その他の場合はデクリメントする。永続値は 0 から 1 の範囲 ry
28-36 行目ではブーストを実装している。
カラムが接続を学習するための二つの独立したブースト機構がある。
あるカラムがあまり勝者となっていない（activeDutyCycleで観測される）とき、
そのブースト値をインクリメントする（30-32 行目）。
一方、あるカラムのシナプスがどの入力ともあまりオーバラップしない50
（overlapDutyCycle で観測される）とき、その永続値がブーストされる（34-36 行目）。
ノート：学習モードがオフになると、ブースト値は固定される。
フェーズ 3 の最後に、抑制半径を再計算する（38 行目）。 18. for c in activeColumns(t)
19.
20. for s in potentialSynapses(c)
21. if active(s) then
22. s.permanence += permanenceInc
23. s.permanence = min(1.0, s.permanence)
24. else
25. s.permanence -= permanenceDec
26. s.permanence = max(0.0, s.permanence)
27.
28. for c in columns:
29.
30. minDutyCycle(c) = 0.01 * maxDutyCycle(neighbors(c))
31. activeDutyCycle(c) = updateActiveDutyCycle(c)
32. boost(c) = boostFunction(activeDutyCycle(c), minDutyCycle(c))
33.
34. overlapDutyCycle(c) = updateOverlapDutyCycle(c)
35. if overlapDutyCycle(c) < minDutyCycle(c) then
36. increasePermanences(c, 0.1*connectedPerm)
37.
38. inhibitionRadius = averageReceptiveFieldSize()
39.
50 オーバラップ値が小さい Page 46
データ構造と補助関数
以下の変数とデータ構造が疑似コードで ry
columns
すべてのカラムのリスト
input(t,j)
時刻t におけるこのレベルへの入力。j 番目の入力がオンのとき、input(t, j) は1である。
overlap(c)
ある入力パターンに対する、カラムc の空間プーリング・オーバラップ
activeColumns(t)
フィード・フォワード入力により勝者となったカラムの添え字のリスト
desiredLocalActivity
抑制ステップの後に勝者となるカラムの数を制御するパラメータ
inhibitionRadius
カラムに接続された受容野51のサイズの平均値
neighbors(c)
カラムc から inhibitionRadius の範囲内にあるすべてのカラムのリスト
minOverlap
抑制ステップで処理対象となるべきカラムのアクティブな入力の最小の数52
boost(c)
学習のときに計算される、カラムc のブースト値。
ry アクティブでないカラムのオーバラップ値を増加させる ry synapse
シナプスを表すデータ構造。永続値と接続元の入力の添え字からなる。
connectedPerm
もしあるシナプスの永続値がこの値よりも大きければ、接続していると判定される
potentialSynapses(c)
シナプス候補とその永続値のリスト
connectedSynapses(c)
potentialSynapses(c) の部分集合で、永続値がconnectedPerm以上のものからなる。
これらは現在カラムc に接続されているフィード・フォワード入力である。
permanenceInc
学習時にシナプスの永続値を増加させる増分値
permanenceDec
減少値
51 巻末の用語の説明参照
52 あるカラムへのアクティブな入力がこの数以上であれば、抑制ステップで処理対象となる。 >>567
> 一つの HTM リージョンは学習の能力が限定 ry どれだけのメモリ ry 入力が ry 複雑 ry に応じて ry メモリが削減 ry より単純 ry 強い AI ( AL ) 簡易版実装用資料 ( ほぼ網羅 ) >>680 ( >>552 >>529 引込現象 )
>205 >135 : YAMAGUTIseisei 20161009 >繰返しになるが既にできている ( 自分だけの問題でないので全てを詳らかにできないが自分の師匠がとうの昔に簡易 >>630 #60#62-64
>パルス ry 頻度が重要 ry よってセルの出力はスカラー値と見 ry 学習はシナプスのウェイトを調整 ry 非線形 ry このタイプの人工ニューロン ry 有益 ry しかし ry 複雑さを捉えておらず ry もっと精巧 ry 必要
>68 spike ry 尖った波形
>樹状突起セグメントは、以前 ry 同時にアクティブ ry セルへの接続 ry で ry 記憶する。そのセグメントは、以前にフィード・フォワード入力によってアクティブ ry を記憶
> HTM ry シナプスは二値の重み ry スカラー値にすることを妨げるものは何も
>Dendrites この本は樹状突起に関するあらゆる ry 16 章では HTM ry 樹状突起セグメントの非線形な性質 >>688 解釈循環収束
>>483 >TRONCHIP 根源要素透過可視大深度再帰自律実身仮身浸透細粒度動的鏡像 JIT/DSL
>>484 >幻影実在大深度再帰自律オブジェクト 素因数分解 素韻枢分解 素因枢分解 > 11 yamaguti~kasi 2017/07/26(水) 21:34:13.57 ID:ocMyi4sG
> http://rio2016.2ch.net/test/read.cgi/future/1498186101/527# BannouRonriEnzan Aniiringu 
量子アニｰ ry ( ( 超細密 ) アナログアレイ ( D- ry : AAP 系ビット修飾 ) ) 世の中も休日だからといって
安心して誤魔化すのはやめよう
ベーシックインカム、労働も格差もない社会、
生きてるうちに実現しないおとぎ話に
希望を抱くのはやめよう
現実を直視しよう
そして勇気を出して外に出よう
未来は誰かが与えてくれるものではない
自ら築き上げるものだから この世界が現実
冷淡な言い方かもしれないけど
早く目を覚まそう
つまらない言い訳はやめよう
理由探しはやめよう
できるわけないと逃げるのはやめよう
すべてはあなた次第 プラズモンの勝ち
プラズモンの勝利
プラズモンの大勝利
プラズモンの完全勝利
プラズモンの圧勝
プラズモンの楽勝
プラズモンの優勝
プラズモンの連勝
プラズモンの必勝
プラズモンの完勝
プラズモンの全勝
プラズモンの奇勝
プラズモンは強剛だよ
プラズモンは強豪だよ
プラズモンは強烈だよ
プラズモンは強靭だよ
プラズモンは強者だよ
プラズモンは強大だよ
プラズモンは強力だよ
プラズモンは強いよ （ナノテク）というか（財テク？）情報商材はマネタイズ？。科学・技術系で『専門的な』のだろうか？ 
>>696 山本先生方式でした失礼 ( イジング シナプス ニューロン ) >>709 p://rio2016.5ch.net/test/read.cgi/future/1511144695/236#190#187#246-248#1511446159/836##1511446164/204# 慎重派ご趣旨 >>709
