Google Groups no longer supports new Usenet posts or subscriptions. Historical content remains viewable.

Dismiss

電子頭脳設計図概要 9110910200 版

24 views

Skip to first unread message

YAMAGUTIseisei

unread,

Jan 24, 2019, 3:54:58 AM1/24/19

YAMAGUTIseisei wrote:
> PR : シンギュラリティ系有料メールマガジン発行を構想致しております
> 無料メールマガジン版 ( 別途有料版開始時打切 )
> http://mailux.com/mm_dsp.php?mm_id=MM53D8AF3589BC7
>
>
>
> Google 翻訳
>
>
> http://arxiv.org/abs/1505.02142/
> arXiv：1505.02142v2 [q-bio.NC] 2016年2月9日
>
>
> ハイデルベルクニューロモルフィックコンピューティングプラットフォームへのHTMモデルの移植
>
>
> セバスチャンビローデル1、*、
> Subutai Ahmad 2、†
>
> 1キルヒホッフ物理研究所、ハイデルベルク、ドイツ
> 2 Numenta、Inc.、レッドウッドシティー、CA
>
> *電子メール：sebastian.billaudelleATkip.uni-heidelberg.d
> †電子メール：sahmadATnumenta
>
>
>
> 抽象
>
> Hierarchical Temporal Memory（HTM）は、新皮質の詳細な研究に基づいた機械知能の計算理論です。
> ヒューマンブレインプロジェクト（HBP）の一部として開発されたハイデルベルクニューロモルフィックコンピューティングプラットフォームは、スパイキングニューロンのネットワークをモデリングするためのミックスドシグナル（アナログおよびデジタル）大規模プラットフォームです。
> このホワイトペーパーでは、HTMネットワークをこのプラットフォームに移植する最初の取り組みについて説明します。
> ? スパイキングネットワークモデルを使用して重要なHTM操作をシミュレートするためのフレームワークについて説明します。
> HTM の鍵となるオペレーションをシミュレートするためのフレームワークに付いてスパイキングネットワークモデルを用い説明します。
> ? ry 、特定の空間プールと一時的なメモリの実装、および基本的な特性 ry 。
> その後、特定の空間プーリングとテンポラル記憶の実装、及び基本的特性が維持されていることを示すシミュレーションについて説明します。
> ? SpikeTiming Dependent Plasticity（STDP）、および大まかな配置配線計算を使用して塑性ルールのフルセットを実装する際の問題について説明します。
> 塑性ルールのフルセットを実装する際の問題に付いて、スパイクタイミング依存可塑性 ( STDP : Spike-Timing-Dependent Plasticity ) 及び大まかな配置配線計算を用い説明します。
> さらなる作業が必要ですが、私達の最初の研究はハイデルベルクプラットホームで効率的に大規模HTMネットワーク（可塑性規則を含む）を走らせることが可能であるべきであることを示します。
> より一般的には、高レベルのHTMアルゴリズムを生物物理学的ニューロンモデルに移植することは、将来の研究にとって有益な調査分野となることを約束します。
>
> 1 前書き
>
> 哺乳類の脳、特に人間の脳は、多様な感覚入力を処理し、複雑な空間的および時間的パターンを学習し認識し、そして文脈および以前の経験に基づいて行動を生み出すことができる。
> コンピュータは数値計算を実行するのに効率的ですが、認知タスクを解決するには不十分です。
> 特に脳と新皮質を研究することは、知的生物と人工システムの間のギャップを埋める新しいアルゴリズムを開発するための重要なステップです。
> Numentaはそのようなアルゴリズムの開発と同時に新皮質の原理の研究に専念している会社です。
> 彼らのHierarchical Temporal Memory（HTM）モデルは、神経科学の結果と理論に基づいて現実世界の問題を解決するように設計されています。
>
> ソフトウェアで大規模ニューラルネットワークを効率的にシミュレートすることは、まだ挑戦です。
> モデルが特徴とする生物物理学的な詳細が多いほど、それが必要とする計算資源も多くなります。
> ? 例えば計算を並列化することによって、そのような実装形態の実行を高速化するための様々な技術が存在する。
> その様な実装形態の実行を高速化する為の各様の技術、例えば並列計算が存在する。
> 専用ハードウェアプラットフォームも開発中です。
> ? ry を特徴とすることが多い ry 。
> SpiNNakerプラットフォームのようなデジタルニューロモルフィックハードウェアは、高度に並列化された処理アーキテクチャと最適化された信号ルーティングをフィーチャする事が多い[Furber et al。、2014]。
> 一方、アナログシステムは、電子マイクロ回路におけるニューロンの動作を直接エミュレートします。
> Hybrid Multi-Scale Facility（HMF）は、BrainScale Sプロジェクト（BSS）およびHuman Brain Project（HBP）の範囲内で開発されたミックスドシグナルプラットフォームです。
>
> 本稿では、HTMネットワークをHMFに移植する取り組みを紹介します。
> スパイキングニューラルネットワークに基づいてHTMをシミュレートするためのフレームワーク、ならびにHTMの概念である空間プーリングおよび時間的記憶のための具体的なネットワークモデルが紹介されています。
> HTMネットワークの基本特性を検証するために、動作をソフトウェア実装と比較します。
> ターゲットプラットフォームでのこれらのモデルの全体的な適用性、シナプス可塑性の影響、および接続ルーティングの考慮事項について説明します。
>
> 1.1 階層的時間メモリ
>
> HTMは、新皮質の原理に基づく機械知能のための一連の概念とアルゴリズムを表しています[Hawkins et al。、2011]。
> これは、空間的および時間的パターンを学習し、以前に見られたシーケンスから予測を生成するように設計されています。
> ? ry 学習を特徴とし、 ry を操作します。
> 継続的な学習をフィーチャし、ストリーミングデータをオペレートします。
> ? ry 領域からなる。
> ＨＴＭネットワークは、１つまたは複数の階層的に配置されたリージョンからなる。
> ? ry 列に編成 ry 。
> 後者はカラムとして編成されたニューロンを含みます。
> 機能原理は、元のホワイトペーパー[Hawkins et al。、2011]で詳細に説明されている2つのアルゴリズムに取り込まれています。
> 以下の段落は、紹介の概要として意図されており、この作業に関連する特性を紹介しています。
>
> 空間プーラーは、バイナリ入力ベクトルを列のセットにマップするように設計されています。
> これまでに見た入力データを認識することで、安定性が増し、システムのノイズに対する影響を受けにくくなります。
> その振る舞いは、以下の特性によって特徴付けることができます。
>
> 1。
> ? 円柱状の活動はまばらです。
> カラム状アクティビティは疎です。
> ? 通常、2,048列のうち40列がアクティブになります。これは約2％の希薄度です。
> 通常、2,048 カラムの内 40 カラムがアクティブになります。これは約2％のスパース性です。
> アクティブな列の数は各タイムステップで一定であり、入力スパース性には依存しません。
>
> 2。
> ? ry 、最も入力が多いk列をアクティブ ry 。
> 空間プーラーは、受取った入力が最多なカラム達 k 本をアクティブにします。
> ? ２列間の結合の場合、アクティブ列は、例えば、その隣接列と比較して特定のセルの構造上の利点を通して、ランダムに選択される。
> 2 カラム間の結合の場合、例えば、近隣カラムと比較しての特定セルの構造的利点を通して、アクティブカラムはランダムに選択される。
>
>
> 1
>
> Billaudelle等。
>
>
> 3。
> ? 低い対ごとのオーバーラップカウントを有する刺激は、低い対ごとのオーバーラップカウントを有するスパースコラム表現 ry 。
> 低いペア間オーバラップカウントを有する刺激は、低いペア間オーバラップカウントを有するスパースカラム表現にマッピングされ、一方、高いオーバラップは、高いオーバラップを有する表現に投影される。
> したがって、類似の入力ベクトルは類似の柱状活性化を導き、一方、分離刺激は異なる列を活性化する。
>
> 4。
> 列はアクティブになるために最小入力（例えば１５ビット）を受け取らなければならない。
>
> ? 一時メモリは、列内の単一セルに作用し、 ry 。
> 時間的記憶は、カラム内の単一セル毎に於て動作し、さらに空間プールの出力を処理します。
> ? 時系列は ry 。
> テンポラルシーケンスはネットワークによって学習され、予測の生成や異常の強調表示に使用できます。
> ? 個々の細胞は、それらの遠位樹状突起上 ry 。
> 個々の細胞は、それらが持つ末梢樹状突起上の他のニューロンからの刺激を受ける。
> この横方向入力は時間的文脈を提供する。
> 細胞の遠位連結性を改変することによって、時系列を学習し予測することができる。
> ? 一時記憶の振る舞いは、 ry 。
> 時間的記憶の振舞は、次のようにまとめることができます。
>
> 1。
> 個々の細胞はそれらの遠位樹状突起に側方入力を受ける。
> ある閾値を超えると、細胞は予測（脱分極）状態に入る。
>
> 2。
> 列が近位入力 ry 。
> カラムが近位 ( 主要 ) 入力によってアクティブになると、予測状態にあるセルのみがアクティブになります。
>
> 3。
> 予測セルのない列が近位入力によりアクティブになると、その列内のすべてのセルがアクティブになります。
> ? This phenomenon is referred to as columnar bursting.
> ? この現象は柱状破裂と呼ばれる。
> この現象は columnar bursting と呼ばれる。
>
> 1.2 ハイデルベルクニューロモルフィックコンピューティングプラットフォーム
>
>
> 図1
>
>
> 384枚のHICANNチップを含むウェハ。
> 切断されていないウェハは、追加の金属層がレチクル間の接続性および電力分布を確立するために適用されるカスタムの後処理工程を経る。
> （写真は、ハイデルベルクのElectronic Vision（s）グループの好意による）
>
>
> ? ry 、伝統的な高性能クラスタとニューロモルフィックシステムから ry 。
> HMFは、伝統的高性能クラスタとニューロモーフィックシステムとからなるハイブリッドプラットフォームです。
> これは主にハイデルベルクのKirchhoff-Institute for PhysicsとTU Dresdenで開発され、BSSとHBPから資金を受けている[HBP SP9 partner、2014]。
> ? このプラットフォームの中核は、図1に示すように、ウエハ規模の高集積アナログ ry 。
> このプラットフォームのコアは、図 1 に示す様に、ウエハ規模集積の高入力計数アナログニューラルネットワーク（HICANN）チップです。
> このチップのユニークなデザインの一部は、アナログニューロン回路とデジタル通信インフラストラクチャを特徴とするミックスドシグナルアーキテクチャです。
> ハードウェアニューロンの固有の時定数が短いため、システムは生物学的リアルタイムと比較して10ラ10^4のスピードアップ係数で加速されたタイムスケールで動作します。
>
> HICANNは、512個のニューロンまたは樹状突起膜回路を特徴としています。
> 各回路は２つのシナプス入力上の２２６個のシナプスを介して刺激することができる。
> デフォルトでは、後者は興奮性刺激と抑制性刺激にそれぞれ設定されています。
> しかしながら、それらは、例えば異なるシナプス時定数または逆転電位を有する２つの興奮性入力を表すように設定することができる。
>
> 複数の樹状膜を接続することによって、最大14ラ10^3個のシナプスを有するより大きなニューロンを形成することができる。
>
> 1枚のウエハには、200ラ10^3個のニューロンと45ラ10^6個のシナプスを持つ384個のチップが含まれています。
> 複数のウェーハを接続して、さらに大きなネットワークを形成することができます。
> BSSのインフラストラクチャは6枚のウェーハで構成されており、HBPの最初のマイルストーンとして20枚のウェーハに拡張されています。
>
> 1.3 スパイキングニューロンモデル
>
> ? ry 変える異なる技術が存在する。
> スパイキングニューロンのネットワークをシミュレートするための複雑さを変える各種技術が存在する。
> ? ry 使用する参照実装は、 ry 。
> HTMネットワークに使用するリファレンス実装は、離散時間ステップをもつ第1世代のバイナリニューロンに基づいています[Numenta、Inc]。
> ? ただし、第3世代モデルは、動的 ry 。
> 第3世代モデルは、但し、動的時間の概念を取り入れ、ニューロン間通信ベースの個々のスパイクを実装します。
>
> 元のHodgkin-Huxley方程式[Hodgkin and Huxley、1952]から出発して、異なるレベルの詳細と抽象化を特徴とする複数のスパイキングニューロンモデルが開発されました。
> HICANNチップは、適応指数積分発火モデル（AdEx）ニューロンを実装しています[Brette and Gerstner、2005]。
> ? 基本的には、これは単純な ry 。
> それのコアは、単純なLeaky Integrate-and-Fire（LIF）モデルを表していますが、詳細なスパイク動作、およびスパイクトリガおよびサブスレッショルド適応を特徴としています。
> Hodgkin-Huxley型モデルニューロンのスパイク時間の約96％、および皮質ニューロンから記録されたスパイクの約90％が正しく予測されることがわかりました[Jolivet et al。、2008]。
> ? ＨＭＦ上で、したがって以下のシミュレーションでも、ニューロンは、シナプス電流のきめ細かい制御および例えばシャント抑制の実行を可能 ry のシナプスと対にされる。
> HMF 上に於て、従って以下のシミュレーション内でも、ニューロン達は、シナプス電位の細粒度な制御をそして短絡効果 ( シャント効果 ) 等の実装を、可能にするコンダクタンスベースのシナプス達と対にされる。
>
>
> 2
>
> ハイデルベルクニューロモルフィックコンピューティングプラットフォームへのHTMモデルの移植
>
>
> 2 スパイキングネットワークモデル
>
> ? ニューロモルフィック ry プラットフォームまたは ry ことは、個々の細胞集団ならびにモデルの接続性を定義する抽象的な ry 。
> ニューロモーフィックハードウェアプラットフォームの又は動的ソフトウェアシミュレーションのためのニューラルネットワークモデルを実装する事は、細胞集団個々とモデル的接続性とを定義する抽象的ネットワーク記述を必要とする。
> ? この作業の主な目的は、 ry 課せられるトポロジカルおよびパラメータの制限 ry 、ソフトウェア参照モデルの機械的および機能的実装を開発することでした。
> この取組の第一義は、ハードウェアプラットフォームによって課せられる、トポロジの又パラメータの制限内にとどまりながら、ソフトウェアリファレンスモデルの機械的なそして機能的な実装を開発する事でした。
> より完全なネットワークなどのより複雑なシステムに進む前に、より詳細な生物物理学的アプローチを単一のHTMニューロンとその樹状特性のシミュレーションから始めるべきです。
>
> 次のセクションでは、基本的なHTMプロパティを組み込んだ空間プールモデルと時間メモリモデルについて説明します。
> これらのモデルは、既存のソフトウェア実装の基本的な動作を再現することができます。
>
> ? ry Pythonで設定されました ry 。
> シミュレーションは、PyNNライブラリを使用してPythonでセットアップされました[Davison et al。、2008]。
> 広範囲のソフトウェアシミュレータをサポートすることに加えて、この高水準インタフェースはHMFプラットフォームによってもサポートされています[Billaudelle、2014a]。
> シミュレーションのバックエンドとしてNESTを使用しました[Gewaltig and Diesmann、2007]。
> ニューロンごとに複数のシナプス時定数を可能にするために、AdExモデルのカスタム実装が書かれました。
>
> 2.1 空間プーラー
>
>
> 図2
>
> C
> 4 I 2 3 1
>
> 空間プールのタイミングベースの実装
> 各列は単一のセルCで表され、入力ベクトル1からスパース入力を受け取ります。
> 接続されているアクティブ入力の数がしきい値を超えると、列がアクティブになります。
> 膜電圧の立ち上がり時間は同時入力の数に大きく依存します。シナプス前活性がより高い細胞は、刺激がより少ない細胞よりも先に発火します。
> 抑制的プールＩは円柱状スパイク２を蓄積し、その際にカウンターとして作用する。
> 一定数の列がアクティブになると、プールはすべての列を抑制してシャットダウンし、それ以上のアクティビティを防止します3。
> ? ry 、すべてのカラムにサブサンプリングフィードフォワード阻害を適用します4。
> このkWTAモデルを安定させるために、全カラムがサブサンプリングフィードフォワード抑制を受取ります4。
