Robust Optimal-Size Implementation of Finite State Automata with Synfire Ring-Based Neural Networks
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F19%3A00503688" target="_blank" >RIV/67985807:_____/19:00503688 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-030-30487-4_62" target="_blank" >http://dx.doi.org/10.1007/978-3-030-30487-4_62</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-30487-4_62" target="_blank" >10.1007/978-3-030-30487-4_62</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Robust Optimal-Size Implementation of Finite State Automata with Synfire Ring-Based Neural Networks
Popis výsledku v původním jazyce
Synfire rings are important neural circuits capable of conveying synchronous, temporally precise and self-sustained activities in a robust manner. We describe an optimal-size implementation of finite state automata with neural networks composed of synfire rings. More precisely, given any finite automaton, we build a corresponding neural network partly composed of synfire rings capable of simulating it. The synfire ring activities encode the successive states of the automaton throughout its computation. The robustness of the network results from its architecture, which is composed of synfire rings and duplicated core components. In addition, the network's size is asymptotically optimal: for an automaton with n states, the network has theta (√n) cells.
Název v anglickém jazyce
Robust Optimal-Size Implementation of Finite State Automata with Synfire Ring-Based Neural Networks
Popis výsledku anglicky
Synfire rings are important neural circuits capable of conveying synchronous, temporally precise and self-sustained activities in a robust manner. We describe an optimal-size implementation of finite state automata with neural networks composed of synfire rings. More precisely, given any finite automaton, we build a corresponding neural network partly composed of synfire rings capable of simulating it. The synfire ring activities encode the successive states of the automaton throughout its computation. The robustness of the network results from its architecture, which is composed of synfire rings and duplicated core components. In addition, the network's size is asymptotically optimal: for an automaton with n states, the network has theta (√n) cells.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GA19-05704S" target="_blank" >GA19-05704S: FoNeCo: Analytické základy neurovýpočtů</a><br>
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Artificial Neural Networks and Machine Learning – ICANN 2019: Theoretical Neural Computation. Proceedings, Part I
ISBN
978-3-030-30486-7
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
13
Strana od-do
806-818
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Munich
Datum konání akce
17. 9. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—