http://qnncloud.com/document/WhitePaper-Ja/latest/6%E7%AB%A0.pdf# 12-
14>ry には CPU より PEZY-SC の方が明らかに効率的
15>N = 8～100 ry で、コヒーレント・イジングマシンはより高い正答率 >>710 ../1512541342/32#114#377##530 オンパモンの勝ち
オンパモンの勝利
オンパモンの大勝利
オンパモンの完全勝利
オンパモンの圧勝
オンパモンの楽勝
オンパモンの優勝
オンパモンの連勝
オンパモンの制勝
オンパモンの戦勝
オンパモンの必勝
オンパモンの完勝
オンパモンの全勝
オンパモンの奇勝
オンパモンは強いよ
オンパモンは強力だよ
オンパモンは強大だよ
オンパモンは強者だよ
オンパモンは強烈だよ
オンパモンは強靭だよ
オンパモンは強豪だよ
オンパモンは強剛だよ 参考までに、未来技術というか自分で簡単にＰＣで収入を得られる方法など
⇒ 『山中のムロロモノス』 というブログで見ることができるらしいです。
グーグル等で検索⇒『山中のムロロモノス』
SCHX4VEABD >>709 /1511144695/28#P=3
>2018年 ry 、光パルスの数を10万 カベモンは強豪だよ
カベモンは強剛だよ
カベモンは強烈だよ
カベモンは強靭だよ
カベモンは強者だよ
カベモンは強大だよ
カベモンは強力だよ
カベモンは強いよ
カベモンの勝ち
カベモンの勝利
カベモンの大勝利
カベモンの完全勝利
カベモンの圧勝
カベモンの楽勝
カベモンの連勝
カベモンの全勝
カベモンの完勝
カベモンの必勝
カベモンの奇勝
カベモンの優勝
カベモンの制勝
カベモンの戦勝 ナザレのヨシュアが話したことばは、アラム語らしく、それは古代シュメール文明のアッカド人の言語であるらしい。
アラム語とアラブ語は非常に強い関連性があるとして、研究がされている。
これに勝ったのはモンゴルと大英帝国だけであり、つまり、現代なら科学者の国だけだろうといわれている。 旧約聖書の創世記が大切にされるのは、アフリカの密林の時代から伝わる数少ない口伝の文字起こしされた伝承だからである。
最古でも、唯一でもないが、大事にされている。
まちがいだらけなのは当然である。 ワタミンは熱心な創価学会の信者だが。
判明。
創価学会の心のよりどころは、法華経でも池田大作の人間革命でもなく、
みなもと太郎の漫画「風雲児たち」であった。
日蓮の人生もありえないくらい素晴らしいらしいが、封印されててわからない。
「風雲児たち」はマジでいい漫画なので、せめて五巻までは読もう。
どんな聖書や仏典より素晴らしい。 デジモンセイバーズは強烈だよ
デジモンセイバーズは強剛だよ
デジモンセイバーズは強豪だよ
デジモンセイバーズは強靭だよ
デジモンセイバーズは強者だよ
デジモンセイバーズは強大だよ
デジモンセイバーズは強力だよ
デジモンセイバーズは強いよ
デジモンセイバーズの連勝
デジモンセイバーズの奇勝
デジモンセイバーズの必勝
デジモンセイバーズの完勝
デジモンセイバーズの全勝
デジモンセイバーズの優勝
デジモンセイバーズの戦勝
デジモンセイバーズの制勝
デジモンセイバーズの圧勝
デジモンセイバーズの楽勝
デジモンセイバーズの完全勝利
デジモンセイバーズの大勝利
デジモンセイバーズの勝利
デジモンセイバーズの勝ち 1518883298/603# NikkeiSaiensu RyousiKonpyuuta KuraSaba 1520781708/657#12#506-# Google Yamamoto Furusawa >>711 /1521525644/255#358##379# Tyouzetu IjinguSupakon hitati+ijingu+sram
1522158608/597#1521525644/490##595# fujituu いろいろと役に立つPCさえあれば幸せ小金持ちになれるノウハウ
暇な人は見てみるといいかもしれません
グーグルで検索するといいかも『ネットで稼ぐ方法 モニアレフヌノ』
2GGU6 1526189591/130# 327#393-429(393,396,429)#443# Rigetti # NICT Hikari Ryousi # KeiouS/W IBM # Tuyoi 1qbit ポリテック http://rio2016.2ch.net/test/read.cgi/future/1526189591/22
ついで扱いご容赦 小沢一郎先生辺りの言葉は宜しくありませんが点数稼ぎ用 ? ( PEZY )
ttp://mobile.twitter.com/telmin_orca?max_id=1002146192153690111
p://mobile.twitter.com/telmin_orca/status/1002875424605499392 >>736 http://rio2016.2ch.net/test/read.cgi/future/1513529234/537#1528561945
ttp://mobile.twitter.com/tanakh/status/1002429850081083393#1002139308986269696#1002137920768126977#1002136040121876481#1002132043411505152
ttp://mobile.twitter.com/telmin_orca/status/1002131662690443264
ttp://mobile.twitter.com/tanakh/status/1002131729912553472#1002130784000487424#1002433561473921023max1002141410055733247id1002131107582640127
ttp://mobile.twitter.com/telmin_orca/status/1002120639598100480 僕はザッソーモンが好きだよ、僕はザッソーモンが大好きだよ、僕はザッソーモンが御好みだよ、僕はザッソーモンを愛好するよ、僕はザッソーモンを有効するよ、僕はザッソーモンを嗜好するよ
寧ろ逆にザッソーモンを大切にするよ、他に別にザッソーモンを大事にするよ、例え仮に其れでもザッソーモンを重視するよ、特にザッソーモンを尊敬するよ、もしもザッソーモンを褒めるよ
十中八九ザッソーモンを希望するよ、森羅万象ザッソーモンを渇望するよ、無我夢中ザッソーモンを要望するよ、五里霧中ザッソーモンを切望するよ、天上天下ザッソーモンを熱望するよ、是非ともザッソーモンを祈願するよ
必ずザッソーモンは斬新奇抜だよ、絶対にザッソーモンは新機軸だよ、確実にザッソーモンは独創的だよ、十割ザッソーモンは個性的だよ、100%ザッソーモンは画期的だよ
当然ザッソーモンに決定だよ、絶対にザッソーモンに限定だよ、確実にザッソーモンに指定だよ、十割ザッソーモンに認定だよ、100%ザッソーモンに確定だよ
ザッソーモンは強いよ、ザッソーモンは強力だよ、ザッソーモンは強大だよ、ザッソーモンは強者だよ、ザッソーモンは強烈だよ、ザッソーモンは強靭だよ、ザッソーモンは強豪だよ、ザッソーモンは強剛だよ
ザッソーモンの勝ち、ザッソーモンの勝利、ザッソーモンの大勝利、ザッソーモンの完全勝利、ザッソーモンの圧勝、ザッソーモンの楽勝
ザッソーモンの連勝、ザッソーモンの優勝、ザッソーモンの戦勝、ザッソーモンの制勝
ザッソーモンの奇勝、ザッソーモンの必勝、ザッソーモンの全勝、ザッソーモンの完勝
>>730 Tyouzetu DejitaruIjingu >>710-711
>82 yamaguti 180812 0709 ltAhnLdz?