> これにより、高い入力アクティビティに対する決定期間が効果的に長くなります。
>
>
> その核となる空間プーラーは、k-Winners-TakeAll（kWTA）ネットワークに似ています。m個の列のうちk個が各タイムステップでアクティブになるように選択されます。
> 実際、kWTAネットワークは、新皮質に自然に発生する回路の近似としてしばしば言及されています[Felch and Granger、2008]。
> そのようなシステムの連続時間およびVLSI実装は、文献 ry 。
> その様なシステムの、時間的連続と VLSI との実装は文献[ErlansonおよびAbu-Mostafa、1991年、Tymoshchuk、2012年、Maass、2000年]で議論されている。
> ? ry 希薄性レベル ry 。
> 以下の実装では、大量の入力があっても安定した疎性レベルを維持するための新しいアプローチについて説明します。
>
> この目的のために開発されたネットワークを図2に示します。
> これは純粋に時間ベースのアプローチに従い、LIFニューロン用に設計されています。
> ソースごとに1つの入力イベントに基づいて非常に高速な決定プロセスが可能になります。
> 各列は、スパイクソースからのフィードフォワード入力を累積する単一のセルで表されます。
> ? ry 上昇時間は、細胞によって見られるシナプス前事象の数と共に減少 ry 。
> ここで、膜電圧の上昇時間は、細胞視点のシナプス前イベントの数と共に減少する：最も多くの入力を受ける細胞は他のものより先に発火する。
> 単一の細胞からなる抑制性プールはネットワークの活性を集める。
> 低い膜および高いシナプス時定数は事象の信頼できる合計を導く。
> ? ry 収集され、セルのしきい値を超えた場合、プールはネットワークのすべてのセルを強く抑制し、その後のスパイクイベントを抑制します。
> 一定数のスパイクが収集され、そしてセルの敷居値を超えた場合、プールは以後のスパイクイベントを抑えるネットワークの、全セルを強く抑制します。
>
> ? ry シャント抑制 ry 。
> このモデルは、微妙なフィードフォワードシャント効果を追加することによって拡張されています。
> ? ry 、全体の入力活動νin ry 。
> 抑制性コンダクタンスは、全体の入力アクティビティたる ν in と共に増加する。
>? ry は漏れ項に寄与します。
>逆転電位が漏れ電位と一致するように設定されていると、コンダクタンスは漏洩項に貢献します :
:
> gl0 = gl + ginh（νin）。
>
> これはニューロンの反応を効果的に遅くし、ネットワークの決定期間を長くします。
> ? ry 希薄性レベル ry 。
> この抑制により、結果として得られるシステムは、わずかに遅い応答時間を犠牲にして、多数の入力で安定した疎性レベルを達成することができます。
>
> 同数のシナプス前事象を受ける列間の結合状況は、興奮性フィードフォワード接続の重みにわずかなガウスジッタを加えることによって解決される。
> これはいくつかのコラムに他のコラムよりも構造上の利点を与え、同じ刺激に対してわずかに速い反応をもたらします。
> ジッタの標準偏差σjを大きくすることで、選択基準をぼかすことができます。
>
> ? 2.2 一時記憶
> 2.2 時間的記憶
>
> 空間プールと同様に、テンポラルメモリの実装は、速い反応時間とスパイクタイミングベースの応答パターンのために設計されました。
> 完全なネットワークは、それぞれｎ個のＨＴＭセルを有するｍ個の同一の列からなる。
> これらの細胞をモデル化すること自体が課題です。
> ? 多コンパートメント ry が最適です。
> マルチコンパートメントニューロンモデルが最適表現です。
> そのようなモデルのニューロモルフィックハードウェアチップの実装が計画されており、その方向への最初のステップが既に取られている[Millner、2012]が、現在のシステムはこの機能を提供していない。
>
>
> 3
>
> Billaudelle等。
>
>
> HTM細胞は主にコンパートメント ry 。
> HTM 細胞は第一義としてコンパートメントの活性特性に依存するため、図3に示すように、3つの個々のLIF細胞でモデル化できます。
>
>
> 図3
>
> P
> 2 1
> 単一の予測要素
> D 4 3 I 5 S
>
> ? ry 時間的記憶の実現
> 可塑性を含まない時間的記憶の実装。
> ? ry 生物学的に影響を受けていません）。
> 列内のすべてのHTM細胞は、異なるコンパートメントをモデル化した3つの個々のLIF細胞でモデル化されています（遠位樹状突起D、体細胞S、側方抑制セグメントI - 生物学的インスパイアされていません）。
> ? 列ごとに、複数のセルトリプルと、列競合 ry セルPがあります。
> カラム毎に、トリプルセル ( トリオ ) が複数組と、カラム競合に参加して列全体の近位入力を収集する1つの「先頭」セル P とがあります。
> ? ry の活性は、列１の個々の細胞体細胞に ry 。
> この細胞のアクティビティは、カラム 1 の個々の細胞の細胞体に転送される。
> ? ry 、これは全ての体細胞の発火をもたらす。
> 以前の予測がなければ、これは全ての細胞体、細胞、の発火をもたらす。
> ? ry 、遠位区画は前の時間ステップの ry 。
> しかしながら、末梢区画は前の時間ステップからの入力を合計する。
> しきい値に達すると、抑制コンパートメントと細胞体が脱分極されます3 4。
> ? ry が起動し、列5 ry 起動し、列5 ry 。
> 近位インプット2と一緒に、抑制パーティションが発火し、列 5 内の他のすべてのセルを抑制します。
>
>
> 列は、単一セルを使用して近位入力を収集します。
> 実際、このセルは、セクション2.1に示すように、空間プールネットワークの一部になることがあります。
> カラムがアクティブになると、この細胞はスパイクを放出し、HTM細胞の細胞体を表すニューロンと抑制性細胞の両方を興奮させます。
> ? しかしながら、抑制性の投影は、標的コンパートメントのみを活性化 ry 。
> 抑制性の投影は、しかしながら、孤立したターゲット区画、を活性化するのに十分なほど強くはない。
> ? ry 部分的な偏光解消を ry 。
> 代わりに、それは部分的な脱分極をもたらすだけです。
> ? しかしながら、体細胞ニューロンは単一のシナプス前事象の発火 ry 。
> 体細胞ニューロンは、しかしながら、単一のシナプス前イベントの発火閾値に達する。
> ? これは、円柱状の破裂メカニズム ry 、すべての体細胞区画は ry 。
> これは、カラム的バーストメカニズム（すなわち、時間的記憶特性３）として十分である：予測入力がなければ、すべての細胞体区画は近位刺激への応答として発火する。
>
> 遠位入力は、それらの樹状セグメント区画によって各細胞について個々に処理される。
> 細胞の樹状突起セグメントは、他の細胞の細胞体から入力を受け取ります。
> 発火閾値を超えると、同じトリプレットの抑制性ヘルパー細胞を部分的に脱分極します。
> このシナプス投影は、比較的長いシナプス時定数としきい値電圧に一致する反転電位とで設定される。
> これは、予測状態が次のタイムステップに運ばれることを確実にし、遠位入力のみによって細胞が活動的になることを妨げる。
> 近位入力では、すでに脱分極したヘルパー細胞が体細胞区画の前に発火します。
> ? ry の体細胞を ry 。
> 後者はそれ自体のトリプレットの細胞体を除いて即座に抑制されます。
> ? 説明したように、阻害区画はすべての細胞を横方向に阻害するので、この基本的な予測メカニズムは複数の細胞が予測されるときには失敗する。
> 説明した様に、この基本的な予測メカニズムは複数の細胞が予測される時には、抑制区画が全ての細胞を横方向に抑制する事を経て失敗する。
> ? ry の体細胞 ry 。
> 解決策は、予測された細胞の細胞体コンパートメントも脱分極することです。
> 要約すると、このメカニズムは時間的記憶特性1と2を満たします。
>
>
> 3 結果
>
> 前のセクションで示したネットワークモデルは、それらの動作を調査するためにソフトウェアでシミュレートされました。
>
> 以下にそれぞれの実験とその結果を示す。
> さらに、塑性則および位相的要件がHMFに関して議論されています。
>
> 3.1 ネットワークシミュレーション
>
>
> 図5
>
> 80
> 70
> 60
> 50
> 40
> 30
> 20
> ? 10年
> 10
> 0
> ＃
>
> 入力イベント
> 0 20 30 40 50 60
>
> すべての列
> アクティブコラム
>
> 各列が受け取る重複スコアの分布を示すヒストグラム。
> 空間プールネットワークによってアクティブ化された列が強調表示されます。
> ? ry 持つ競合他社だけ ry 。
> これは、最も高いインプットを持つ競合達だけがアクティブ状態に入ることを確認します。
> さらに、同じ重複スコアを持つ列間の結合状況は正しく解決されます。
>
>
> 空間プールは、1,000列にまたがるネットワークとサイズ10,000の入力ベクトルについて分析されました。
> シミュレーションを高速化するために、刺激ベクトルを接続性行列に乗算することによって入力接続性をソフトウェアで前処理しました。
>
> 最初の実験は、基本的なkWTA機能を検証するために設計されました。
> ランダムパターンがネットワークに提示されました。
> 図5に示すように、列ごとのアクティブ入力数 - 入力オーバーラップスコア - をヒストグラムで視覚化できます。
> その特定の刺激によって活性化された列を強調表示することによって、人はネットワークの選択基準を調査することができます。
> 空間プールの要件に準拠して、最も入力数の多い列を表す最も右側のバーだけが強調表示されます。
>
> さらに、同じ入力カウントを受け取る列間の関係を解決するモデルの機能が示され ry として選択されず、少数の列のみが ry 。
> 更に、同カウントの入力を受取るカラム達の関係を解決するモデルの能力が立証されています。決定境界のバーは全体としては選択されず、少数のカラムのみが選択されました。
> これは空間プール特性2を検証します。
>
>
> 図6
>
> 6
> 5
> 4
> 3
> 2
> 1
> 出力スパース性[％]
>
> 入力スパース性[％]
> 1 2 3 4 5 6
>
> アクティブな列の相対数は、入力ベクトルのスパース性に対してプロットされます。
> 一定レベルの入力希薄性に達すると、列はアクティブ状態に入り始めます。
> ? シナプス前活性が高まると、円柱状の競争が激しくなり、出力の希薄性はプラトーに達する。
> シナプス前活性が高いと、カラム状の競争が激しくなり、出力の疎性はプラトーに達する。
> ? 曲線の正確な経過は、 ry 。
> 曲線の正確な軌跡は、プラトーのサイズと同様に、ニューロンのパラメータによって操作できます。
> エラーバーは５回の試行にわたる標準偏差を示す。
>
>
> ? 2番目のシナリオでは、図6に示すように、スパース性が異なる入力ベクトルが ry 。
> 第 2 シナリオ内では、図 6 に示す様に、変化のあるスパース性を持つ入力ベクトルがネットワークに入力されました。
> アクティブ列の数は、幅広い入力スパース性にわたってほぼ一定のままです。
>
>
> 4
>
>
>
> 図7
>
> 1.0
> 0.8
> 0.6
> 0.4
> 0.2
> 0.0
> 出力オーバーラップ
>
> 入力オーバーラップ
> 0.0 0.2 0.4 0.6 0.8 1.0
>
> 参照データ
> シミュレーション1
> シミュレーション2
> シミュレーション3
> シミュレーション4
> シミュレーション5
>
> 入力ベクトルのオーバーラップスコアの依存関係としての出力オーバーラップ。
> ５回のシミュレーション実行の各々において、刺激はランダムベクトルから始めて徐々に変化した。
> 空間プーラに要求されるように、２つの類似した入力刺激は類似した出力パターンにマッピングされるが、分離した入力ベクトルは低いオーバーラップスコアをもたらす。
> ? ry 、この図にも示されている既存 ry 。
> シミュレーションは、この図に示されてもいる様に既存のソフトウェア実装からデータを完全に再現します。 ?
>
>
> さらに、プロットは、列がアクティブになるためには最小限の入力を受け取る必要があることを示しています。
> ? ry と空間 ry 4を検証します。
> これは、根底にあるkWTAアプローチと、空間プール特性1および4とを検証します。
>
> 特性3で表される空間プールの一般的な機能性を検証するために、3番目の実験が設定されました。
> 可変オーバーラップを有する入力データセットは、初期ランダムバイナリベクトルから開始して生成された。
> ? ry 、入力の重なりを掃引しながら、柱状活動と初期 ry 。
> 各刺激について、入力のオーバラップを掃引しながら、カラム的アクティビティと初期データセットとの重なりを計算した。
> ? ry 出力の重複スコア ry 。
> 入力と出力のオーバラップスコアの結果の関係を図7に示します。
> オリジナルの仕様[Hawkins et al。、2011]に直接従った、空間プーラーのカスタムPython実装で実行された同様の実験の結果も含まれています。
> ? ry 参照データと完全に一致するため、特性3を検証します。
> 多重シミュレーションを実行すると、得られたすべての結果がリファレンスデータと完全に一致し、従って特性 3 の検証となります。
>
> 実験は、このセクションで提示されたモデルが空間プーラーの要件を満たしており、堅実なkWTA実装と見なすことができることを示しました。
> もちろん、具体的な結果は個々のネットワークサイズと構成によって異なります。
> この場合、ネットワーク - 最も重要なのは柱状ニューロンの時定数 - はT = 50 msの比較的短い時間ステップに設定されています。
> さまざまなパラメータセットを選択することで、ネットワークをさまざまな運用シナリオに合わせることができます。たとえば、モデルの安定性がさらに向上します。
>
> ? 一時記憶は、 ry 。
> 時間的記憶は、第１の配列予測実験において検証された。
> ? 参照ソフトウェアの実装は、 ry 。
> リファレンスソフトウェア実装は、長さ3の3つの分離シーケンスでトレーニングされました。
> 連続した配列はランダムな入力パターンによって分離された。
> 訓練されたネットワークのラテラル接続はダンプされ、シミュレーションにロードされました。
> 同じ刺激を与えた場合、図8に示すように、LIFベースの実装ではシーケンスを正しく予測できました。
>
>
> 5
>
>
>
> 3.2 学習アルゴリズム
>
>
> 図9
>
> 1.0
> 0.8
> 0.6
> 0.4
> 0.2
> 0.0
> 出力オーバーラップ
>
> 入力オーバーラップ
> 0.0 0.2 0.4 0.6 0.8 1.0
>
> ? 参照データ
> リファレンスデータ
>
> シミュレーション1
> シミュレーション2
> シミュレーション3
> シミュレーション4
> シミュレーション5
>
> 訓練された空間プールのための出力と入力の重なりの依存性
> ? ry と、カスタムソフトウェアの実装からの参照データが表示されます。
> 5回の独立したシミュレーションの実行結果と、カスタム実装ソフトウェアからのリファレンスデータとが示されています。
>
>
> ? ry ことは、特に高速化 ry 。
> ニューロモルフィックハードウェアでオンライン学習メカニズムを実装する事は特に、高速化されたシステムにとっては課題です。
>
> ? ry 特徴としていますが[ ry ]、実装するのはより複雑です。
> HMFは最近傍スパイクタイミング依存塑性（STDP）と短期塑性（STP）の実装をフィーチャしていますが[Friedmann、2013a、Billaudelle、2014b]、より複雑な更新アルゴリズムを実装するのは困難です。
> Numentaのネットワークは、これらのメカニズムを超えた構造的可塑性規則に依存しています。
>
> ? ry 刺激は学習 ry 対して著しく変化します。
> 空間プールの刺激達の変化は学習された入力パターン達に対して顕著です。
> ? ry 条件下でその機能を検証することは重要です。
> これらの条件下でのその官能性の検証は重要です。
> HTM仕様にできるだけ厳密に従うために、監視された更新規則が外側のループに実装されました。各タイムステップについて、接続の永続値を含む行列が前のタイムステップのアクティビティパターンに従って更新されます。
>
> これにより、元のホワイトペーパーに示されている構造的可塑性の概念を実装できます。
> ターゲットプラットフォームでは、HICANNチップの次期バージョンで計画されているPlasticity Processing Unit（PPU）で学習アルゴリズムを実装することができます[Friedmann、2013b]。
>
> ? 上記の実施形態の ry 図９に示す。
> 上記実装のシミュレーション結果を図 9 に示す。
>
> HTM構造塑性則を古典的な最近傍STDPモデルで置き換える実験では、望ましい結果は得られませんでした。
> ＨＴＭ学習規則は、細胞活性に寄与するセグメントにおける不活性シナプスへの負の修正を必要とする。
> 対照的に、STDPは非アクティブシナプスに影響を与えません。
>
>
> 3.3 地図とルート
> ハードウェアプラットフォームに抽象ネットワークモデルを適用するには、ニューロン集団を配置し、シナプス接続をルーティングするためのアルゴリズムが必要です。
> 最良のシナリオでは、この処理ステップは、ネットワークグラフのハードウェアトポロジへの同形投影をもたらす。
