Robust Optimal-Size Implementation of Finite State Automata with Synfire Ring-Based Neural Networks

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>

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.

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)

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

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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

—