:
>>14>ry CPU より PEZY-SC の方が明らかに効率的
>>15>ry ・イジングマシンはより高い正答率
>>597
>690 yamaguti~貸 170925 2213 mWACkEZG? 47 yamaguti~貸 171009 0201 4syyn69F
:
> >686-687
> 観測 ( 固定化 ) = 意識化 ( 認識 ) = 嘘の直列近似化
>
>
> >380 yamaguti~貸 170914 2148 0i4loNv/?
>>>> 天動説 轍
>>>>>> 川人 [15] は， ry 「意識」とは ry 膨大かつ並列 ry 単純化 ry 「うその」直列 ry 近似
>>>>> :
>>>>>> 無意識 ry 膨大な自律分散 ry ，自分が行 ry 錯覚 ry ，単純化し追体験 ry 受動 ry [16]
http://webcache.googleusercontent.com/search?q=cache:lab.sdm.keio.ac.jp/maenolab/previoushp/Maeno/consciousness/RSJ2005kokoro.pdf
:
> >597 yamaguti~貸 161217 0124 6O1Nu3vi
> :
>> 情報物理統一動記憶システム ≒ 科学哲学大統一理論 = raw マスターアルゴリズム
> :
>18 yamaguti 181027 1540 AJ0Ulonr?
:
>＞> 訂正 13>http://rio2016.2ch.net/test/read.cgi/future/1427220599/597# DouKiokuSisutemu DaiTouituRiron
:
訂正
>>479
× フェイルレストランザクション
○ ペナルティ隠蔽余地トランザクション
>>480
× ソフトタイピング
○ 準自律タイピング
>>535 TPU
訂正
当方見解 ( 現時点 ) : シストリックアレイベース CISC
>>724
>364 ｰ 181205 1819 apGRu5oh
> Introducing the Graphcore Rackscale IPU-POD
>http://www.graphcore.ai/posts/introducing-the-graphcore-rackscale-ipu-pod
>ベールに包まれていたGraphcore， ．32台のサーバで混合精度計算 ，4096台のサーバで混
>http://mobile.twitter.com/yutakashino/status/1070129792903733248
>365 ｰ 181205 1829 lmcLPDjK
> >364
>>A single 42U rack IPU-Pod delivers over 16 Petaflops of mixed precision compute and
>>a system of 32 IPU-Pods scales to over 0.5 Exaflops of mixed precision compute.
>mixed precision FP32とFP16か？
>なスパコンの計測はFP64だから8PFLOPSと0.25EFLOPS（=250PFLOPS
>>722-735
>786 ｰ 181214 0213 Gm1fOoDH
> インテルの量子コンピュータ開発担当者 、
> 量子コンピュータの実用化は10年 。 歴史
> 1947 初のトランジスタ
> 1959 ICチップ
> 1971 市場進出
>
> 量子コンピュータは様々なタイプ 、
> シリコン上の電子スピンを利用するタイプはスケーリングができて、有望とのこと。
> 冷却タイプはもともと大きくてスケーリングが難しい。
> レーザーでのスピンはインテルでは技術レベルが未熟で扱えないため。
>
> その他、量子コンピュータ事情が分かりやすく説明されている。
>
> How Close Are We—Really—to Building a Quantum Computer?
>http://www.scientificamerican.com/article/how-close-are-we-really-to-building-a-quantum-computer/
https://twitter.com/5chan_nel (5ch newer account)
>773 ｰ 181213 1246 V4E1d8XJ
:
>Cloud TPU v2 PodとGPU 比較。256チップのフル構成ではV100 x 8と比べ27倍速くコストは4割減。 #gcpja
>http://cloud.google.com/blog/products/ai-machine-learning/now-you-can-train-ml-models-faster-and-lower-cost-cloud-tpu-pods
>http://mobile.twitter.com/kazunori_279/status/1072954828974784513##
:
>776 ｰ 181213 1614 pWlflWAX
> Googleの機械学習マシン「Cloud TPU Pod」の新型はNVIDIA Tesla V100の200倍高速に
>http://gigazine.net/news/20181213-google-cloud-tpu-pods-lower-faster/
>>724 >ttp://m.youtube.com/watch?v=JPesXe4-nB4## &t=中盤# CISC
>253 ｰ 181204 1653 UdHQhElY
>Googleチームの就職面接後に「 研究内容の 」 発生 - GIGAZINE
:
>887 ｰ 181215 1832 /P3ppD9c
> >883
> 日本の記事では大きくは書いてないけど高圧下の話だよね？
> 170GPaって1700000気圧、海底の圧力は厳しいと言われてるけど水深換算すると17000000m、地球の直径の1.5倍
>かなり特殊な環 ？
>すごい けど、 ことん圧力かけたら何でも超電導になるんじゃないのかとか思っ
>の もそうだけどわずか3日の学習でプロに勝っ 普通のPC数万台分
>254 ｰ 181204 1703 UdHQhElY
>後藤弘茂 】ZEN 2ベースの64コアCPU「Rome」はなぜCPUとI/Oを分 - PC Watch
>http://m.pc.watch.impress.co.jp/docs/column/kaigai/1156455.html##
>、先端 新 、IOや共通部分は枯れた技術
:
http://google.jp/search?q=cellbe+syurinku+i/o
https://twitter.com/5chan_nel (5ch newer account)
>98 yamaguti 181214 0858 QfhBU4VJ
> >749 ｰ 181212 1810 WEzMHHul
>> IonQのロードマップ
:
> >750 ｰ 181212 1812 WEzMHHul
>:
>> 量子機械学習の一歩踏み出す、伊チームがパーセプトロン実装に成功
>>http://www.technologyreview.jp/s/113200/machine-learning-meet-quantum-computing/##
>> イタリアのパヴィア大学の研究チームは、IBMの5キュービットの量子プロセッサー上にパーセプトロンを実装し、 初歩的 確認
>>、IBMは16キュービットの量子プロセッサーをWeb上 、量子パｰ 飛躍的 時間の問題
> :
:
>20 ｰ 181217 1952 L+9pcDhP >104 ｰ 181217 2230 rhABfNva