> ? ただし、極端 ry では、シナプス ry 。
> 極端な接続性が要求されるネットワークでは、但し、シナプス損失が予想されます。
>
> シミュレートされたネットワークをマッピングすることは、ルーティングアルゴリズムにとって難題ではありません。
> 時間的記憶は、シナプス喪失なしに単一のウエハに投影することができる。
> ? 横 ry も同じことが依然として当てはまり、約200万のシナプスが生じる。
> 約 200 万のシナプスに於て横方向の全対全接続性を仮定しても同じ事が依然として当嵌る。
> 後者のネットワークは、ハードウェアシナプスを作成および削除しなくても、学習アルゴリズムの探索を可能にする100％の潜在的プールを持つネットワークに対応します。
>
> ? ry 、セルあたりの求心性接続数とニューロン数の間の ry 。一方、 ry 。
> ハードウェアプラットフォームでは、セルあたりの求心性連結接続数と多数のニューロンとの間のトレードオフを考慮する必要があります。一方、単一のニューロンがおおよそ14ラ10^3個のシナプスを聴取できるように樹状膜回路を接続することは可能であるが、そのようなネットワークはウエハ当たり約3ラ10^3個のニューロンのみからなることができる。
> たった２２６個のシナプスで、２００ラ１０^３個未満のニューロンがウェハ当たりに割り当てられることができる。
>
> ? しかし、概念実証モデルを生産目的 ry することは、投影 ry トポロジーにも挑戦する。
> コンセプト実証モデルをプロダクト目的に有用なサイズに拡大する事は、しかし、投影アルゴリズムへのと同様にハードウェアトポロジへにもチャレンジとなる。
>
> 最小限の便利なHTMネットワークは、それぞれ8セルの1024列にまたがります。
> このようなシナリオでは、ニューロンは32個の樹状突起セグメントにラテラル入力を受け取ります。
> 樹状突起セグメント当たり約１ラ１０^３の求心性接続を可能にすると、このネットワークは、約１ラ１０^６樹状膜回路、すなわち６枚のウエハ上で実現することができる。
> ＢＳＳ用にセットアップされた既存のシステムはこのシナリオには十分であろう。
> さらに大規模なネットワークでも、HBPのプラットフォームに移行できます。
>
>
> 4 結論と見通し
>
> スパイクニューラルネットワークとしてマシンインテリジェンスアルゴリズムを実装し、ニューロモルフィックハードウェアプラットフォームに移植するには、精度とスケーラビリティの観点から高い要求があります。
>
> 本稿では、動的シミュレーションでHTMをうまくモデル化できることを示しました。
> ? 空間プーラーおよび一時記憶 ry 。
> 空間プーラー及び時間的記憶ネットワークの基本機能は、AdExニューロンに基づいて再現することができます。
>
> ? ry 、概念ソフトウェアの証明はHMFに簡単に転送できます。 ry 。
> 理論的には、コンセプトネットワークの実証は HMF に簡単に転用できます。これは、高レベルのソフトウェアインタフェースが交換可能になるように設計されているためです。
> もちろん、実際のハードウェアプラットフォームでモデルをエミュレートすると、新たな課題が発生します。
>
>? HTMの学習規則をHMFで利用可能な固有の可塑性機能に適 ry 。
>HTM の学習規則を HMFで利用可能なネイティブ可塑性フィーチャに適応させることは重要ではないことが判明しました。
>
> 学習規則は、従来のSTDPの現在の実装では再現できませんでした。
>
>
> 6
>
>
>
> ? ニューロモルフィックコアに直接埋め込まれた自由にプログラム可能なマイクロプロセッサとして、 ry 。
> ニューロモーフィックコアに直接組込まれた自由なプログラマブルなマイクロプロセッサとして、PPUはHTMルールを実装するためにシステムの可塑性メカニズムを拡張する機能を提供します。
> ? PPUに関するHTM更新 ry 。
> PPU 上の HTM 更新規則の完全な実装を計画するには、さらなる調査が必要です。
>
> ? ry 、製造プロセスにおける変動や変動など ry 。
> アナログニューロモルフィックハードウェアは、製造プロセスにおけるドーパント変動等によるトランジスタの不整合の影響を受けやすい[Mihai A。Petrovici、2014]。
> これらの変動を補正するには、個々のニューロンを慎重に校正する必要があります。
> 問題の複雑さと相互依存変数の数が多いため、完璧なキャリブレーションを達成するのは困難です。
> したがって、ネットワークモデルは、コンピューティング基板上の特定の空間的および試行錯誤的変動に関して耐性があることが要求される。
> 少しランダム化されたパラメータで追加のモンテカルロシミュレーションを実行することは、提示されたネットワークの頑健性を調査するために重要です。
>
> 最後に、マルチコンパートメントニューロンモデルは、ニューロモルフィックプラットフォームの新しいバージョンで計画されています。
> この拡張機能セットを利用すると、生物物理学的詳細のレベルが大幅に向上します。
> これにより、HTMで使用される詳細な樹状モデルが説明され、ホワイトペーパーおよびリファレンス実装に近づくのに役立ちます。
>
> ? HTMモデルの非常に加速された実行への道を開くことに加えて、ry おいて詳細なレベルを ry 。
> HTMモデルの高アクセラレート実行への道を舗装する事に加え、HMFはそのニューロン実装に於てハイレベルな詳細さを提供します。
> ? 多区画拡張と柔軟な可塑性の枠組みにより、HTM ry が価値があることを証明します。
> 多区画拡張と柔軟な可塑性フレームワークとにより、HTM理論に関するさらなる低レベルの研究のためのツールとしてこのプラットフォームに価値があると判明すると我々は見込んでいます。
>
>
> 謝辞
>
> Jeff Hawkins教授に感謝します。
> Dr. Karlheinz Meier、Paxon Frady、そしてNumentaチーム。
>
>
> 参考文献
>
> セバスチャンビローデル。
> PyHMF - PyNN互換インターフェース HMFシステム、2014a。
>
> セバスチャンビローデル。
> ? ry モルフィック ry 上の短期可塑性のキャラクタリゼーションと較正
> ニューロモーフィックハードウェアチップ上での描出と短期可塑性較正
> 学士論文、ハイデルベルク大学、2014b。
>
> Romain BretteとWulfram Gerstner。
> ? 神経活動の ry 積分 - 発火 ry
> 神経活性の有効な記述としての適応指数関数積分-発火モデル
> Journal of neurophysiology、94（5）：3637-3642、2005。
>
> Andrew P Davison、DanielBru"derle、Jochen Eppler、Jens Kremkow、Eilif Muller、Dejan Pecevski、Laurent Perrinet、およびPierre Yger。
> Pynn：神経回路網シミュレータ用の共通インタフェース
> ニューロインフォマティクスのフロンティア、2008年2月。
>
> ルース・エランソンとヤセル・S・アブ・モスタファ。
> デコーダとしてのアナログニューラルネットワーク
> 神経情報処理システムの進歩、585-588頁、1991年。
>
> Andrew C FelchとRichard H Granger。
> ? ry 仮説異なる ry 発散性能
> 超幾何接続性仮説 : 異なるシナプス接続性分布を持つ脳回路の散開性能
> Brain research、1202：3--13、2008。
>
> サイモンフリードマン。
> ニューロモルフィックハードウェアにおける学習への新しいアプローチ
> ? ry 大学、2013年、2013年。
> 博士論文、ハイデルベルク大学、学位論文、。2013年、2013年a。
>
> サイモンフリードマン。
> ニューロモルフィックハードウェアにおける学習への新しいアプローチ
> ? ry 、2013年。
> 博士論文、ハイデルベルク大学、学位論文、2013年、2013年b。
>
> SBファーバー、Fギャルッピー、Sテンプル、LAプラナ。
> スピネーカープロジェクト
> 0018-9219、（99）：1 - 14、2014。
> SpiNNaker ?
>
> Marc-Oliver GewaltigとMarkus Diesmann。
> ? 巣（ ry ）。
> Nest ( 神経シミュレーションツール ) 。
> Scholarpedia、2（4）：1430、2007。
>
> Jeff Hawkins、Subutai Ahmad、およびDonna Dubinsky。
> 皮質学習アルゴリズムと階層的時間メモリ、2011年。
> URL http://numenta.org/resources/HTM_CorticalLearningAlgorithms.pdf
> 。
>
> HBP SP9パートナー。
> ニューロモルフィックプラットフォーム仕様
> ヒト脳プロジェクト、 ry 。
> ヒューマンブレインプロジェクト、2014年3月。
>
> ALホジキンとAFハクスリー。
> 膜電流の定量的記述と神経における伝導と興奮への応用
> Journal of Physiology、117：500-544、1952。
>
> ルノー・ジョリヴェット、フェリックス・シューマン、トーマス・K・バーガー、リチャード・ノー、ウルフラム・ゲルストナー、そしてアーンド・ロス。
> 定量的単一ニューロンモデリング競合
> Biological cybernetics、99（4-5）：417-426、2008。
>
> ヴォルフガングマース。
> ? 唯一の非線形演算としてwinner-take-allを使った ry
> winner-take-all を唯一の非線形演算として使ったニューラル計算
> Citeseer、2000年。
>
> PaulMu"llerOliver Breitwieser Mikael Lundqvistライル・ミュラーMatthias EhrlichアランDestexhe Anders LansnerRen誕 Schu"ffnyJohannes Schemmel Karlheinz MeierさんMihai A. Petroviciさん、Bernhard Voggingerさん。
> 混合信号ニューロモルフィックモデリングプラットフォームにおけるネットワークレベル異常の特性化と補償
> ミクスドシグナルニューロモーフィックモデリングプラットフォームにおけるネットワークレベル異常の描出と補填
> PLOS ONE、2014年10月。
> doi：dx.doi.org/10.1371/journal.pone.0108590
> 。
> URL http://www.plosone.org/article/info%3Adoi%2F10.1371%2Fjournal.pone.0108590
> 。
>
> セバスチャンミルナー。
> 多区画ニューロンモデルエミュレーションの開発
> ? 大学、2013 ry 。
> 博士論文、ハイデルベルク大学、学位論文、2013年、2012年。
>
> ? ry 会社ヌメンタ
> 株式会社ニューメンタ ?
> インテリジェントコンピューティングのためのNumentaプラットフォーム（NuPIC）。
> URL http://numenta.org/
> 。
>
> PavloV。ティモシュチュク
> ? アナログk勝者テイクオール神経回路の連続時間モデル
> アナログ k-winners-take-all 神経回路の時間連続的モデル
> ? ry 、およびLazaros Iliadisの編集者、 ry 。
> Chrisina Jayne、Shigang Yue、及び Lazaros Iliadis 、編集者、ニューラルネットワークの工学応用、コンピュータおよび情報科学におけるコミュニケーションの第311巻、94～103頁。
> Springer Berlin Heidelberg、2012。
> ISBN 978-3-642-32908-1。
>
>
> 7
>
>
>
> 図4
>
> セル1
>
> -50
> -55
> -60
> -65
> -70
> Vdistal [mV]
>
> -50
> -55
> -60
> -65
> -70
> Vinh [mV]
>
> -50
> -55
> -60
> -65
> -70
> Vsoma [mV]
>
> セル2
>
> -50
> -55
> -60
> -65
> -70
> Vdistal [mV]
>
> -50
> -55
> -60
> -65
> -70
> Vinh [mV]
>
> -50
> -55
> -60
> -65
> -70
> Vsoma [mV]
>
> セル3
>
> -50
> -55
> -60
> -65
> -70
> Vdistal [mV]
>
> -50
> -55
> -60
> -65
> -70
> Vinh [mV]
>
> -50
> -55
> -60
> -65
> -70
> Vsoma [mV]
>
> t [ミリ秒]
> 0 50 100 150 200 250 300 350 400
>
> ? ry 含む一時記憶列をトレースします。
> ニューロンは、3つのHTMセルを含む時間的記憶カラムをトレースします。
> これらの細胞のそれぞれは、体細胞区画、抑制性ヘルパー細胞および2つの樹状セグメントによって表される。
> ? ry 近位入力によって作動され、無段階、ステップあたり１つまたは複数 ry ランダムな遠位刺激を ry 。
> このカラムは、時間ステップごとに近位 ( 主要樹状突起 ) 入力によって活性化され、ステップ当り 0 又は 1 つ又は複数の細胞を予測するランダムな末梢刺激を受取る。
> 自動分類アルゴリズムによって示されるように、列はこれらの予測に対して正しい応答パターンを示します。
>
>
> 8
>
>
>
> 図8
>
> セルインデックス
>
> 7
> 6
> 5
> 4
> 3
> 2
> 1
> 0
>
> a1
>
> b1
>
> c1
>
> セルインデックス
>
> 7
> 6
> 5
> 4
> 3
> 2
> 1
> 0
>
> a2
>
> b2
>
> c2
>
> セルインデックス
>
> 7
> 6
> 5
> 4
> 3
> 2
> 1
> 0
>
> a3
>
> b3
>
> c3
>
> セルインデックス
>
> 7
> 6
> 5
> 4
> 3
> 2
> 1
> 0
>
> ランダム
>
> ランダム
>
> ランダム
>
>
> ? 列インデックス
> カラムインデックス
> 0 20 40 60 80 100 120
>
> 列インデックス
> 0 20 40 60 80 100 120
>
> 列インデックス
> 0 20 40 60 80 100 120
>
> ? ry の一時記憶の実装は、 ry 。
> LIFニューロンベースの時間的記憶の実装は、異なるパターンを正しく予測します。
> 予測された細胞は青く、活性細胞は紫色で表示されます。
> ネットワークは128列にまたがり、8つのHTMセルのそれぞれが2つの樹状突起セグメントを介して遠位刺激を収集します。
>
> 遠位入力のための接続性は外部的に構成された。
> ? ry 別々の配列を ry 。
> モデルは、サイズ3の3つの別々のシーケンスを提示された。
> ? ry 、ランダム入力疎分散表現（ＳＤＲ）に ry 。
> 個々のパターンは、ランダム入力を持つ疎分散表現 ( SDR , Sparse Distributed Representation ) によって分離された。
>
>
> 9
>
>
>
> 体細胞 ⇔ 細胞体
>
>
>
> --
> フリーソフトウエア関連ボランティアの皆様に感謝申上げますと共に
> 当原稿執筆コストへの御配慮に厚く御礼申上げます
> 三菱 UFJ 銀行平針支店 ( 普 ) 0111481 ヤマグチセイセイ
> 郵便局 218普2449768 ヤマグチセイセイ
> Yahoo pt 1362821068616323 Rakuten pt 1100-3310-4065-1717
> http://yahoo.jp/HsDIGs?#_2TB_0S03224
>
>
>
>>73 yamaguti 190123 1605 mAoFHgII?2BP(0)
>>>19 yamaguti 190111 1500 c91waTfv? ¥|>320 ー 190102 2006 EwKUrMOW
>> |>1月26日ワークショップ「その先：人工知能に意識
>> |>http://www.nufs.ac.jp/outline/30th-anniversary/event/190126/##
>> |>
>> |>、9 ～15：00個別発表、15：40～18：00に基調講 ¥>英語。通訳はありませ
>> :
>> |>講演者金井良太（株アラヤ代表取締役 CEO
>> |>戸田山和久（名古屋大　社会システム情メディア社会系教授
>>
>> >960 ー 180417 1724 BH3i6q0B
> :
>>> 神経科学からAI分野に参入し、汎用AIのネクストステージを見据える
>>>http://www.dreamgate.gr.jp/contents/case/company/60164
>>> 「オランダのユトレヒト大学やアメリカのカリフォルニア工科大学、イギリスのサセックス大学などの研究者を経て起業」
>>>
>>> 金井先生「私が構想する『意識を持つAI』は、インターネットと同じで革新的なもの」
> :
>
> 個別発表
> Lok-Chi Chan（国立台湾大学）
> Ying-Tung Lin（国立陽明大学、台湾）
> Kengo Miyazono（広島大学）
> Graham Peebles（大阪大学）
> Masatoshi Yoshida（生理学研究所）
> Tony Cheng（ケンブリッジ大学）