> IonQ、1原子を1量子ビットとする“イオントラップ”型量子コンピュータ
> ～既存の全量子コンピュータを上回る性能を実現
>http://m.pc.watch.impress.co.jp/docs/news/1158837.html
>のシステムは160qubit(量子ビット)を備え、79qubitの演算を達成。論理演算精度の指標となる「ゲート忠実度」は、
>13qubitの構成において1qubitおよび2qubit両方の操作で平均98%以上を記録し、既存の市販量子コンピュータよりも、長い計算を処理でき
:
>96 yamaguti 181214 0855 QfhBU4VJ
> >751 ｰ 181212 2105 Y/tlnxVE
> :
>>量子ビットは、増やすことに関して、一旦量子もつれや量子重ね合わせを妨害する仕組みを除去できたら、このグラフ以上の成長曲線で達
:
山本宇都宮方式 >>696-697 >>708-709 >726
>709
リンク先
>527 yamaguti~kasi 170628 2254 Cu6v0wxz
> >501
> >440 yamaguti~kasi 170524 1251 JnVuKVhJ
> :
>> 但し プログラムストアード型 ( ノイマン型 ) 前座 脳型
>>→ エラー内包 ( 繰込 ) 系アルゴリズム = NN = 山本先生 ry
>> 同様 : アニーリングベース準ネイティブニューロン
>
> = 万能論理演算器
>
> ttp://rio2016.2ch.net/test/read.cgi/future/1489922543/97-98# xor eor
>617 ｰ 190131 1322 5x7gc64q
> 新型超伝導回路を用いた超低電力集積回路の実証に成功 ~高性能コンピュータの大幅な低消費電力化を可能に~
> https://research-er.jp/articles/view/77000
> 1 演算あたり 1.5 aJ (a は 10の-18乗)で動作。従来の半導体集積回路より 6 桁程度小 。冷却 電力を見込んでもコンピュータの消費電 従来の約千分の 1
>
>今回開発 技術 、集積回路 電 飛躍的 減 、大規模な情報処理 。
>、極低温 量子コンピュータの制御用回路 応用
:
>640 ｰ 190223 1213 k+mU2RO7
:
> Google、極低温環境で動作し、1,000倍低消費電力な量子ビットコントローラ
>http://m.pc.watch.impress.co.jp/docs/news/1171152.html##
:
> 641 ｰ 190223 1219 M5UmcxeP
>＞Google、極低温環境で動作し、1,000倍低消費電力な量子ビッ ｰラ
>低温 電
> 390 ｰ 190226 1030 3oS+WEVZ
>量子コ 実現 第一歩、Googleが極低温で動作する量子ビッ ｰラ
>http://techable.jp/archives/93813
: マスコミが世論操作できるんだから、今のマスコミがネットになったら
AIが勝手に人類を操作するって起きるんじゃないかな？ >>758
前々から思うけどソフトバンクってハード8割でソフト作ってソフト8割でお父さん犬作ってるよね。 >192 ｰ 190930 1501 zmIBiVPN
>量子コンピュータの仕組 最新の研究内容 ！D-WaveやIBM Q System One
>_ttp://m.youtube.com/watch?v=hXLJrps430w##
>400 ｰ 190924 0059 kw/aHfEd
>身近 量子コンピュ 活躍
>p://innovation.mufg.jp/## detail/id=306
:
>404 ｰ 190924 0109 KAbjkBqL
:
>東大、量子テレポ 心臓部の1チップ化に成功
>_ttp://news.mynavi.jp/article/20150331-entanglement_on_chip/
>
> ＞今回開発 26mm×4mmで、
>従来の実験系と比べて1万分の1の小型化
>415 ｰ 190924 0140 KAbjkBqL
> >412
>量子コンピュータのエラー、通常のPCで計●算可能 東大が研究
>_ttp://www.itmedia.co.jp/news/articles/1711/13/news113.html
: >661 ｰ 190926 0207 15YR4f7u
:
>Googleが実証し量子コ が大きく前進したという「量子超越性」 何を意味 ？
>_ttp://gigazine.net/news/20190925-quantum-supremacy-faq/
>325 ｰ 190923 1628 4yDgmWSU
>_ttp://mobile.twitter.com/TomoyukiMorimae/status/1175916612265766914##
>
>今回、量子スプレマシーが起きる前に量子オモラシ―が起きてしまったわけですが、
> このようなことを起こさないためにはジョンマルチネスはどうすべきだったのか、
>検証
> 541 ｰ 191003 1111 VYDnkWmO
>グーグルの量子コンピューターによる「量子超越性の実証」が、本当に意味す
>_ttp://wired.jp/2019/10/03/google-quantum-computers-supremacy/##
>115 ｰ 190922 1442 lViT1tAY
> 量子もつれ レーダ 初の実証に成功
:
>116 ｰ 190922 1458 AGqCsgcg
> >115
>片方を物体に反射 帰って来 をもう片方と干渉 らしい 、
>行きっぱ 片方 、もう片方 だけでわかる わけじゃな
:
https://twitter.com/5chan_nel (5ch newer account) >785 ｰ 190717 1221 oJJ68FbI
:
>】「量子もつれ」の瞬間 初 画像に記録、英研究チームが成功[
>_ttp://egg.2ch.net/test/read.cgi/scienceplus/1563292642/##
>414 ｰ 190714 1357 y36crmvp
>「量子もつれ」 初 捉えた画像、グラスゴー大学研究チーム -
>_ttp://japanese.engadget.com/2019/07/13/bell-quantum-entanglement-image/
>>764
>115 ｰ 190922 1442 lViT1tAY
>量子もつれを利用するステルス型レーダ 初の実証に成功
>_ttp://asahi.2ch.net/test/read.cgi/newsplus/1568949878/##
>797 ｰ 191018 1902 df+/Ftys
>人類、未曽有の計算力を手中に グーグル実現へ 【
>_ttp://r.nikkei.com/article/DGXMZO51143200Y9A011C1MM8000##
>859 ｰ 191019 0521 ThW+wdEK
>、量子超越性ってまだあまり(ごくごく一部の演算は可能)確認されてな
>上のGoogleの記事のランダム量子回路って実用性は皆無
: >827 ｰ 191019 0015 ThW+wdEK
> >818
>そも、量子コ というものがあまり話題ではないような
>_ttp://reddit.com/r/QuantumComputing/hot/##
>828 ｰ 191019 0019 ThW+wdEK
>量子コンピュ ってコンピュータと名前がついてい入るけど、
>コンピュータと言うよりもGPUみたいな特殊な演算チッ
>386 ｰ 190827 1109 JjbvCSw5
>、3次元の情報を持つ量子状態のテレポーテーションに成功
>_ttp://nazology.net/archives/44167
>
> オーストラリアと中国の共同研究
>373 ｰ 190827 0922 frRH4Xpt
>キュートリットで過去最大 送信に成功、量子ネット実現へ前進
>_ttp://www.technologyreview.jp/nl/a-super-secure-quantum-internet-just-took-another-step-closer-to-reality/
:
>718 ｰ 190723 1943 XHtvqJWh
>: 「量子版ムーアの法則」は実現するか 今の量子コンピュ は「さながら1950年代」 (
>_ttp://www.itmedia.co.jp/news/spv/1907/22/news084.html
>725 ｰ 190723 2013 ioZyZI94
> >718
:
>_ttp://www.weeklybcn.com/journal/serial/detail/20190510_167493.html
:
>記事 早くても10年
: >750 ｰ 191018 0758 QlmkTGqc >756 ｰ 1018 0902 QlmkTGqc
:
>量子使った新 方法を開発 東京大 研究グループ
> https://www3.nhk.or.jp/news/html/20191018/k10012137281000.html
:
>東大、大規模 量子計算 できる量子もつれの生成に成功
>_ttp://r.nikkei.com/article/DGXLRSP520906_Y9A001C1000000
:
> ◆ 、どのような量子計算でも実行できる量子もつれ（2次元クラスター状態）の生成に成功 _ttp://rio2016.2ch.net/test/read.cgi/future/1521525644/255#358##379# IjinguSupakon
>
> ◆5入力5,000ステップ程度の計算に使える、25,000個の光パルスから構成 2次元クラスタ 、 サイズも原理的にはいくらでも大きく
:
:
>「 、量子計算の規模 飛躍的 、実用的な量子コ
>
>量子コンピュ 東大
>_ttp://sankei.com/economy/news/191018/ecn1910180003-n1.html##
:
> 「 、１０円玉 サイズのチップに収める技術の開発にもめど
>
> 東大の新量子コ 技術 大規模計算に道
>_ttp://r.nikkei.com/article/DGXMZO51089690X11C19A0TJM000
>
> 「 試作 常温常圧 実証 。将来的にチップ化 可
>
> 古澤教授「（大規模計算 目安 ）1万量子ビッ 10円玉サ >816 ｰ 191018 2105 1kR2O6ls
>大規模 量子計算 できる量子もつれの生成に成功
>_ttp://research-er.jp/articles/view/83038
>
>「2 次元クラスタ状態の生成は、一方向量子計算の 重要 、 。 、
>
>「 、入力数は最先端技術を使 1 万個程度 見込
>。 主流 ゲート方式(注 1、図 1) 、 。 。しかし、この方式では 、 配線が複雑化 ボトルネック 、大規模化へ技術的な限界が見え始めつつ 。 、 アサバナント ワリット 院生と古澤明教授らは、 異 方式(注 3、図 2)に着目
:
>、独自の時間領域多重方式(注 6、図 4)を用いて大規模な 2 次元クラスター状態を少数の光学素子で生成 新 システム(図 5)をデザイン・構築 。 、 生成 状態(図 6)を利用 効率 計算 法も理論 考案
:
>、個々の量子ビットを測定することで実行したい計算 だけを選び抜く クラスター状態を用いた一方向量子計算が最初に提唱 20 年前 、 2 次元 状態 実現に至っていませんでした。
>830 名前：オーバーテクナナシー E-mail： 投稿日：2019/10/19(Sat) 00:38:00 ID:d8RRCAW9.net
> >816
>記事 、現在ＩＢＭやグーグルが大金つぎ込み本命 量子ゲート式と違う方式
: 次から(強いAI)技術的特異点/シンギュラリティ181 【技術・AI】と(強いAI)技術的特異点/シンギュラリティ181 【社会・経済】の二本立てでいくんでこのスレは放棄しとくれ >>775
おまいがこのスレを立てたのか？
一体いくつゴミスレを立てれば気がすむの？
マルチポストの私物化と強引な住人誘導で感じ悪い。 >290 ｰ 191101 1848 Vjc/lLhZ
>グーグルが「万能量子コンピュ 」の開発に自信、強気の理由は
>_ttp://tech.nikkeibp.co.jp/atcl/nxt/column/18/01045/103000004# ?disablepcview
>904 ｰ 191029 0116 CeIaTZUF
>中国発の量子コンピューターショック ？
>_ttp://newsweekjapan.jp/stories/world/2019/10/post-13275.php##
>584 ｰ 191026 1014 vEtkTRWt
>】Google “量子超越性を達成 ”と発表 、IBMは反論[
>_ttp://egg.2ch.net/test/read.cgi/scienceplus/1571967121/##
:
>591 ｰ 191026 1136 vEtkTRWt
>量子コ 偉業達成を誇るGoogle、 を認めないIBM
>_ttp://newsweekjapan.jp/yukawa/2019/10/googleibm.php##
:
>609 ｰ 191026 1427 nI69zIo0
>「従来の延長 」、富士通研社長がグーグルの量子超越に指摘
>_ttp://business.nikkei.com/atcl/gen/19/00002/102500807/# ?disablepcview
>
>＞大 成果だが、従来の延長 だ \>＞量子コンピュ 実現は10年先
:
>954 ｰ 191219 2209 Q/6UbMi1
>_ttp://twitter.com/Nakada_itpro/status/1207550030531284992
>
>CQCとIBMが今月、量子自然言語処理のカンファ をケンブリッジで開い
:
https://twitter.com/5chan_nel (5ch newer account) >962 ｰ 191115 1735 flTibQZs
> GoogleとIBMの量子競争 日本突き放す知のコラボ
>_ttp://r.nikkei.com/article/DGXMZO52033040R11C19A1TCR000## ?unlock=1&s=3# ?disablepcview
>
> 量子技術競争、日本も参戦 NTTがNASAと計算機
>_ttp://r.nikkei.com/article/DGXMZO52189910U9A111C1EA2000?s=3# ?disablepcview
>834 ｰ 191114 1930 Vw9tmiH7
> NTT、NASAなどと新たな量子計算機を開発へ
>_ttp://r.nikkei.com/article/DGXMZO52147720U9A111C1MM0000?s=3# ?disablepcview
>
>＞米カリフォルニア工科大 米コーネル大学などオーストラリアの6つの有力大学とNASA、加1Qビットが参加
>＞「量子ニューラルネットワーク（QNN）」というタイプのコンピュ を基盤 研究
>
>＞10年後の実用化を目指
>505 ｰ 191120 1057 mWzpWVIt
>Intel「量子コ 実用化 後10年 」 [