YAMAGUTIseisei

unread,

Jan 28, 2019, 11:31:54 AM1/28/19

YAMAGUTIseisei wrote:
> PR : シンギュラリティ系有料メールマガジン発行を構想致しております
> 無料メールマガジン版 ( 別途有料版開始時打切 )
> http://mailux.com/mm_dsp.php?mm_id=MM53D8AF3589BC7
>
>
>

> メタ AI ( キルゾーン AlphaStar ? )
> http://google.jp/search?q=ai+OR+al+killzone+npc+OR+miyayou##
>
>
>>837 YAMAGUTIseisei 181014 1912 6JUQzgf8? ¥>>41 yamaguti 181009 1337 viDZhWE2? ¥> >280 名前：YAMAGUTIseisei E-mail：1537288223sage854-888 投稿日：2018/10/01(月) 10:33:23.53 ID:clFG90EB?2BP(0)
>>>> DeepMind 強い AI/AL 射程目鼻
>>>> >277-279 >263 >205 >7 >11 ¥>＞のDeepMind、人工知能 ry Unityと提携 ¥>＞GoogleがUnityと提携 ry ーム制作用のツー
>>>＞人間レベルのAI、あと5～10年 ry と40%の専門家 ry
>> http://gizmodo.jp/2018/09/agi-in-a-decade.html
>>> :
>>>> >10 yamaguti 180929 1520 Bswyb4M3? ¥>37 yamaguti
>>>> :
>> HPKY-UniversalTransformer 汎用仮想空間統合レンダ ( Unity ベースビジュアル DSL )
>> GQN ⇔ 物理空間準融合対応フレームワーク
>> http://google.jp/search?q=ai+OR+al+killzone+npc+OR+miyayou##
>> http://rio2016.2ch.net/test/read.cgi/future/1529408476/159# DSL Suityoku
>> http://google.jp/search?q=phyre-engine+PLAYSTATION3+OR+Cell+OR+vita+OR+xbox360-px+OR+suitti+OR+sumaho+OR+furi-##
>> http://rio2016.2ch.net/test/read.cgi/future/1504872499/132#SLING##1519958054/40-42## ¥>110 yamaguti 180525 0007 CCQZEsyA? ¥>45 yamaguti 0911 0856 GkbIB6hZ
>> http://rio2016.2ch.net/test/read.cgi/future/1538193488/20#143#1508026331/384#993##358## RihaKigen 2018 Teisei
>> :
>> = 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
>> :
>>
>> >68 yamaguti 180920 1033 EmLF0I+9? ¥>9 yamaguti 0929 1518 Bswyb4M3?
>> http://rio2016.5ch.net/test/read.cgi/future/1489922543/273-285## ¥> : ¥>＞＞ dahara1 氏
>> :
>> >482 自然言語解釈 ¥>282 >272-276 180916 21:42 m2szPimC?
>> DeepMind : DNC のスロットベーススロットをスロットに見立てる等 ( 下手すれば 2018 年にも目鼻 )
>> 目鼻 → 1 年以内 ? 一まずの変革完了 ( ≒ 曲りなり特異点 ? ) → 1 年以内 ? 接地構造手直し完了 ( ≒ 特異点 ? )
>> :
>> 、計算的に様々なタスクに応用できるチューリング完全なUniversal Transformers
>> 汎用
>> :
>>ry : HTM HPKY Cog DSL HPKY-UniversalTransformer CellBeAL SW26010AL PezyBbiAL NeuralLaceAL
>
>
>
> --
> フリーソフトウエア関連ボランティアの皆様に感謝申上げますと共に
> 当原稿執筆編集の甚大コストへの御配慮に厚く御礼申上げます

> 三菱 UFJ 銀行平針支店 ( 普 ) 0111481 ヤマグチセイセイ
> 郵便局 218普2449768 ヤマグチセイセイ
> Yahoo pt 1362821068616323 Rakuten pt 1100-3310-4065-1717
> http://yahoo.jp/HsDIGs?#_2TB_0S03224
>
>
>

> YAMAGUTIseisei wrote:
>>>73 yamaguti 190123 1605 mAoFHgII? ¥>19 yamaguti 0111 1500 c91waTfv? ¥>320 ー 0102 2006 EwKUrMOW

>>> |>1月26日ワークショップ「その先：人工知能に意識
>>> |>http://www.nufs.ac.jp/outline/30th-anniversary/event/190126/##
> :
>>、9 ～15：00個別発表、15：40～18：00に基調講

> :
>>> |>講演者金井良太（株アラヤ代表取締役 CEO
>>> |>戸田山和久（名古屋大　社会システム情メディア社会系教授

> :
>> 個別発表
>> Lok-Chi Chan（国立台湾大学）
>> Ying-Tung Lin（国立陽明大学、台湾）
>> Kengo Miyazono（広島大学）
>> Graham Peebles（大阪大学）
>> Masatoshi Yoshida（生理学研究所）
>> Tony Cheng（ケンブリッジ大学）
>

> 開催: 現代英語学科主催WLAC、創立30周年記念事業委員会後援
> オーガナイザ: 佐藤亮司（現代英語学科）
> 略歴
> 名古屋外国語大学創立30周年記念事業
>
>
>
> 訂正
>
>>HTM の鍵となるオペレーションをスパイキングネットワークモデルを用いシミュレートするためのフレームワークについて説明します。
:

--
YAMAGUTIseisei ( str_h__namae = { :sei => "山口" , :mei => "青星" } )
http://hello.to/seisei/ mailto:seisei@.68..net tel:081-70-5152-1104
heiwa furiisekkusu 1tu

YAMAGUTIseisei

unread,

Feb 17, 2019, 10:18:22 AM2/17/19

>> 27 yamaguti 190205 1226 X9C1Zb0H? ¥>18 yamaguti 190123 1423 mAoFHgII?
>> | YAMAGUTIseisei wrote:
>> :
>> a0>453 ー 181021 0435 WKNnVBDC
>> a0>Googleは機械学習の欠点を熟考
>> a0>ry 層学習」のアプローチが、人間の認知能力達成することに失認める
>> a0>http://www.zdnet.com/article/google-ponders-the-shortcomings-of-machine-learning/
>> a0|
>> ||a0>DeepMindは、ニューラルネットワーク自体を使用する必要がないという驚くべき主張をする
>> ||7|
>> a0| 192 yamaguti‾貸 170921 2300 FFAhevfW
>> a0| 簡易版強い AL なら NN の体を成している必要すらない
>> ||7|
>> a0| 196 名前：yamaguti‾貸 E-mail：この国だけに配慮致します立場でないので申上げます投稿日：2017/09/21(木) 23:15:48.90 ID:FFAhevfW
>> a0| 中規模以上は結局 NN らしい NN がある方が良い可能性も捨切れないが
>> ||7|
>> a0>270 YAMAGUTIseisei 180908 0007 sHJfJTCE?
>> ||7| :
>> |f0| + データと
>> f0| ↑ 学習済高低レイヤモジュール : 充実 ( 不足致命的ならず ) ?
>> |||a0| 必ずしも充実不要 ( 一見致命的不足状態も条件次第で可 )
> :
> データなし + ネットワークらしいネットワーク又グラフ等なし可 ( 禅無空 ) = 存在根源 = 自律性/知性/好奇心/真理/愛
> :
>> ||a0| 関連時間方向粒度 : 疑似接地 ( 超高精度耳年増 )
>> |||| :
>> |7>114 ー 181112 0057 0MkkS2fo ¥>: ¥>脳を作ろうとするから駄目。外界と体 ¥>、意味は外界にある
>> |||| http://rio2016.2ch.net/test/read.cgi/future/1519958054/50#1497369524/971#1489922543/50# Bunpou SintaiSei
>> |||| リンク先
>> ||||> 529 yamaguti‾kasi 170212 2049 BZYpOz1d
>> |||| :
>> ||||>◎ 身体性リンク ( 例 : ロボットデータ流用 , 定義ファ

>
>
>
> --
> フリーソフトウエア関連ボランティアの皆様に感謝申上げますと共に
> 当原稿執筆編集の甚大コストへの御配慮に厚く御礼申上げます
> 三菱 UFJ 銀行平針支店 ( 普 ) 0111481 ヤマグチセイセイ
> 郵便局 218普2449768 ヤマグチセイセイ
> Yahoo pt 1362821068616323 Rakuten pt 1100-3310-4065-1717
> http://yahoo.jp/HsDIGs?#_2TB_0S03224

YAMAGUTIseisei

unread,

Mar 11, 2019, 12:25:37 PM3/11/19

> Google 翻訳 http://www.cs.virginia.edu/‾evans/cs655/readings/smalltalk.html
>
>
> バージニア大学コンピュータサイエンス学科
> CS655：プログラミング言語
> 2001年春
>
>
> Smalltalkの背後にある設計原則
>
>
> ダニエルHHインガルス
>
> 学習研究グループ
> ゼロックスパロアルトリサーチセンター
>
> BYTE Magazine、1981年8月。（c）ニューヨークのThe McGraw-Hill Companies、Inc.。
> http://users.ipa.net/‾dwighth/smalltalk/byte_aug81/design_principles_behind_smalltalk.html
> からコピー
> Dwight Hughesによってスキャンされ、（再作成されたグラフィックを含む）HTMLに変換された。
>
>
>
> Smalltalkプロジェクトの目的は、すべての人の創造的な精神にコンピュータサポートを提供することです。
> ? ry ハードウェアを ry から流れます。
> 私たちの仕事は創造的な個人と利用可能な最高のコンピューティングハードウェアとを含むビジョンから湧き出ます。
> ? 私たちは2つの研究分野に ry モデルの間のインターフェースとして働く記述言語（プログラミング言語）とそれにマッチする相互作用の言語（ユーザーインターフェース）。コンピュータのそれに人間のコミュニケーションシステム。
> 私達は 2 つの根本分野に集中することを選択しました：人間の心の中の各モデルと計算ハードウェアの中のそれらとの間のインタフェースとして稼働する記述言語 ( プログラミング言語 ) 、
> そして、インタラクション言語 ( ユーザインタフェース ) たる、コンピュータのそれにマッチするヒューマンコミュニケーションシステム。
> 私たちの研究は2年から4年のサイクルをたどり、それは科学的方法と平行していると見ることができます。
>
> ? * 現在のシステム ry
> * カレントシステム内でアプリケーションプログラムを構築する（観察をする）
> * その経験に基づいて、言語を再設計する（理論を定式化する）
> * 新しい設計に基づいて新しいシステムを構築します（テスト可能な予測を作成します）。
>
> Smalltalk-80システムは、このサイクルで5回目を迎えました。
> この記事では、私達が私達の仕事の過程で観察した一般原則のいくつかを提示します。
> プレゼンテーションではSmalltalkの「母性」について頻繁に触れますが、原則自体はより一般的であり、他のシステムを評価したり将来の作業を導いたりするのに役立ちます。

> ? ただウォームアップするために、 ry 偏りに主に責任があるという原則 ry ：
> 単にウォームアップ実行の為には、私は技術的よりも社会的であり、そしてそれがSmalltalkプロジェクトの特定の偏りにとって大きな役割を果たす、という原則から始めます：
>
> ? パーソナルマスタリー： ry することであるならば、 ry 。
> 自己マスタリー：システムが創造的な精神を提供するならば、それは一人の個人にとって完全に理解可能でなければなりません。
>
> ここで重要なのは、人間の可能性は個人の中に現れるということです。
> この可能性を実現するために、私達は一人の個人によって習得することができる媒体を提供しなければなりません。
> ユーザーとシステムの一部との間に存在するあらゆる障壁は、最終的には創造的表現に対する障壁となります。
> ? 変更できない、または十分に一般的ではないシステムの部分は、障害の可能性が高い原因です。
>システムの、変更できないか又は十分には汎用的でないか、の部分は障害要因に大いになり得ます。
> システムの一部が他の部分とは異なる動作をする場合、その部分は制御するために追加の努力が必要になります。
> そのような追加の負担は最終結果を損なう可能性があり、その分野における将来の努力を妨げるであろう。
> したがって、設計の一般原則を推測することができます。
>
> ? 良いデザイン： ry は統一された枠組みの中に保持 ry 一般的なもの ry 。
>良い設計：システムは、最小限の変更不可能な部分で構築する必要があります。これらの部分はできるだけ汎用的にしてください。そしてシステムのすべての部分は統一フレームワークの中に保持されるべきです。
>
> 言語
> コンピュータで使用する言語を設計する際に、役に立つヒントを見つけるために遠くを見る必要はありません。
> 人々の考え方やコミュニケーションの仕方について私たちが知っていることはすべて適用可能です。
> 人間の思考とコミュニケーションのメカニズムは何百万年もの間設計されてきました、そして我々はそれらを健全なデザインのものとして尊重するべきです。
> ? ry 、その逆ではなく時間を ry 。
> さらに、今後数百万年間この設計を使用しなければならないので、コンピュータモデルを心と互換性のあるものにすると、そうしない色々な選択肢よりも時間を節約できます。

> ? ry おける主要な構成要素を ry 。
> 図１は、我々の議論における原理的構成要素を示している。
> 人は体と心を持っていると表現されます。
> 身体は主要な経験の場であり、そしてこの議論の文脈では、それは宇宙が知覚され、それを通して意図が実行される物理的な経路です。
> 経験は心の中で記録され処理されます。
> ? 創造的思考は（そのメカニズムに入らずに） ry 。
> 創造的思考 ( そのメカニズムに立入る事を除く ) は心の中に自然に現れる情報と見なすことができます。
> 言語はその情報の鍵です。
>
> 言語の目的 : コミュニケーションの枠組みを提供する。
>
> 2人の個人間の相互作用は、図1では2つの円弧として表されています。
> 実線の円弧は、明示的なコミュニケーションを表しています。実際の言葉や動きが発声され、認識されます。
> ? ry 背景を形成 ry 。
> 破線の弧は暗黙のコミュニケーションを表しています。それは、明示的なコミュニケーションの文脈を形成する文化と経験の共有です。
> ? ry ような混乱の周りに構築されます。
> 人間の相互作用において、実際のコミュニケーションの多くは共有された文脈への参照を通して達成されます、そして、人間の言語はそのような機微の周りに構築されます。
> これはコンピュータにも当てはまります。

> コンピュータが図1の参加者の1人として見なされることがあるのは偶然ではありません。
> ? ry 、「本体」は、 ry 表示および人間 ry するために提供される。
> この場合、「体」は、情報の視覚的表示の為と人間のユーザからの入力を感知する為とに提供される。
> コンピュータの「心」には、内部メモリと処理要素、およびそれらの内容が含まれます。
> 図1は、コンピューター言語の設計にいくつかの異なる問題が関係していることを示しています。
>
> 範囲：コンピュータを使用するための言語の設計は、内部モデル、外部メディア、および人間とコンピュータの両方におけるこれらの間の相互作用に対処する必要があります。
>
> この事実は、Smalltalkをより制限された意味でコンピュータ言語を見る人々に説明することの難しさの原因です。
> ? ry は単に手順 ry 方法ではなく、 ry 手法でもありません。
> Smalltalkは単なる、手順を体系化するためのより良い方法でも、ストレージ管理のための別の手法でも、ありません。
> ? ry 単なる拡張 ry 階層、またはグラフィカルユーザインタフェースではありません。
> それは単なる、拡張可能なデータ型の階層でも、グラフィカルユーザインタフェースでも、ありません。
> ? ry 示した対話をサポート ry 。
> 図1に示したインタラクションをサポートするために必要なのは、これらすべてのこと、およびその他のすべてのことです。
>
>
> 図1：言語デザインの範囲
>
>
> 2人の間（または1人の人とコンピューターの間）のコミュニケーションには、2つのレベルでのコミュニケーションが含まれます。
> 明示的な通信には、特定のメッセージで送信される情報が含まれています。
> ? ry 、2人の人間に共通 ry 。
> 暗黙のコミュニケーションには、二者に共通の関連する仮定が含まれています。
>
>
>
> ? 通信オブジェクト
> コミュ二ケーティングオブジェクト
>
> ? 心は即時のものでも記録されたものでも、広大な経験の世界を観察します。
> 心は広大な、即時と記録済との両方の、経験の宇宙を観察します。
> ? この経験をそのままにすることで、宇宙 ry 。
> この経験をシンプルにそのままにして置く事で、宇宙との一体感を導き出すことができます。
> ? しかし、文字通り宇宙に参加するために参加 ry 。
>しかし、宇宙の中の、文字通り
>一部として
>、参加したいのであれば、区別をつける必要があります。
> ? ry 、同時に残りはすべてその物ではなくなる。
> そうすることで、人は宇宙の中の物を識別し、同時に、それでない物に残り全てがなる。
> それ自体で区別することは始まりですが、区別するプロセスはそれ以上容易にはなりません。
> ? ry について話をするたびに、 ry 。
> 「あそこのあの椅子」に付いて話す事を希望する度に、あの椅子を見分けるプロセス全体を繰り返さなければなりません。
> これが参照の行為が起こるところです：我々はオブジェクトとユニークな識別子を関連付けることができます、そして、その時から、その識別子の言及だけがオリジナルのオブジェクトを参照するのに必要です。