>_ttp://leia.5ch.net/test/read.cgi/poverty/1574064663/
>903 ｰ 191218 0401 gWixmcJ+
> 量子技術で日米欧連携 研究や人材交流、中国に対抗
>_ttp://www.nikkei.com/article/DGXMZO53447560X11C19A2MM8000/# ?disablepcview
:
>968 ｰ 191220 0438 gv5ulasa
>IBMと東大、量子コ 連携 日本に設置へ
>_ttp://www.nikkei.com/article/DGXMZO53539070Z11C19A2EA1000/
:
>975 ｰ 191220 0909 32vnB9od
>古澤教授は齊藤元章氏と同 逮捕 ？ \>メリカに目付けら >754 ｰ 200107 1731 NzTeoxIm
>1/5 読売 量子コ 特集 、古澤教授 も紹介 \>、「１万量子ビット 数年 実用化 」 \>、 世界中 研究者 来 、複雑 真似できな あきらめ 。
>黎明期のレジェンド、中村泰信教授 も
:
>905 ｰ 191218 0845 UNkhR8PK
>『
:
>米国の量子コンピュ 開発の流れ、2020年は量子アルゴリズムと高信頼性量子プロセッサの開発が進む
>_ttp://etechnologyreview.com/2019/12/13/%e7%b1%b3%e5%9b%bd%e3%81%ae%e9%87%8f%e5%ad%90%e3%82%b3%e3%83%b3%e3%83%94%e3%83%a5%e3%83%bc%e3%82%bf%e9%96%8b%e7%99%ba%e3%81%ae%e6%b5%81%e3%82%8c%e3%80%812020%e5%b9%b4%e3%81%af%e9%87%8f%e5%ad%90/
:
>297 ｰ 191101 2028 BiZ1beWh
:
>ｰグルも苦戦、量子コンピュ 開発競争は半導体を含む「総力戦
>_ttp://tech.nikkeibp.co.jp/atcl/nxt/column/18/01045/103000005/## ?disablepcview
:
>919 ｰ 191124 1147 q3VDjXjv
:
>マイクロソ 、量子クラ●ド「Azure Quantum」を発表、量子コ 登場前に量子アプリの開発が進む
>_ttp://etechnologyreview.com/2019/11/15/microsoft%e3%81%af%e9%87%8f%e5%ad%90%e3%82%af%e3%83%a9%e3%82%a6%e3%83%89%e3%80%8cazure-quantum%e3%80%8d%e3%82%92%e7%99%ba%e8%a1%a8%e3%80%81%e9%87%8f%e5%ad%90%e3%82%b3%e3%83%b3%e3%83%94%e3%83%a5/
:
>781 ｰ 200108 0019 gK3SGcRN
:
> 兵器としての「量子技術」
> 激化する米中開発競争の行方
>_ttp://www.technologyreview.jp/s/123739/the-us-and-china-are-in-a-quantum-arms-race-that-will-transform-warfare/ >814 ｰ 191123 0907 VGEBVNBT
>量子コ 、20年で実用化 日本政府ロードマップ
>_ttp://r.nikkei.com/article/DGXMZO52508110S9A121C1MM8000## ?unlock=1&s=3# ?disablepcview
>318 ｰ 191128 0228 6dR4HfcX
>_ttp://www3.nhk.or.jp/news/html/20191127/k10012192471000.html
>量子コ 新国家戦略案 ベンチャー10社以上創設へ
>664 ｰ 191104 0044 wmtPvhtV
>量子コ 日本は「本流」に乗り遅れ 研究、人材不足も深刻
>sankei
>749 ｰ 200107 1543 0+7glxhp
>量子・AI・ポスト5Gなどに1.7兆円、政府の2020年「デジタル予算」を総ざらい _ttp://tech.nikkeibp.co.jp/atcl/nxt/column/18/00001/03430/## ?n_cid=nbpnxt_twbn # ?disablepcview
>470 ｰ 200127 0738 xWsgFY1A
> １０年後に１００量子ビット
> ２０年後に脳の構造解明、交通渋滞解決
>あのｰ
>
> 量子技術開発、政府が行程表 実用化へ企業関与カギ
>_ttp://www.nikkei.com/article/DGXMZO54843130U0A120C2TJM000/## ?disablepcview
>746 ｰ 200107 1539 0+7glxhp
>量子コンピュ 活用に乗り出した中小IT企業
> _ttp://japan.zdnet.com/article/35147635/
>747 ｰ 200107 1540 0+7glxhp
> 日立と損保ジャパン、疑似「量子計算機」を活用
>_ttp://www.nikkei.com/article/DGXMZO54069480W0A100C2SHA100/# ?disablepcview >988 ｰ 191125 0837 Riuaurob
> 東芝がヘッジファンドになる日 「量子」で越境挑む
>_ttp://www.nikkei.com/article/DGXMZO52473390S9A121C1I00000/# ?disablepcview
>982 ｰ 200114 1832 hxxJ1BQO
:
> 東芝 「量子暗号」でヒトゲノム約500GBの伝送に成功 世界初
>_ttp://www.itmedia.co.jp/news/articles/2001/14/news053.html
>
>「量子暗号通信」を用いて、人のゲノムデータ約500GBを約7キロ離れた施設へ
:
>同社は近く、量子暗号 事業
>276 ｰ 200121 0643 ZioO7K0j
>解読●●ない技術”「量子暗号通信」 東芝が実用化へ
>_ttp://www3.nhk.or.jp/news/html/20200121/k10012252741000.html
>983 ｰ 200114 2012 OWHsaO3Q
:
> 量子インターネットは400基の衛星群で構築すべき＝研究者が提言
>_ttp://www.technologyreview.jp/s/179719/why-the-quantum-internet-should-be-built-in-space/
>
>NECはなぜGoogleになれなかっ ――量子コンピュ 開発「痛恨の判断ミス
>_ttp://www.itmedia.co.jp/business/articles/1912/28/news006.html
:
>988 ｰ 200115 2106 LBJO0dTh
>D-WaveとNECがハイパフォーマンスコンピュ と量子システムのハイブリッドアプリを開発
>_ttp://jp.techcrunch.com/2019/12/11/2019-12-10-d-wave-partners-with-nec-to-build-hybrid-hpc-and-quantum-apps/
>
>10年前に断っ >62 ｰ 191221 0905 6qkpnw41
>『
>
> NEC、量子計算機で巻き返し 疑似再現機を来年商用化
>_ttp://r.nikkei.com/article/DGXMZO53647230Q9A221C1TJC000# ?disablepcview
:
>320 ｰ 191229 1255 vLyYQ8+F
>】量子テレポーテーションを利用したマルチコア化実験に成功 [
>_ttp://egg.2ch.net/test/read.cgi/scienceplus/1577580009/##
>888 ｰ 200110 1155 vn0tdDUP
>｢量子コ ｣で世界はどう変わ
>Strangeworks CEOのW･ハーレー氏 _ttp://toyokeizai.net/articles/-/322630
>
>従来型コンピュ が過去100年間で成し遂げた以上のことを、量子コンピュ は次の10年で
>748 ｰ 200107 1541 0+7glxhp
>「用途」開拓戦が勃発 量子会議Q2B報告
>_ttp://tech.nikkeibp.co.jp/atcl/nxt/mag/nc/18/020600014/122400049/# ?disablepcview
>622 ｰ 0201 0049 ry8AgZcf
>量子コ 実用化を目指す、重大なレースの“もつれた”内情
>_ttp://wired.jp/membership/2020/01/31/inside-race-quantum-computers/
>加速器で生成 データが膨大すぎ ウィルスは0.1マイクロメートルだから100ナノテクノロジー アナル挿入食糞愛好家・宇野壽倫
東京都葛飾区青戸6－23－21ハイツニュー青戸202号室
盗聴盗撮つきまとい嫌がらせ犯罪者／アナル挿入食糞愛好家・宇野壽倫の愛人変態メス豚家畜清水婆婆（青戸6－23－19）の
五十路後半強制脱糞
http://img.erogazou-pinkline.com/img/2169/scatology_anal_injection-2169-027.jpg
アナル挿入食糞愛好家・宇野壽倫によりバスタブで清水婆婆の巨尻の肛門にシャワーのキャップをはずしてずっぽり挿入。
そして、大量浣腸。 勢い良く噴出！腸内洗浄状態です。
http://101.dtiblog.com/b/bodytk9690/file/kan01.jpg
浣腸器と異なりどくどくと直腸内に注入され清水婆婆は激しくあえぎます
「お腹が痛い」といったところでアナル挿入食糞愛好家・宇野壽倫の命令により数分我慢させます。
http://101.dtiblog.com/b/bodytk9690/file/kan02.jpg
アナル挿入食糞愛好家・宇野壽倫の排出命令で出します
アナル挿入時にチンポに清水婆婆のウンコがつくのを嫌がるアナル挿入食糞愛好家・宇野壽倫のために
最低５回はくりかえします
きれいな水だけになりその後ローションをたっぷり肛門に塗り込み
アナル挿入食糞愛好家・宇野壽倫によるアナルプレーが始まります
http://101.dtiblog.com/b/bodytk9690/file/kan03.jpg >>793
お金なんかいくらあっても供給力が無かったらジンバブエやベネズェラになるだけ。 >>795
だから中国には供給力＝技術力ｘ人数が余っていてお金さえ出せば供給力が買える。
ジンバブエには供給力が無かったのでいくらジンバブエドルを作っても供給力が買えなかった。 >>796
日本も人が余ってるんだからお金さえ出せば供給力が買える？ >>797
コロナ前は人手不足で困っていたから人は余っていなかったからお金を作っても供給力は買って増やせなかった。
今は仕事を自粛して休んでいるだけで余ってはいない。
会社が仕事をやれなくなってしまって内定切りされた人は余っているから
その分は人が余っている。
外国から人を雇えなくなってしまったから農家はお金があっても刈り取りする人を雇えなくなって困っているらしい。
内定切りされた人を農家で雇うしかない。
その分職業選択の自由が無くなった。 >>800
農家はそのお金で暮らせるだろうけど、農家から食料ができてこなくなるので
他の人はお金があっても食料が買えなくなる。
→お金の価値が無くなる→お金を作って信用を作る事ができなくなる。 >>801
だからなおさら農家に金配れば良いだろう >>802
だから農家はそのお金でなおさら暮らせるようになってしまうから
食料作って売って儲ける必要が無いので食料ができて来なくなるだけだからしょうもない。 >>804
自給率悪いから減反やめるんじゃなかった？ >>806
だからもう来年作らないんじゃないかな？
お金もらえるなら作る必要無いし。 自由エネルギー原理
統合情報理論
グローバルワークスペース理論
反実仮想情報生成理論 >798 ｰ 200401 0004 wwtWL9Ly
:
>NTTと東大、汎用光量子コンピュータチップの実現につながる高性能量子光源を開発
>http://m.pc.watch.impress.co.jp/docs/news/1244156.html##
>812 ｰ 200401 1316 DT8hhi2u
>htts://www.ntt.co.jp/news2020/2003/200330b.html
> \>NTTで研究開発 高性能な非線形光学結晶デバイスと東京大 高度光制御・測定技術により、75％以上の量子ノイズ圧縮に成功し、本手法 世界最高値 。 \>、任意の量子計算 に必要 65％を超
> \>2次元クラスタ 古澤先生の文字 >>768
>946 ｰ 200404 1917 bUJ7XZQZ
> 最小限の光回路でさまざまな光の量子もつれを効率的に合成 \>究極の大規模光量子コンピュ の心臓部を実現
>htts://www.jst.go.jp/pr/announce/20190518/index.html
:
>930 ｰ 200623 1040 6Cg/ZZyn
>新型量子コンピュ 誕生 グーグルやIBMのマシンの性能を2倍上回る
>htts://jp.sputniknews.com/science/202006237561278/
>913 ｰ 200304 1358 ofy9U424
:
>ハネウェル、量子コンピュ 性能を5年で10万倍 計画
>http://japan.cnet.com/article/35150245/ >878 ｰ 200303 1640 7f9cSsHU
:
>｜シリコン内電子スピンの量子非破壊測定に成功シリコン量子コンピュ の量子誤り訂正に向け大 前進
>http://www.riken.jp/press/2020/20200303_2/
>763 ｰ 200204 2300 ffhrKC56
>反超放射により、量子ビットの短寿命化を阻止 -
>http://eetimes.jp/ee/spv/2002/03/news018.html
>東京医科歯科大 理化学研 東京大学ら 研究グループは、制御線に非線形フィルターを強く結合させると、量子干渉効果によって量子ビットの寿命が長 発見
>230 ｰ 200311 1237 eQr96OAA
>理研ら、量子ビットの制御エラーを劇的に低減 -
>http://m.pc.watch.impress.co.jp/docs/news/1240054.html##
>809 ｰ 200401 1229 eDYFn0jD
>反物質の謎に迫 ？ 反水素 長時間の閉じ込め成功が意味す ｜
>http://wired.jp/2020/03/30/physicists-take-their-closest-look-yet-at-an-antimatter-atom/
>209 ｰ 200310 1936 dg/qds+Y
>新 ハイパー原子核「グザイ・テトラバリオン」 |
>http://www.riken.jp/press/2020/20200305_2/index.html
>963 ｰ 200623 1525 t+73B65m
>IMS、金属状の量子気体の生成に成功 - 新方式の量子シミュ 実現に期