> ? ry システムは、頭脳の中でそれらと互換性があるモデル ry 。
> 私たちは、コンピュータシステムは、心の中の各モデルとの互換性があるモデルを提供するべきであると言った。
> したがって：
>
> ? ry 、その世界のオブジェクト ry 統一された手段を提供 ry 。
> オブジェクト：コンピュータ言語は「オブジェクト」の概念をサポートし、その宇宙のオブジェクトを参照するための統一された意味 ( 意味論的な ) を提供するべきです。
>
> ? ry 全体に対してオブジェクト指向のメモリモデルを ry 。
> Smalltalkストレージマネージャは、システム全体のメモリに対してオブジェクト指向モデルを提供します。
> システム内のすべてのオブジェクトに一意の整数を関連付けることで、均一な参照が簡単に実現されます。
> この均一性は、システム内の変数が大きく異なる値をとることができ、しかも単純なメモリセルとして実装できることを意味するので重要です。
> オブジェクトは式が評価されるときに作成され、それらは統一参照によって受け渡しされることができるので、それらを操作する手続きでそれらの格納のための準備は必要ではありません。
> ? ry 回収されます。
> あるオブジェクトへの参照がすべてシステムから消えてしまうと、そのオブジェクト自体は消滅し、そのストレージは埋立てられます。
> ? ry の比喩を完全 ry 。
> このような振る舞いは、オブジェクトのメタファを完全にサポートするために不可欠です。
>
> ストレージ管理 : 真に「オブジェクト指向」であるためには、コンピュータシステムは自動ストレージ管理を提供しなければならない。
>
> ? ry を調べる方法は、プログラムが自分たちがしていることをやっているように見えるかどうかを確認することです。
> ある言語がうまく機能しているかどうかを見出す方法は、彼らプログラムがしている事を彼らがやっている、かの様な彼らを見る事ができるかどうかです。
> 彼らがストレージの管理に関連するステートメントをふりかけているならば、それらの内部モデルは人間のそれとうまく一致していません。
> ? ry 話すそれぞれのことのために誰かを準備 ry トピックを通り抜けてそれが忘れられること ry
> あなたが彼らに話す事それぞれの為の何かを準備しなければならないか、またはあなたが与えられたトピックを遂行し且つそれを忘れる事ができるとき彼らに知らせなければならないことを想像できますか？

> 私たちの宇宙のそれぞれの物はそれ自身の人生を持っています。
> ? ry に、脳は各精神的対象の記憶と共に独立した処理を提供する。
>同様に、独立した処理を夫々の精神オブジェクトのストーリッジと共に脳は提供する。
> これはデザインの3番目の原則を示唆しています。

> ? ry よって一様に呼び出すことができるオブジェクト ry 。
> メッセージ：コンピューティングは、メッセージを送信することによって統一的呼出しができるオブジェクト固有の機能と見なす必要があります。
>
> オブジェクトストレージが明示的に処理されるとプログラムが煩雑になるのと同じように、処理が外部的に行われるとシステム内の制御が複雑になります。
> 数に5を加える処理を考えてみましょう。
> ほとんどのコンピュータシステムでは、コンパイラはそれがどんな種類の数であるかを把握し、それに5を加えるためのコードを生成します。
> ? 正確な種類の数はコンパイラによって決定できないため、 ry 。
> 数の正確な種類はコンパイラによる決定ができない為、これはオブジェクト指向システムには十分ではありません（詳細は後述）。
> ? ry 調べる一般的な加算 ry 。
> 考えられる解決策は、近似アクションを決定するために引数の型を調べる汎用加算ルーチンを呼び出すことです。
> ? ry 、この重要なルーチンは、 ry 。
> これは良いアプローチではありません。というのも、このクリティカルなルーチンを、自分のクラスの数字を試してみたいという初心者が編集しなければならないことを意味するからです。
> ? オブジェクトの内部構造に関する詳細な知識がシステム全体に散らばっているため、これもまた不適切な設計です。
> それは貧弱な設計でもあり、何故なら、オブジェクトの内部構造に関する詳細な知識がシステム全体に散らばっている為です。
>
> ? ry します。受信側が目的の操作を実施する方法を最も ry 上で、番号に対するメッセージとして目的の操作の名前を引数 ry 。
> Smalltalkは、より明確な解決策を提供します。欲求されたオペレーションを実行する方法を受信側が最もよく知っていることを理解した上で、欲求された操作の名前を数に対するメッセージとして引数とともに送信します。
> ? データ構造を強打したり略奪したりするビットグラインディングプロセッサの代わりに、私たちは互いに礼儀正しく彼らの様々な欲求を実行するように要求する行儀の良いオブジェクトの世界を持っています。
> データ構造を強姦したり略奪したりするデータプロセッサの代わりに、彼らの様々な欲求を実行する為に礼儀正しく打診し合う行儀良いオブジェクトの宇宙を、私達は持っています。
> ? メッセージの送信は ry であり、メッセージはオブジェクト間を移動するので、これは当然のことです。
> メッセージの転送はオブジェクトの外側で行われる唯一のプロセスであり、必然的に、その際にはオブジェクト間をメッセージが旅します。
> ? 優れたデザインの原則は、言語について言い換えることができます。
> グッドデザインその原則は、言語に付いても言えます。
>
> ? ry 、あらゆる分野で一様に適用 ry 。
> 統一的なメタファー：言語は、あらゆるエリアで統一的に適用できる強力なメタファーを中心に設計する必要があります。
>
> この分野での成功例としては、リンク構造のモデルに基づいて構築されたLISPがあります。 APLは、配列のモデルに基づいて構築されています。 Smalltalkは、通信オブジェクトのモデルに基づいて構築されています。
> ? ry 構築されている基本単位と同じように見なされます。
> いずれの場合も、大規模アプリケーションは、システムを構築している基本単位を参照するのと同じ方法で参照されます。
> ? ry オブジェクト間の相互作用は、コンピューターとそのユーザー間の最高レベルの相互作用と同じ方法で表示されます。
> 特にSmalltalkでは、最も原始的なオブジェクトの間のインタラクションは、コンピュータとそのユーザとの間の最高レベルのインタラクションと同じ方法で参照されます。
> ? ry 、が低整数であっても、 ry する一連のメッセージ（プロトコル）を ry 。
> Smalltalkのすべてのオブジェクトは、たとえそれが小さな整数であっても、そのオブジェクトが応答できる明示的な通信を定義するメッセージのセット ( プロトコル ) を持っています。
> 内部的には、オブジェクトはローカルストレージを持ち、すべての通信の暗黙のコンテキストを構成する他の共有情報にアクセスすることができます。
> ? ry は、被加数がメッセージを受信した番号の現在値であるという暗黙の前提を持っています。
> たとえば、メッセージ+ 5（5を加算）は、数がメッセージ受信するに既に持っている値が被加数であるという暗黙の前提を運びます。
>
>
> 組織
>
> 統一メタファーは、複雑なシステムを構築するためのフレームワークを提供します。
> いくつかの関連する組織原則が、複雑さの管理の成功に貢献しています。
> まず始めに：
>
> モジュール性：複雑なシステムのどのコンポーネントも、他のコンポーネントの内部の詳細に依存するべきではありません。
>
>
> 図2：システムの複雑さ
>
>
> システム内のコンポーネント数が増えるにつれて、不要な相互作用の可能性が急速に高まります。
> このため、コンピュータ言語はそのような相互依存の可能性を最小にするように設計されるべきです。
>
>
> この原理は図2に示されています。
> システムにN個のコンポーネントがある場合、それらの間にはおおよそNの2乗の潜在的な依存関係があります。
> コンピュータシステムが複雑なヒューマンタスクを支援することになるのであれば、それらはそのような相互依存を最小限に抑えるように設計されなければなりません。
> ? ry 目的を実行するために受信者が使用した方法から ry 。
> メッセージ送信メタファは、メッセージの目的（その名前で具現化されている）を、その目的の実行の為に受信者によって使用されたそのメソッドから切り離すことによってモジュール性を提供する。
> オブジェクトの内部状態へのすべてのアクセスはこの同じメッセージインタフェースを介して行われるため、構造情報も同様に保護されています。
>
> ? ry は、よく似た ry で軽減できます。
> システムの複雑さは、似たコンポーネントをグループ化することでしばしば軽減できます。
> このようなグループ化は、従来のプログラミング言語でのデータ型指定、およびSmalltalkのクラスを通じて行われます。
> クラスは他のオブジェクトを記述します - それらの内部状態、それらが認識するメッセージプロトコル、そしてそれらのメッセージに応答するための内部メソッド。
> そのように記述されたオブジェクトはそのクラスのインスタンスと呼ばれます。
> ? ry 適合します。それら ry 、オブジェクト記述のための適切なプロトコルと実装を記述する。
> クラス自体もこのフレームワークに適合します : それらはクラスClassの単なるインスタンスであり、適切なプロトコルと実装とをオブジェクト記述の為に記述する。
>
> ? 分類：言語 ry オブジェクトを分類し、システムのカーネルクラスと同等に新しいクラスのオブジェクトを追加する手段 ry 。
> クラス化 : 言語は、類似のオブジェクトをクラス化する為の、そしてオブジェクトの新しいクラスをシステムのカーネルクラスと同等に追加する為の、手段を提供する必要があります。
>
> ? ry of ness ness.
> ry of nessness.
> ? 分類はネスの客観化です。
> クラス化は性質性の客観化です。
> ? ry 文字通り「あのもの」であると同時に「その椅子のようなもの」として抽象的にとられています。
> 言い換えれば、人間が椅子を見るとき、経験は文字通りな「あのもの」であると同時に抽象的な「その椅子のようなもの」であると二通り得られています。
> ? ry chair ness.
> ry chairness.
> ? ry 抽象化は、それ自身が心の中の別のオブジェクト、プラトンの椅子または椅子のネスとして現れます。
> そのような抽象化は、「似た」経験を融合するという心の素晴らしい能力から生じます、そしてこの抽象化はそれ自身を、心の中の別のオブジェクトである所の純精神的な、椅子又は椅子性として顕在化します。
>
> ? ry 、クラスが拡張の主なメカニズムです。
> Smalltalkでは、クラスは拡張の重要なメカニズムです。
> ? ry 、ノート、メロディ、スコア、ティンバー、プレーヤーなどの表現とインタラクションプロトコルを ry 。
> 例えば、音楽システムは、 Note 、 Melody 、 Score 、Timbre 、 Player 等の、表現とインタラクションプロトコルとを記述する新しいクラスを追加することによって作成されるでしょう。
> ? ry 「等脚」節は重要です。
> それが設計されたようにシステムが使用されることを保証するので、上記の原則の「同等」節は重要です。
> ? ry 、メロディはピッチ、 ry 表す整数の ry 、言語が整数と同じくらい簡単にメモを処理できる場合、ユーザはメロディをメモの ry します。。
> 言い換えると、メロディは、ピッチ、長さ、その他のパラメータを表す Integers のアドホックコレクションとして表すことができますが、 Notes を Integers と同じくらい簡単に言語が扱える場合、ユーザはメロディを音符のコレクションとして自然に記述します。
> ? ry がそれを提供する場合、人間は当然最も効果的な表現を選択します。
> 設計の各段階で、システムが提供する場合、最も効果的な表現を人間は当然選択します。
> ? ry ます。
> モジュール性の原則は、システム内の手続き型コンポーネントにとって興味深い意味合いがあります :
>
> 多態性：プログラムはオブジェクトの動作だけを指定し、それらの表現は指定しないでください。
>
> ? ry 、与えられたオブジェクト ry が決して宣言するべきではなく、整数プロトコルに応答するということだけであるということです。
> この原則の従来の言い方は、所与オブジェクトがSmallIntegerまたはLargeIntegerであることをプログラムは、決して宣言すべきでなくそして整数プロトコルに応答するだけにすべき、です。
> ? ry 一般的な説明は、 ry 。
> そのような汎用的な記述は、現実世界のモデルにとって非常に重要です。
>
> 自動車交通シミュレーションを考えてみましょう。
> そのようなシステムにおける多くの手順は、関係する様々な車両を参照するだろう。
> ? ry 、道路掃除人を ry 。
> たとえば、道路清掃車を追加したいとします。
> コードが操作するオブジェクトに依存している場合、この単純な拡張を行うには、かなりの量の計算（再コンパイルの形で）と起こり得るエラーが関係します。
> メッセージインタフェースはそのような拡張のための理想的なフレームワークを確立します。
> 道路清掃車が他のすべての車両と同じプロトコルをサポートしていれば、シミュレーションにそれらを含めるための変更は不要です。
>
> ? ファクタリング： ry しか表示されません。
> 因数分解 ( 因枢分解韻枢分解 ) : システム内の各独立したコンポーネントは1箇所にしか現出しません。
>
> この原則には多くの理由があります。
> まず第一に、システムへの追加が一箇所でのみ行われる必要がある場合、それは時間、労力、およびスペースを節約します。
> ? ry 簡単に見つけること ry 。
> 第2に、ユーザーは特定のニーズを満たすコンポーネントをより簡単に配置する事ができます。
> ? ry 同期化し、相互 ry 。
> 第3に、適切な因数分解がないと、変更を同期化しそして相互に依存するすべてのコンポーネントが一貫していることを保証する際に問題が発生します。
> ? 因数分解の失敗は ry 違反になることがわかります。
> 因枢分解での失敗がモジュール性の違反に達する様をあなたは目にします。
>
> ? Smalltalkは継承を通じて、よく練られたデザインを奨励します。
> 継承を通じたよく因枢分解されたデザインをSmalltalk は奨励します。
> すべてのクラスはそのスーパークラスから動作を継承します。
> ? この継承はますます一般的なクラスにまで拡張され、 ry デフォルトの動作 ry 。
> より一層一般的なクラス達を通じてこの継承は拡張し、最終的にはシステム内のすべてのオブジェクトのデフォルト動作を記述するクラスObjectで終わります。
> ? ry デフォルトの動作が継承され、さまざまな場所で同じ概念が繰り返されません。
> 上記の交通シミュレーションでは、 StreetSweeper （および他のすべての車両クラス）は一般的なVehicleクラスのサブクラスとして記述されているため、適切なデフォルト動作を継承し、様々な場所での同概念の繰返しを避けます。
> 継承は、ファクタリングのさらに実用的な利点を示しています。
>
> ? ry よく調整されていれば、 ry 。
> レバレッジ：システムがよく因枢分解されていれば、ユーザーと実装者の両方にとって大きなレバレッジが得られます。
>
> 順序付けられたオブジェクトのコレクションをソートする場合を考えてみましょう。
> Smalltalkでは、ユーザーはOrderedCollectionクラスでsortというメッセージを定義します。
> これが完了すると、システム内のすべての形式の順序付きコレクションが、継承を通じてこの新しい機能を即座に取得します。
> ? 余談ですが、比較プロトコルはテキストと数字の両方をサポートするクラスで認識されるため、同じメソッドでテキストとソート番号をアルファベット順に並べ替えることができます。
> 余談ですが注目すべきは、テキストと数字との両方をサポートするクラスで比較プロトコルは認識されるため、テキストアルファベット順化をだけでなく数値ソートをもがその同一メソッドは可能です。
>
> 実装者にとって構造の利点は明らかです。
> まず、実装するプリミティブが少なくなります。
> たとえば、Smalltalkのすべてのグラフィックは単一のプリミティブ操作で実行されます。
> ? 1つの作業だけで、実装者はすべての命令に愛情のこもった注意を捧げることができ、効率のわずかな ry ことを知っています。
> 1 つの作業をするだけで、全ての命令に愛情篭った注意を実装者は捧げる事ができ、効率の其々僅かな改善がシステム全体で増幅される事を知ります。
> ? ry 、どの一連の基本操作で十分であるかを尋ねるのは自然です。
> コンピューティングシステム全体をサポートするには、どんなプリミティブ操作セットならば足るかを尋ねる事は自然です。
> この質問に対する答えは仮想マシン仕様と呼ばれます。
>
> 仮想マシン：仮想マシン仕様は、テクノロジを適用するためのフレームワークを確立します。
>
> ? Smalltalk仮想マシンは、保存用のオブジェクト指向モデル、処理用の ry 。
> Smalltalk バーチャルマシンは、ストーリッジのオブジェクト指向モデル、プロセッシング用のメッセージ指向モデル、および情報の視覚的表示用のビットマップモデルを確立します。
> ? ry コード、そして ry することで、システムの他の利点を損なうことなくシステムのパフォーマンスを劇的に向上させることができます。
> マイクロコードを、そして最終的にはハードウェアを使用する事を介し、システムの他の美点に如何なる妥協も伴わずのシステムパフォーマンス劇的向上が可能です。
>
>
> ユーザーインターフェース
> ユーザーインターフェイスは、 ry 。
> ユーザインタフェースは単純に、コミュニケーションの大部分が視覚的な言語です。
> ? ry は確立された人間の文化と非常に重なるので、 ry 。
> 視覚的表現は確立済人間文化と著しくオーバラップするので、審美性はこの分野で非常に重要な役割を果たします。
> コンピュータシステムのすべての機能は、最終的にはユーザーインターフェイスを通じて提供されるため、ここでも柔軟性が不可欠です。
> ? ry 指向の原則と言えます。
> ユーザーインターフェイスの十分な柔軟性を実現するための有効条件は、オブジェクト指向な原則と言えます。
>
> ? ry コンポーネントは、観察と操作のために意味のある方法でそれ自体 ry 。
> 反応原理：ユーザーがアクセス可能なすべてのコンポーネントはそれ自身を観察と操作との為に、意味のある方法で提示できるべきです。
>
> この基準は、通信オブジェクトのモデルによって十分にサポートされています。
> 定義上、各オブジェクトは対話のための適切なメッセージプロトコルを提供します。
> このプロトコルは本質的にまさにその種のオブジェクトに特有のマイクロ言語です。
> ? ry キーボード操作 ry 使用を通して ry 。
> ユーザインタフェースのレベルでは、スクリーン上の各オブジェクトに適した言語が視覚的に（テキスト、メニュー、写真として）提示され、キーボード活動とポインティングデバイスの使用とを介して感知されます。
>
> オペレーティングシステムはこの原則に違反しているように思われることに注意してください。
> ? ry プログラマーは、他の点では一貫性のある記述の枠組みから離れ、どんな文脈が構築されていようとも、まったく異なる、通常は非常に原始的な環境を扱わなければなりません。
> ここでプログラマは、一貫性ある記述フレームワークから逆に立去り、構築済な如何なる文脈も置去りにして、全く異なったそして通常とても原始的な環境を取回します。
> これはそうである必要はありません：
>
> ? ry 集まりです。ないはずです。
> オペレーティングシステム：オペレーティングシステムは、言語に収まらないものの集まりです。それらを一つにすべきでない。
>
> ? これは、Smalltalk言語に ry 。
> これらは、Smalltalk言語内に自然に組み込まれてきた従来のオペレーティングシステムコンポーネントの例です。
>
> * ストレージ管理 -
> 全自動
> ? ry され、それ以上の参照が存在しなくなったとき ry 。
> オブジェクトは、そのクラスへのメッセージによって作成され、そして存在するそれらへの参照がもはやなくなった時に回収されます。
> 仮想メモリを介したアドレス空間の拡張も同様に透過的です。
> * ファイルシステム -
> ? ry 持つファイルやディレクトリなど ry 。
> ファイルアクセスをサポートするメッセージプロトコルを持つ Files や Directories などのオブジェクトを通じて、通常のフレームワークに含まれます。
> * ディスプレイの取り扱い -
> ? ディスプレイは単に継続的に見えるFormクラス ry 。
> ディスプレイは継続的可視な単なる Form クラスのインスタンスであり、そのクラスで定義されているグラフィカル操作メッセージは可視画像を変更するために使用されます。
> * キーボード入力 -
> ? ry に、状態を判断したり、一連のイベントとして履歴 ry 。
> キーボード入力 - ユーザー入力デバイスも同様に、それら状態を判断したり、イベントのシーケンスとして履歴を読み取ったりするための適切なメッセージを持つオブジェクトとしてモデル化されています。
> * サブシステムへのアクセス -
> ? ry 大規模な記述領域を利用でき、ユーザーとの対話を伴うサブシステムはユーザーインターフェイスのコンポーネントとして参加できます。
> サブシステムは、Smalltalk内に独立したオブジェクトとして自然に組み込まれています。そこでは、既存の大規模な記述の宇宙をキャンバスにでき、それらは、ユーザインタフェース内のコンポーネントとして参画できるユーザとのインタラクションを取込んでいます。
> ? ry は、一連のスタックフレームを所有 ry 。
> Smalltalkプロセッサの状態は、スタックフレームのチェーンを所有するProcessクラスのインスタンスとしてアクセスできます。
> * デバッガ -
> ? デバッガは、中断された ry 。
> デバッガは、サスペンドされたプロセスの状態を操作するためのアクセス権を持つ、単なるSmalltalkサブシステムです。
> ? ry 唯一の実行時エラーは、 ry 。
> Smalltalkで発生する可能性があるほぼ唯一のランタイムエラーは、メッセージが受信者によって認識されないことです。
>
> ? Smalltalkにはそれ自体「操作システム」はありません。
> Smalltalk はそれ自体では「操作システム」を持ちません。
> ? ry 必要な基本操作は、その他の点では通常のSmalltalkメッセージに応答して基本メソッド ry 。
> ディスクからページを読み取るなどの必要なプリミティブ操作は話が別であり通常の Smalltalk メッセージに応答するプリミティブメソッドとして組み込まれています。
>
> 今後の取り組み
>
> 予想されるように、Smalltalkでの作業はまだ残っています。
> 説明が最も簡単な部分は、このホワイトペーパーの原則の継続的な適用です。
> たとえば、Smalltalk-80システムは階層継承のみをサポートしているため、ファクタリングが不十分です。
> 将来のSmalltalkシステムはこのモデルを任意の（複数の）継承に一般化するでしょう。
> また、メッセージプロトコルは形式化されていません。
> ? 組織はプロトコルを ry 。
> オーガナイぜーションはプロトコルを規定していますが、プロトコルがクラス間で一貫していることは現在のところスタイルの問題です。
> これは、一貫して共有できる適切なプロトコルオブジェクトを提供することで簡単に解決できます。
> これにより、多態性の利点を失うことなく、プロトコルによる変数の正式な型指定が可能になります。
>
> ? ry ことがより容易ではありません。
> 他の残りの仕事は明瞭にする事が容易と言うに足りません。
> この論文では扱われていない、人間の考えには明らかに他の側面があります。
> ? ry できる比喩として識別 ry 。
> これらは既存の言語モデルを補完することができるメタファとして識別されなければならない。
>
> 時には、コンピュータシステムの進歩は憂鬱なほど遅いように思われます。
> ? 蒸気機関車が ry を忘れています。
> 蒸気機関が私たちの祖父母にとってハイテクであったことを我々は忘れています。
> 私は状況について楽観的です。
> ? 実際、コンピュータシステムはより ry 。
> コンピュータシステムは、実際、よりシンプルになり、その結果、より使いやすくなっています。
> ? ry を閉じたいと思います。
> 私はこのプロセスを支配する一般原則を纏めたいと思います :
>
> ? ry き換えられるべきです。
> 自然な選択：健全なデザインの言語とシステムは存続するでしょう、より良いものだけによって置換えられて。
>
> 時計が刻々と動いている間でさえ、創造的な精神のためのますます優れたコンピュータサポートは進化しています。
> ? すぐ助けに行くからね。
> 救援は途中まで来ています。
>
> CS 655 バージニア大学
> CS 655：プログラミング言語
> evansATcs.virginia.e
> ? ry 22秒
> 最終更新日：月曜日3月19日17時13分22秒 2001 年