>http://news.mynavi.jp/article/20200623-1062791/ >472 ｰ 200321 0013 ZWhC5uTm
:
>量子コンピュ に革新を起こす発見が「機材の爆発」から生まれる
>http://gigazine.net/news/20200320-nuclear-electric-resonance/
>953 ｰ 200404 2013 bUJ7XZQZ
>どんな 計算も実行 量子もつれ、
>http://eetimes.jp/ee/articles/1910/24/news035.html
:
>785 ｰ 190717 1221 oJJ68FbI
:
>量子もつれ 瞬間を世界で初 画像に記録、英研究チームが成功[07/17
:
>800 ｰ 200430 2024 5gZIzb6v
>熱力学と量子論を結 学問分野「量子スチームパンク
>http://gigazine.net/news/20200429-quantum-steampunk/ >817 ｰ 200207 0353 gT6FnsDq
>富士通、「疑似」量子計算機を実用化 投資会社向け
>http://www.nikkei.com/article/DGXMZO55342760W0A200C2TJ2000/?n_cid=SNSTW001
:
>192 ｰ 190930 1501 zmIBiVPN
>量子コンピュ 仕組みと最新の研究内容を紹介！D-WaveやIBM Q System Oneの紹介
>http://m.youtube.com/watch?v=hXLJrps430w##
>227 ｰ 200530 1239 eri2QOai
>IBMの量子コンピュータハッカソンに1700人が参加 量子プログラマ 育成進む
>http://www.itmedia.co.jp/news/articles/2005/28/news099.html
>896 ｰ 200720 1005 yzWwHAH8
>量子ネイティブ 育成に注力--日本IBM、量子コンピュ 実用化への 動向
>http://news.yahoo.co.jp/articles/51b41d67d00e72e3820ae3816f7ecc369bfc0965
>10 yamaguti 191030 0551 mUIxiXRX
:
> >979 ｰ 190718 0154 Vpr3m1W8
>>株 テラスカイ： 、量子コンピュ 分野でIBM Qシステムを使 教育と開発 業界初のコンソーシアム
> : >810 ｰ 200206 1739 RYDRPPDz
:
>35歳で阪大教授、藤井さんは量子ブームをどう見る
>http://asahi.com/sp/articles/ASN235KFBN1QPLBJ00J.html##
>738 ｰ 200229 0830 S1Y/CnrF
:
>阪大に量子計算の一大拠点 \>社会問題解決に研究で挑む
>http://this.kiji.is/606232131400303713
>682 ｰ 200227 0837 lHPommxI
>MITで量子コンピュ 研究 4人のインタビューレポ
>http://arxiv.org/abs/2002.05559
>68 ｰ 191116 1819 2WCXjBsk
>GPS不要に 量子慣性センサ 開発へ [158879285
>http://leia.5ch.net/test/read.cgi/poverty/1573885635/ プレステ５のコンセプト動画ってナノテクノロジーを意識してるの？
PS5 Hardware Reveal Trailer
https://youtu.be/RkC0l4iekYo >>1
本家スレの話題のうち、科学・技術系で『専門的な』話題を特に扱います テクノロジーの一種？ 多次元であり ゲームかぶりの かぶりそのままであるかも？ 地下やら月裏やらなんやらかんやらで人間の方が宇宙より宇宙人よりやや上？ 物々交換が宇宙最強？ ３０円でもある。 ギザじゅうは問わない。 悪には不向きでもある。すべての計算機使っても必ず到達する回答？
予言、神、悪、すらよりやや上？ 多次元すら見れる？？？ 高いもんも無駄だからインターネットでタダ使って
ボチボチわかってくれればともおもう 多分あってるともおもう。。一応 一＋一は２だから つまりどういうことかというと。。いらないともほんの少しわずかだけおもう すべての存在は真実には勝てない。
あやしそうな場所は水でもかけてればいいとも思う。うすぼんやりなんとなく思うけど自信ありなしあり。 なんていうか存在が
管理するのを投げ始めてるともおもう 戦局、管理もいらないとおもう いいほうの困ってる方むけだけ ？ すべての管理は一行だけかな？ IQいらない 量子のパソコンでも粒子でもいいとも思うけど・・・多分。。。1行よりいつもいつもやや下かな
頑張るのもいい事だと思ってる・・・けど・・・やっぱりサイコロかな？？？ AIの活用で、日本は変えられる。これからは、AI時代です
「現場で使えるAI」、三井化学はどうやって実現したのか
https://monoist.itmedia.co.jp/mn/articles/2012/21/news001.html
MONOist > Special > 2020年12月16日
製造業から注目を集めるAIだが、その導入が進展しているかと言えば、必ずしもそうとはいえない。PoCの段階から、実際に現場で使えるものにするのに大きな壁があるというのが実情だろう。三井化学は、「現場で使えるAI」という観点で取り組みを進めており、製造現場の外観検査を含めてさまざまな事例が生まれている。この取り組みを支えているのがMathWorksの技術計算ソフトウェア「MATLAB」である。
AIはあくまで課題解決のツールの一つ
前川氏自身は、約2年前にAI開発を担当する以前は、製造スタッフや高分子合成、計算化学などを10年以上にわたってするなど化学エンジニアとしてのキャリアを積み重ねてきた。「それまでは計算化学の専門家としてFORTRANを活用していましたが、機械学習のプログラミングの経験はありませんでした。現在はAI開発という業務のためにPythonを利用していますが、できればAIに関わるプログラミング自体にできるだけ工数を掛けたくないと考えています。AIはあくまで課題解決のツールの一つに過ぎません」（前川氏）という。
外観検査システムのAIによる自動化を1年で実現
ＤＸ社会の構築なければ、30年代はマイナス成長に
https://www.jcer.or.jp/economic-forecast/2021127.html
米中対立激化なら20年代後半にもマイナス成長の可能性
2021/12/07 公益社団法人 日本経済研究センター
https://www.nikkei.com/article/DGXZQOUC130YI0T10C22A3000000/
ソフトバンク、全社員1.8万人にAI･統計スキル習得求める 2022年3月27日 日経
JDSC 東大ベンチャー AI企業
https://jdsc.ai/mission/
この国は変えられる。アップグレードできる。AIの活用の活用がキーです 加藤 エルテス 聡志
2022年 テンバガー候補 ＪＤＳＣ 4418
AI銘柄で、東大からみ。今後のAI分野の成長、楽しみです
AI通信① 今、投資対象として「AI」をどう見るか？ 日興證券
https://www.smbcnikko.co.jp/products/inv/toshin_lab/column/002.html
AI関連企業の成長物語はまだ始まったばかり
官民の積極的な取り組みが加速するAI >>832
ＤＸ社会なんてナノどころか１ミリも進んでねえわ AI開発に冬が来ないか心配だお
そうなったら何で時間を潰そう
放送大学で良いか 