> 訂正 : 世界の構造を学習する事を新皮質内カラムがどの様に可能にするかの理論
>> 世界の構造を学習する事を新皮質内カラムが如何にして可能たらしめるかの理論
>
>
> 訂正 : ハイデルベルクニューロモルフィックコンピューティングプラットフォームへのHTMモデルの移植
>
>> ? そのようなシステムの連続時間およびVLSI実装は、文献 ry 。
>> ? さらに、同じ入力カウントを受け取る列間の関係を解決するモデルの機能が示され ry として選択されず、少数の列のみが ry 。
>> シミュレーションはこの図に示されてもいる様に、データを既存ソフトウェア実装によって完全再現します。

YAMAGUTIseisei

unread,

Apr 28, 2019, 11:17:28 AM4/28/19

>Google 翻訳 http://webcache.googleusercontent.com/search?q=cache:mazonka.com/st/lcss.pdf#iT0urchwkbIJ
>
> ページ1
>
>
> ? Subleqに基づく単純な ry
> Subleq ベースのシンプルなマルチプロセッサコンピュータ
>
>
> Oleg MazonkaとAlex Kolodin
> mazonkaATgmail alex.kolodinATgmail
>
> 2011年5月（改訂3、草案8）
>
>
>
> 抽象
>
>? Subleq（結果の減算と分岐は0より小さいか等しい）は、命令セットコンピュータ（OISC）の命令 ry 言語の両方です。
>Subleq ( 減算 ( Subtract ) しそして結果が 0 より小さい ( Less than ) か等しい ( Equal ) ならば分岐 ( Branch ) ) は 1 命令セットコンピュータ ( One Instruction Set Computer , OISC ) の、命令セットとプログラミング言語との両方です。
> 我々は、低コストFPGAボード上に28個の1命令Subleqプロセッサのアレイをハードウェアで実装することについて説明します。
> 私たちのテスト結果は、Subleq OISCマルチプロセッサの計算能力は現代のパーソナルコンピュータのCPUの計算能力に匹敵することを示しています。
> さらに、Cスタイルの言語からSubleqまで、コンパイラの実装の詳細を提供します。
>
> 内容
>
> 1. はじめに . . . . 2
> 2. Subleqアセンブリ言語 . . . 3
> 3. ハードウェア設計 . . . . 6
> 3.1 概要 . . . . 6
> 3.2 インタフェースの説明 . . 7
> 3.3 Subleqプロセッサ . . . 7
> 4. Subleq用のCコンパイラ . . . 8
> 4.1スタック . . . . 8
> 4.2 式 . . . . 10
> 4.3 関数呼び出し . . . 11
> 4.4 スタック変数 . . . 14
> 4.5 掛け算 . . . . 15
> 4.6 条件ジャンプ . . . 16
> 5. 結果 . . . . . 17
> 5.1 テスト＃1 . . . 17
> 5.2 テスト＃2 . . . 18
> 6. 結論 . . . . . 19
> 7. 付録 . . . . . 21
> ? 7.1 Cと乗算 ry
> 7.1 乗算ありの C . . . 21
> 7.2 乗法なしのC . . . 21
> 7.3 Subleqコード . . . 22
> 参考文献 . . . . . 23
>
>
> ?1?
>
> ページ2
>
>
> 1. はじめに
>
> ? ry 、命令数が1に減少します。
> OISC（One Instruction Set Computer）は、従来のCPUを搭載した究極のRISC（Reduced Instruction Set Computer）であり、命令数が1に縮小されています。
> ? ry 、オペコードの必要性がなくなり、より ry 要素が可能になり、同じ数の論理 ry ウェアでより多くの命令を実装することが可能になる。
>利用可能なプロセッサ命令が1つだけである事はオペコードの必要性を抹消しそして、より単純な計算要素を許容、従ってより多くのそれらを実装する事を、論理ゲートを同数有したハードウェアで可能とする。
> 我々の目標は、単一の低コストプログラマブルチップ上に可能な限り多くのプロセッサを備えた機能的なマルチプロセッサシステムを構築することだったので、
> OISCは自然な選択であり、残りのステップは適切なシングルプロセッサ命令セットの選択であった。
>
> 現在知られているOISCは大きく3つの大きなカテゴリーに分けることができます。
>
> ? 1.トランスポートされたアーキテクチャのマシン。
> 1.転送トリガ型アーキテクチャのマシン。
> ? ビット操作機械; 2。
> 2. ビットマニピュレーションマシン ;
> 3.算術ベースのチューリング - コンプリート・マシン。
>
> トランスポートトリガアーキテクチャ（TTA）は、計算がデータ転送の副作用である設計です。
> 通常、共通アドレス空間内のいくつかのメモリレジスタ（トリガポート）は、命令がそれらを参照するときに割り当てられた動作を実行します。
> 例えば、単一メモリ対メモリコピー命令[1]を利用するOISCでは、書き込み時に算術および命令ポインタジャンプを実行するポートをトリガすることによってこれが行われる。
> 魅力的な単純さにもかかわらず、このようなOISCには2つの大きな欠点があります。
> 第1に、CPUは、トリガポートを制御する別個の機能ユニットを有する必要がある。
> 第2に、2つの異なるハードウェア設計は2つの異なるアセンブリ言語を使用する可能性が高いため、設計の一般化は困難です。
> ? ry 、このクラスのOISCは実装されていませんでした。
> これらの欠点のため、このクラスの OISC を我々の実装として除外しました。
>
> Bit Manipulating Machinesは最も簡単なクラスです。
> ? ry 、命令[2]のオペランドの1つで指定されたアドレスに無条件に実行を渡します。
> BitBitJumpと呼ばれるビットコピーマシンは、メモリ内の1ビットをコピーし、命令のオペランドの1つで指定されたアドレスに無条件に実行を渡します [2] 。
> このプロセスは、普遍的な計算が可能であることが判明している（すなわち、
> ? ry でき、他の普遍的なマシンを解釈する ry コピーすることにより、実行されるコードを条件付きで修正することができるからである。
>任意のアルゴリズムを実行することができ、そして任意の他のユニバーサルマシンをインタプリトすることができる）。なぜなら、ビットをコピーすることにより、コードを実行に先立って条件付きで修正することができるからである。
> Togaコンピュータと呼ばれる別のマシンは、ビットを反転し、反転の結果に応じて条件付きで実行をパスします[3]。
> BitBitJumpに似た、さらに別のビット演算マシンは、同時にいくつかのビットをコピーします。
> ? ry 、計算上の汎用性の問題が解決される[4]。
> この場合、あらかじめ定義されたジャンプテーブルをメモリに保持することにより、汎用的計問題が解決される[4]。
> ビット操作マシンの単純さにもかかわらず、安価なFPGAで普通に利用可能なメモリよりも多くのメモリを必要とするため、我々はそれらを排除しました。
> ? ビット操作操作で機能 ry 。
> ビットマニピュレーションで機能するマルチプロセッサマシンを作成するには、プロセッサあたり少なくとも1Mbのメモリが必要です。
> したがって、私たちは、より少ないメモリを持つより複雑なプロセッサーが私たちの目的にとってより良い選択であると判断しました。
>
>
> ?2?
>
> Page 3
>
>
> 算術ベースのチューリング完結型マシンは、算術演算と条件付きジャンプを使用します。
> ? ry の以前のクラス ry 、このクラスは普遍的なものであり、抽象的表現ではチューリング完全です。
> ユニバーサルコンピュータである2つの前述のクラスの様ではなく、このクラスはユニバーサルな、そして抽象的表現に於ての、チューリング完全です。
>? ry 、メモリ内のアドレス ry 。
>命令は、メモリ内アドレスであってもよい整数で動作する。
> ? ry 、異なる算術演算[5]に基づいて、このクラス ry のOISCが存在する。
> 現在、異なる算術演算に基づいた、このクラスのいくつかの既知の OISC が存在する [5] 。
> ? 追加？ Addleq、減少？ DJN、増分？ P1eqと減算？ Subleq （結果の減算と分岐は0より小さいか等しい）。
> 加算 - Addleq、デクリメント - DJN、インクリメント - P1eq 、そして減算 - Subleq ( 減算そして結果が 0 より小さいか等しい際に分岐 ) 。
> 後者は最も古く、最も一般的であり、間違いなく最も効率的である[6] [7]。
> ? ry .2つは減算用、2つは条件ジャンプ用です。
> Subleq命令は3つのオペランドで構成されています.2つは減算用、1つは条件ジャンプ用です。
>
> ? Subleqの周りにハードウェアを ry 。
> Subleq 系にハードウェアを構築しようとする試みは以前から行われていました。
> 例えば、David A RobertsはSubleq CPUを設計し、ソフトウェアSubleqライブラリ[8]を書いた。
> 彼の実装は、キーボード入力、端末、制御ROM、および16MbのRAMを備えた単一のCPUであり、私たちよりはるかに複雑です。
> さまざまなインターネットサイトで記述された他の同様のデザインがいくつかありました。例えば[9]。
> しかし、それらのすべては、実用的な実装がなされていない概念実証シミュレーションでした。
>
> 以下のセクションでは、構築したシステムのコンポーネントについて説明します。
> 第2節では、Subleq抽象機械とそのアセンブリ記法を概説する。
> セクション3では、マルチプロセッサコアのハードウェア実装について説明します。
> セクション4では、高水準プログラミング言語をSubleq命令コードに変換するために使用される手法について簡単に説明します。
> セクション5と6では、デバイスのスピードテスト結果を比較し、ディスカッションと要約を示します。
> 付録では、階乗を計算するコードがCおよびSubleqの表記法で示されています。
>
>
> Subleqソフトウェア< - USB - >ドライバ、プログラミング環境
>
> 図1 FPGAボードはUSBケーブルでPCに接続
>
>
> 図1は、USBケーブルを使用してデバイスとコンピュータを接続した状態を示しています。
>
> 2. Subleqアセンブリ言語
>
> Subleq抽象機械は、各セルが整数を保持する無限のメモリ配列上で動作する。
> この数は、別のメモリセルのアドレスとすることができる。
> 番号は0から始まります。
> ? プログラムは、アドレスゼロで第1の命令を用いてメモリから読み出された一連の命令として定義される。
> プログラムは、 0 番地にある最初の命令からメモリより読出されたシーケンスとして定義される。
> Subleq命令には3つのオペランドがあります。
>
> A B C
>
> ? 1つの命令ABC ry 。
> 1 つの命令 A B C を実行すると、Bに格納されたアドレスのメモリセルの内容からAに格納されたアドレスのメモリセルの値が減算され、その結果がBのアドレスのセルに書き戻されます。
> Bの減算後の値がゼロ以下の場合、実行はCで指定されたアドレスにジャンプします。さもなければ、実行は次の命令、すなわちCに続くメモリセルのアドレスに進む。
>
>
> ?3?
>
> Page 4
>
>
> アセンブリ記法は、Subleqでコードを読み書きするのに役立ちます。
> 構文は次のとおりです。
>
> ？ラベル;
> ？疑問符;
> ？縮小命令;
> ？マルチ命令;
> ？リテラルと式。
> ？データセクション。
> ？コメント。
>
> ラベルは、コロンが後に続く特定のアドレスの記号的な名前です。
> 次の例では
>
> A B C
> A:2 B:1 0
> C:B B 0
>
> 各行は3つのオペランドを持つ1つの命令を表します。
> ここで、A、B、Cは抽象名ではなく、メモリ内の特定のセルのラベル（アドレス）です。
> たとえば、ラベルAは4番目のセルを参照し、値2で初期化されます。
> ? 最初の命令は、セルBの値からセルAの値を減算し、その値を1とし、結果をセルBに格納します。この値は-1になります。
> 最初の命令は、セル A の値をセル B の値、その値 1 から減算し、結果をセルBに格納します。それは -1 になります。
> 結果はゼロより小さいので、値Cは第3行の命令の第1オペランドのアドレスであるため、次に実行される命令は第3行である。
> これはBからBを減算してゼロにするので、実行はアドレス0に渡されます。
> これらの3行がプログラム全体である場合、最初の命令の第1オペランドはアドレス0を有する。
> この場合、実行はB -2となる最初の命令に戻される。
> そのプロセスは永遠に続く。
> 実行される命令は1行目と3行目のみであり、セルBの値は1、-1、0、-2、0、-2、0などのように変化します。
>
> 疑問符はメモリ内の次のセルのアドレスとして定義されます。
>
> A B ?
> B B 0
>
> ? ?と同じです
> は以下と同じです
>
> A B C
> C:B B 0
>
> ? 命令フォーマットの縮小は便利 ry 、つまり？
> 縮小命令フォーマットは便利なショートカットです：3つではなく2つのオペランドが次の命令のアドレス、つまり ; ? 、
> ? 1つのオペランドだけが第2のものを第1のものと同じであるとみなすので、
> そしてオペランド 1 つだけだと第 2 のものを第 1 のものと同じであるとみなすので、
>
> A
>
> ? ?と同じです
> は以下と同じです
>
> A A
>
>
> ?4?
>
> Page 5
>
>
> ? ?と同じです
> そして以下と同じです
>
> A A ?
>
> 同じ行に複数の命令が置かれている場合は、最後の命令にセミコロンが続く必要があります。
> ? 次のコードは、
> 次のコードは値をA から B へコピーします：
>
> ? AからB：Z; B; AZ; ZB
> Z; B; A Z; Z B
>
> A：72のような整数はコード内の定数として使用されます。
> リテラルは、ASCII値を仮定して整数の代わりに使用できます。
> たとえば、A： 'H'はA：72と同じです。 A： "Hi"はA： 'H' 'i'と同じです。
> 加算、減算、括弧、および単項マイナスを式で使用できます。
> ? ZZ←+3 ABCDEF
> コード
>
> Z Z ?+3
> A B C
> D E F
>
> は、Zをゼロに設定し、第3の命令DE Fにジャンプする。
>
> ? 命令を減らすことができるため、アセンブラは3つのオペランドで完全な命令を生成するタイミングを知る必要があります。
> 命令を縮小できる為、アセンブラは 3 オペランドな完全な命令をいつ生成するかを知る必要があります。
> このような生成を避けるために、行頭のピリオドが使用されます。
> したがって、プログラムデータはそのような行に置くことができます。
> コード
>
> A A ?+1
> . U:-1
> U A
>
> ? Aに1を ry 。
> は A に 1 を設定します。
> 2行目にピリオドがないと、コードは次のように解釈されます。
>
> A A ?+1
> U:-1 (-1) ?
> U A
>
> コメントはハッシュ記号＃で区切られています。＃から行末まではすべてコメントです。
> 負のアドレスにジャンプすると、プログラムが停止します。
> 第3オペランドとして通常は（-1）を使用してプログラムを停止します。たとえば、次のようになります。
>
> ＃停止
> Z Z (-1)
>
> 3番目のオペランドであることを示すためには、（-1）の前後のかっこが必要です。したがって、命令は次のように解釈されません。
>
> Z Z-1 ?
>
> ? プログラム ry 。
> Subleq プログラムをインタラクティブにする（データを要求して作業中にユーザに応答する）ために、入力および出力動作は、存在しないメモリセルに対する動作として定義することができる。
> これには同じ（-1）アドレスを使用できます。
> 第2オペランドが（-1）の場合、第1オペランドの値が出力になります。
> 第1オペランドが（-1）の場合、第2オペランドは入力ストリームから値を取得します。
> 入出力操作はバイト単位でASCIIコードで定義されています。
> プログラムが255より大きい値を出力しようとすると、その動作は未定義です。
>
> ? ry [10]の「Hello ry 。
> 以下はLawrence Woodman helloworld.sq [10] から適応させた「Hello world」プログラムです。
>
>
> ?5?
>
> Page 6
>
>
> これは非常に簡潔ですが、Subleq効率の良い例です。
>
> L:H (-1); U L; U ?+2; Z H (-1); Z Z L
> U:-1 H:"hello, world¥n" Z:0 こんにちは、世界¥ n
>
> Subleqでは、Zと呼ばれる特別な変数が非常に小さな範囲内で中間の一時変数として使用されることがよくあります。
> ? ry 、使用ごとに0 ry 。
> 通常、この変数はゼロで初期化され、毎使用後に 0 になっていると仮定します。
>
> 上記のプログラムは5つの命令で構成されています。
> ? The first instruction prints the character pointed by its first operand (the first pointer) which is initialised to the beginning of the data string ? the letter 'h'.
> ? ry が指す文字を出力します。文字 'h'。
> 最初の命令は、データ文字列の先頭に初期化された最初のオペランド（最初のポインタ）が指す文字 - 'h' を出力します。
> ? The second instruction increments that pointer ? the first operand of the first instruction.
> ? ry ポインタをインクリメントしますか？最初の命令の最初のオペランド。
> 2番目の命令はそのポインタ -最初の命令の最初のオペランド- をインクリメントします。
> 第3の命令は、第4の命令の第2のオペランドである第2のポインタをインクリメントする。
> ? ry テストし、値が ry 。
> 第4の命令は、第2のポインタが指す値をテストし、その値がゼロであるときにプログラムを停止させる。
> ? ポインターがZ：0のデータストリングの終わりの後のセル1に到達するとゼロに ry 。
> データストリングの終わりの一つ後の Z:0 なセルにポインタが到達すると零になります。
> ? ry ループバックするので、プロセスは停止条件 ry 。
>5番目の命令はプログラムの先頭にループし戻るので、プロセスは /HALT ( /アサート /ネゲート ) 条件が満たされなくなるまで続きます。

> 3. ハードウェア設計
>
> 3.1 概要
>
> ? ry 実装の基礎として使用しました。
> アルテラのCyclone III EP3C16 FPGAをハードウェア実装のベースとして我々は使用しました。
> ? ry （約30米ドル） ry 。
> その選択は、このFPGA ICチップの比較的低価格 ( 高くとも約 $30 ) と、そのためのテストハードウェアの可用性に基づいています。
>
> 使用したテストボードにはDDR2 RAM ICが装備されていますが、RAMへのアクセスは一度に1プロセスに制限されています。
> 真の並列実装では、プロセッサごとに別々の内部メモリブロックが割り当てられているため、FPGA内の使用可能なメモリ量によってプロセッサ数が制限されます。
> EP3C16 FPGAには、それぞれ8Kビットの16ビットメモリブロック56個があります。
> ? 32ビットのSubleqプ ry 。
> 我々の 32bit Subleq プロセッサを1つ実装するには、最低2つのメモリブロックが必要です。そのため、FPGAには28個のプロセッサしか搭載できません。
> 私たちは16ビット実装を選択し、より多くのプロセッサ（最大56）を持つことができますが、それぞれに割り当てられるメモリはわずか1Kバイトです。
>
> ? ry データをFPGAにロードするために使用されるUSBとSPI（ ry ）間ののブリッジとして構成された外部サイプレスFX2 CPUの ry 。
> FPGAは、コードとデータとを FPGA にロードする為に有用な SPI ( シリアルペリフェラルインターフェイス ) と USB との間のブリッジとして構成されたエクスターナルなサイプレス FX2 CPU の助けを借りてUSBバスに接続されています。
> インターフェイスブリッジは、PCソフトウェアに対して透過的です。
>
>
> ( FPGA
> MEMORY < - > PROCESSOR1 < - > (
> メモリ< - >プロセッサ2 < - >
> メモリ< - >プロセッサ3 < - >
> : : < - > SPI < - > CONTROL_CPU < - > USB
> メモリ< - >プロセッサ7 < - >
> メモリ< - >プロセッサ8 < - > ))
>
> 図2 ボードのブロック図
>
>
> ?6?
>
> Page 7
>
>
> 図2はボードの通信ブロック図です。
> ? ry でコード化され、 ry 。
> このソリューションはVHDLでコーディングされ、アルテラのWebサイトから自由に入手できるQuartus II Web Editionソフトウェアでコンパイルされています。
> ? ry 当社の ry 。
> 我々のコードは、大規模FPGAで使用可能な最大63プロセッサまでスケーラブルです。
> 63プロセッサの制限はSPIバスのアドレッシングの実装によるもので、必要に応じて増やすことができます。
>
> 28個のプロセッサはすべて独立して動作し、PCBに取り付けられた基準発振器からFPGA PLLの1つで生成された単一の150 MHzクロックによって同期されます。
>
> プロセッサ数を増やすには、FPGAを搭載したボードをUSBバス経由で簡単に接続することができます。
>
> 3.2 インターフェースの説明
>
> 各プロセッサには、割り当てられたメモリへのシリアルインタフェースとステータスバイトがあり、単一アドレスのシリアルロードからアクセスできます。
> ? シリアルインタフェースは、処理が停止すると、 ry 。
> シリアルインタフェースは、プロセッシングが停止すると、メモリのデータバスとアドレスバスを引き継ぎます。
>
> FPGA内部のアドレス空間は、プロセッサインデックスとメモリアドレスという2つの数値によってアドレス指定されたテーブルとして編成されています。
> インデックス0から1バイトを読み取ると、FPGA内部のプロセッサ数が返されます。
> この設計では、戻り値は28です。
> 1から28のインデックスがプロセッサに割り当てられ、2048バイト（512ビットの32ビットワード）のメモリがそれぞれ使用可能です。
>
> プロセッサメモリへの書き込みは、2048バイトのバッファを順次ロードする動作である。
> プロセッサのメモリからの読み出しは異なります。最初に返されるワード（4バイト）はプロセッサのステータスで、残りはメモリの内容です。
>
> ? ステータスバイト - 最初の単語の ry 停止し、実行しません。
> ステータスバイト - 最初のワードの最初のバイト - は次の3つの状態のいずれかになります。0xA1 - 実行中、0xA2 - 停止したか、0xA0 - 電源が入ってから停止そして実行せず。
> プロセッサのメモリに書き込むと自動的に実行が開始されるため、別のコマンドで処理する必要はありません。
> プロセッサのメモリから読み出すと、そのプロセッサが停止します。
> ? 例外はプロセッサーを停止させない状態の最初のバイトを読み取ることです。
> そのプロセッサを停止させない 1 つ例外はステータスの先頭バイトの読取りです。
> さらに、プロセッサは、セクション2で述べたように、Subleq停止オペランド（-1）によって停止することができます。
> 上記のSubleqアセンブリ言語セクションで説明した入力や出力などの他の負の参照も、このアーキテクチャでIO操作が定義されていないためプロセッサを停止します。
>
> 3.3 サブレックプロセッサ
>
> ステートマシンアルゴリズムは以下のように擬似コードで表現できます。
>
> 　　IP = 0
> 　　while (IP >= 0)
> 　　{
> 　　　　A = memory[IP] // A =メモリ[IP]
> 　　　　B = memory[IP+1]
> 　　　　C = memory[IP+2]
> 　　　　if (A < 0 or B < 0): // if（A <0またはB <0）：
> 　　　　{
> 　　　　　　IP = -1
> 　　　　}
> 　　　　else:
> 　　　　{
> 　　　　　　memory[B] = memory[B] - memory[A]
> 　　　　　　if (memory[B] > 0)
> 　　　　　　　　IP = IP + 3
> 　　　　　　else:
> 　　　　　　　　IP = C
> 　　　　　　}
> 　　　　}
>
>
> ?7?
>
> Page 8
>
>
> IPは命令ポインタ、memory []はメモリセルの値、A、B、Cは整数である。
>
> Subleqプロセッサ・コアは、デュアル・ポート・メモリ・アクセスを構築するために使用したQuartus IIソフトウェアのRAM 2ポートメガファンクションの助けを借りて書かれています。
> ? ry 、処理クロックティックを節約します。
> 実装されたソリューションは、2つの異なるアドレス（メモリ[A]とメモリ[B]）で同時にコンテンツにアクセスすることを可能にし、処理クロック数を節約します。
> この実装の欠点は、単一のポートメモリの実装と比較して、データバスとアドレスバスにアクセスするための1クロックティックの追加レイテンシです。
> ただし、デュアルポートのメモリアクセスあたりの処理クロックティックの合計は、単一ポートに必要なメモリアクセスよりもまだ少ないです。
>
> コアは、プロセッサのメモリがロードされると自動的に起動するステートマシンに基づいています。
> ? いずれの読み出しまたは書き込み操作においても、または負 ry 遭遇すると、処理は停止するが、計算 ry なく、いつでも第1の状態バイトを読み取ること ry 。
> 読出又は書込のいずれの操作、又は負のオペランドに遭遇しての処理停止、に於ても計算に影響を与えることなく、いつでも先頭のステータスバイトを読取る事ができる。
>
> 4. Subleq用Cコンパイラ
>
> ? ry するコンパイラ ry 。
> この節では、簡単なCコードをSubleq [11]にコンパイルする自前コンパイラのいくつかの要素について簡単に説明します。
> ? ry テストの1つで、コンパイル ry 。
> コンパイラは私たちのテストの 1 つで用い、同じ C ソースからコンパイルされたネイティブ C コードと Subleq コードとの実行の間で直接比較が可能です。
> ? The compiler is a high-level language interface to OISC ?
> ? ry コンパイラ ry インタフェースですか？私たちに知られている唯一のこのようなコンパイラは、執筆の時点で。
> そのコンパイラはOISCの高水準言語インタフェースです - その様なコンパイラとして執筆時点で私たちに知られている唯一の。
>
> 4.1 スタック
>
> ? ry 主要なCプログラミング言語の概念は、 ry 。
> C プログラミング言語の主要な概念は、関数とスタックです。
> ? ry は、コードの下のメモリを使用することで実現 ry 。
> Subleqでのスタックの実装は、下記コード的なメモリ使用で実現できます。
> ? ryの自己修正を使用 ry 、スタックの値に配置して取得することができます。
> コードの自己書換を使用すると、スタックに置いたりその値から復元したりできます。
> 関数呼び出しでは、リターンアドレスをスタックに配置する必要があります。
> 以下のCコードを考えてみましょう：
>
> void f()
> {
> ...
> }
>
> void main()
> {
> ...
> }
>
> f();
> ...
> }
>
>
> ?8?
>
> Page 9
>
>
> 上記をマシンコードにコンパイルした後、次の操作を実行する必要があります
> ? 1）fを呼び出した直後 ry 。
> 1）f を呼出す直後の命令のアドレスをスタックに置かなければならない。
> 2）関数fのコードへジャンプする必要があります
> 3）関数fの終わりに、スタックからのアドレスを抽出する必要があり、
> 4）抽出されたアドレスに実行を転送する必要があります。
> ? C標準によれば、 ry 。
> C標準に従い、関数mainは適切なC関数です。すなわち、それ自身を含む他の関数から呼び出すことができます。
> したがって、プログラムには別のエントリポイントが必要です。このエントリポイントは、次のコードではsqmainと呼ばれます。
> 上記のCコードは次のようにコンパイルされます：
>
> 0 0 sqmain
> _f:
> ...
> #return
> ?+8; sp ?+4; ?+7; 0 ?+3; Z Z 0
> _main:
> ...
> #call f
> dec sp; ?+11; sp ?+7; ?+6; sp ?+2; 0
> ?+6; sp ?+2; ?+2 0 _f; . ?; inc sp
> ...
> #return
> ?+8; sp ?+4; ?+7; 0 ?+3; Z Z 0
> sqmain:
> #call main
> dec sp; ?+11; sp ?+7; ?+6; sp ?+2; 0
> ?+6; sp ?+2; ?+2 0 _main; . ?; inc sp
> 0 0 (-1)
> . inc:-1 Z:0 dec:1 sp:-sp
>
> セルスタックポインタspは、プログラム内の最後のメモリセルです。
> それは、それ自身のアドレスの負の値で初期化されます。
> ? A negative value is used here to speed up the code execution ?
> ? ry 化しますか？
> ここで負の値を使用してコード実行を高速化します - データが実際の値の負数として記録されている場合、減算操作を使用すると、いくつかのステップを節約することがあります。
> 命令dec spはspから1を引くので、その実際の値は1だけ増加する。
> ? Below is an excerpt calling the function f in more readable form ? relative references ?
> ? ry 、関数fをより読みやすい形で呼び出す抜粋です。相対的な参照？ラベルに置き換えられます。
> 以下は、関数 f を呼出すより読み易い形 - 相対的な参照 - ラベルに置換えられます - の抜粋です。
>
> dec sp
> A; sp A
> B; sp B
> A:0 B:0
> C; sp C
> D C:0 _f
> . D:?
> inc sp
>
> ? ry クリアすることです。これは、前回の使用時に残っていた値があるためです。
> 4行目の命令は、スタック内のセルをクリアする為で、前回の使用時に値を残した事に因ります。
> ? しかし、スタック内の最上位セルをクリア ry 。
> しかしながら、スタック内のトップセルをクリアすることは、命令自体のオペランドをクリアしてからspポインタの値で初期化する必要があるため、単一ステップのタスクではありません。
> ? ry です。
> したがって、実行コマンドシーケンスは次のとおりです :
> スタックポインタを増加させることによってスタック内に新しいセルを割り当てる（第1行）。
> 命令の第1オペランドをクリアする。このオペランドをスタックポインタの新しい値で初期化する（2行目）。
> ? do the same with the second operand of the instruction ?
> ? ry 同じことをしますか？
> 命令の第2オペランドと同じことをします - クリアして初期化する（3行目）。
> ? その命令を実行すると、スタック内の割り当てられたセル ry 。
> そしてそれからこの命令を実行すると、スタック内のアロケートされたセルがクリアされます（4行目）。
>
> ? 次の2つの命令は、 ry 。
> 同じ様に次の 2 つの命令は、セルCをクリアして初期化します。
> ? The instruction DC:0 _f ry .
> The instruction D C:0 _f ry .
> ? 命令D C：0_fは、 ry 。
> 命令 D C:0 _f は、命令inc spのアドレスをスタックにコピーし、_ fにジャンプする。
> ? これは、Dが次 ry 保持しているため（ ry ）、Cはスタック ry 指しているためです。
> これが機能するのは、Dが次のメモリセルの値を保持している（覚えていますか？）、そして C がスタック上の現在消去されているトップセルを指しているのが理由です。
>
>
> ?9?
>
> Page 10
>
>
> ? ry 、ラベル_fにジャンプします。
> スタックに書き込まれた負の値は、ラベル _f へのジャンプを強制します。
>
> 関数fの内部では、スタックポインタを変更することができますが、関数が終了する前にそれを復元すると仮定します。
> したがって、リターンコードはスタックから抽出されたアドレスにジャンプしなければなりません：
>
> A; sp A
> B; A:0 B
> Z Z B:0
>
> ここでスタックポインタspの値はAに書き込まれ、命令A：0 Bは格納されたアドレスをBにコピーする。
> ? ry が負に格納され、 ry 。
> アドレスが負で格納され、正の値が復元されています。
>
> ? ry だけではありません。
> スタックはリターンアドレスを格納するだけという訳ではありません。
> これについては、後のサブセクション4.3と4.4で説明します。
>
> 4.2 式
>
> ? C言語の操作は、キーワード・ ry と式で ry 。
> C 言語のオペレーションは、キーワード・ステートメントと式とで構成されるステートメントで構成されます。
> ? The syntax of keyword statements and expressions are best represented by Backus-Naur Forms (BNF) ?
> ? ry （BNF）によって最もよく表現されますか？文脈自由文法を表す標準的な方法。
> キーワードステートメントと式の構文はBackus-Naur Forms（BNF） - 文脈自由文法を表す標準的な方法 - によってベストに表現されます。
> 古典的な例は、算術式の文法です：
>
> expression:= 式：=
> term ? 期間
> expression + term ? 式+用語
> expression - term ? 表現 - 用語
> term:=
> primary 一次
> term * primary ? 期間*プライマリ
> term / primary ターム/プライマリ
> primary:= プライマリ：=
> identifier 識別子
> constant 定数
> ( expression ) （表現）
>
> これらの相互に再帰的な定義は、文法的に有効な任意の式のツリー表現を構築するためにparserと呼ばれるプログラムによって使用できます。
> このような ry 役割は、一連の命令を整理 ry 。
> ひとたびこのようなツリーが構築されれば、コンパイラの役割は、命令のシーケンスを整理して、すべてのサブツリーの結果がツリーに渡されるようにすることです。
> たとえば、式のツリー：
>
> a + ( b - c )
>
> ? ノード ry 変数a、およびノー??ド「 - 」と変数bおよびcからなるサブツリーからなる。
> は、ノード「+」、変数 a、および、ノード「 - 」と変数 b および c とからなるサブツリー、からなる。
>
>
> 図
>
> a
>
> +
> b
> -
> c
>
>
> ? ry 。これは後でさらに使用 ry 。 ry 。
> 計算を行うために、コンパイラは、サブツリーの結果を格納するために一時変数を使用する必要があります。これは後に加算で使用する必要があります。この式がより大きな式の一部である場合、潜在的にさらに使用される可能性があります。
> ? ry では、一時的なものは1つ ry 、 ry の一時的なものが必要です。
> この特定の例では、テンポラリは 1 つだけ必要ですが、一般的には多くのテンポラリが必要です。
> 式は次のコードにコンパイルされます：
>
> t; b Z; Z t; Z
> c t
> a Z; Z t; Z
>
>
> ?10?
>
> Page 11
>
>
> 最初の行は値bを一時的なtにコピーします。
> 2行目は、一時的な値から値cを減算します。
> ? ry 、コンパイラはサブツリーで終了します。
> この時点で、サブツリーを携えてコンパイラは終了します。
> その結果は、生成されたコードと、計算されたサブツリーの値を保持する一時変数tです。
> 今度はコンパイラが追加用のコードを生成します。
> ? その引数は変数aと一時tです。
> その今度の引数は変数 a とテンポラリ t です。
> ? 3行目にaを追加します。
> a を t に 3 行目で加算します。
> 今、tは式全体の結果を保持します。
> この式がより大きな式の一部である場合、tはツリーの上位ノードへの引数としてツリーに渡されます。
> そうでない場合は、評価が終了したため、t値は破棄されます。
>
> より高度な文法には、代入、逆参照、単項演算などがあります。
> しかし、各文法構造は、対応するサブツリーによって表現され、後にコンパイラによって処理されてコードを生成することができる。
> ? 例えば、Cで表される逆 ry 減算は次のようになります。
> 例えば、逆参照された値からの減算の C 表記つまり :
>
> 　　*k -= a
>
> ? 翻訳されなければならない
> は次の様に変換されなければならない
>
> 　　t; k Z; Z t; Z
> 　　a t:0
>
> ここでは、間接参照のために一時変数をコード内で使用する必要があります。
> ? 命令の順序は次のとおりです。 kをtにコピーする。 aからkを引く。
> 命令の手順は : t をクリア。 k を t にコピーする。 k がポイントするメモリから a を引く。
>
> ここでは、文法処理のいくつかの要素が触れられている。
> ? ry するために数ページしかかかりません。
> C文法は、BNFをリストするだけの為に数ページ使います。
> ? ry 文法は、 ry 。
> しかし、より大きくより複雑な文法が、同様の方法でコンパイラによって解決される。
>
> 4.3 関数呼び出し
>
> ? ry 、スタックに押し込んでポップ ry 。
> 上のサブセクション4.1では、スタックにプッシュしポップする方法が示されていました。
> 関数が引数を取るとき、それらは戻りアドレスとともにスタックにプッシュされなければならない。
> 関数の復帰時にスタックを復元する必要があります。
> 2つの引数を取る関数を考えてみましょう：
>
> 　　int f(int a, int b);
> 　　　　...
> 　　　　f(a,b);
>
> 関数fへの呼び出しは、次のようなものに変換されなければなりません
>
> 　　# 1 push b ＃1プッシュb
> 　　# 2 push a ? ＃2プッシュ
> 　　# 3 push return_address
> 　　# 4 goto f
> 　　# return_address:
> 　　# 5 sp -= 3
>
> ? ry 別の式の一部にすることができます。コンパイラ
> Cの引数は式にすることができ、関数への呼び出しは別の式の一部 - サブ式にすることができます。即ちコンパイラは次のようなより複雑なケースを適切に処理する必要があります
>
>
> ?11?
>
> Page 12
>
>
> int f(int a, int b)
> {
> ...
> return f; fを返す。
> }
> ...
> int k;
> k=f;
> k(f(1,2),3); // call via variable - indirect call //変数経由で呼び出し - 間接呼び出し
> k = f(1,2)(3,4); // call by return value //戻り値で呼び出す
>
> ここでは簡単のため、Cの関数型int（*）（int、int）はintとして表されています。
> ? ry は1つの変数タイプのみ ry 。
> Subleqは変数の型を 1 つのみサポートしています。
> ? したがって、より精巧なタイピングシステムは、言語に余分な機能を導入しません。
> 従って言語に、余分な機能をより精巧なタイピングシステムが齎しません。
>
> ? ry として適切に計算 ry 。
> スタックにプッシュされた引数は、サブ式（サブツリー）として恙なく計算できます。
> ? 実際の関数呼び出しのこの意味では、プログラム変数または一時変数のいずれかがスタック ry されることはありません。
> この意味では、プログラム変数又は一時変数、のどちらも実際の関数呼出でスタックにプッシュされるいわれはありません。
>
> 　　# 1 push B ＃1プッシュB
> ?　　　　＃ ry [spは負であることを覚えています]
> 　　　　＃スタック内の次のセルをクリアする[ sp が負である事を忘れない ]
> ?　　　　＃下の行はCの構文と同じです：*（++ sp）= 0;
> 　　　　＃ *(++sp)=0; という C 構文と下の行とは同じです：
> 　　　　dec sp; t1; sp t1; t2; sp t2; t1:0 t2:0
> 　　　　＃Cの構文と同じです：* sp + = B;
> 　　　　t3; sp t3; b Z; Z t3:0; Z
>
> 　　＃2プッシュA
> 　　　　? # the same with A ? B ?
> 　　　　＃Aと同じ
> 　　　　dec sp; t4; sp t4; t5; sp t5; t4:0 t5:0
> 　　　　t6; sp t6; a Z; Z t6:0; Z
>
> 　　＃3 push return_address
> 　　　　dec sp; t7; sp t7; t8; sp t8; t7:0 t8:0
> 　　　　t9; sp t9; t10 t9:0 goto_address
> 　　　　. t10: return_address
>
> 　　＃4 goto f
> 　　　　goto_address: Z Z f
> 　　＃5 sp - = 3
> 　　　　return_address: const(-3) sp
>
> ? 表記const（-3）spは
> ノート : const(-3) sp は以下の短縮
>
> 　　unique_name sp
> 　　...
> 　　unique_name:-3
>
> ? ry 扱っていません。
> 上のコードは戻り値も間接呼び出しもまだ扱っていません。
> 戻り値は特別な変数（レジスタ）に格納できます。
> ? ry サブ式でする場合は、戻り値をすぐに一時的に値にコピー ry 。
> プログラムがサブ式の戻り値を使用するならば、戻り値を return 後すぐにテンポラリにコピーする必要があります。
> ? ry アドレスを一時的に保持する参照解除によって ry 。
> 間接呼び出しは、関数のアドレスを保持しているテンポラリを間接参照する事によって実現できます。
> それは簡単ですが、より複雑なコードです。
>
> スタックポインタは、関数がスタック（ローカル）変数を要求するときに関数内で変更できます。
> ローカル変数にアクセスするには、通常、ベースポインタbpが使用されます。
> ? 関数の ry 。ローカル変数の基本参照 ry いますか？各ローカル変数には、ベースポインタからの関連オフセットがあります。関数の終わりにスタックポインタを復元するために使用 ry 。
> それは関数の入り口で初期化されます。それはローカル変数のベース参照として使用されています - 各ローカル変数は、ベースポインタから紐付けられたオフセットを持ちます。そしてそれはスタックポインタ復元の為に関数の終わりで使用されます。
> ? ry できます。つまり、各関数は、終了時のベースポインタの終了時に入力および復元時に保存する必要があります。
> 関数は他の関数を呼び出すことができ、つまり、各関数が、ベースポインタをエントリ時点で保存しそして終了時に復元する必要を意味します。
> ? ry ます。
> したがって、関数本体は次のコマンドでラップする必要があります :
>
>
> ?12?
>
> Page 13
>
>
> 　　1. # push bp 1.＃プッシュbp
> 　　2. # sp -> bp
> 　　3. # sp -= stack_size
> 　　# ... function body ＃...関数本体
> 　　5. # bp -> sp
> 　　6. # pop bp
> 　　7. # return ? 7.＃返品
>
> またはSubleqコードで。
>
> 　　dec sp; ?+11; sp ?+7; ?+6; sp ?+2; 0
> 　　?+6; sp ?+2; bp 0
> 　　bp; sp bp
> 　　stack_size sp
>
> 　　# ... function body ＃...関数本体
>
> 　　sp; bp sp
> 　　?+8; sp ?+4; bp; 0 bp; inc sp
> 　　?+8; sp ?+4; ?+7; 0 ?+3; Z Z 0
>
> ? ry 、解析中の関数 ry 。
> stack_sizeは定数で、パーシングに伴って関数ごとに計算されます。
> ? bp ry 不十分であることが判明しました。
> 要するに bpを保存するだけでは不十分です。
> 関数呼び出しは、式の中で起こることがあります。
> ? ry 、表現の一時的なものを保存 ry 。
> そのような場合には、式の全てのテンポラリを保存しなければならない。
> ? 新しい機能は、 ry 同じ一時メモリセルを ry 。
> 新しい関数は、それ自身の必要性のために同じテンポラリメモリセルを使用することになります。
> 式f（）+ g（）に対して、呼び出しの結果は変数t1とt2に格納される。
> ? ry いる関数gがt1を変更 ry 。
> 関数fの結果が格納されている t1 を関数 g が変更すると、問題が発生します。
>
> ? ry 、すべての機能を使用しているすべての一時的なデータをスタック ry 。
> 解決策は、各関数毎にそれが使用している全テンポラリをスタックにプッシュし、終了時にそれらを復元することです。
> 以下の関数を考えてみましょう：
>
> 　　int g()
> 　　{
> 　　　　return k+1; // k + 1を返す。
> 　　}
>
> ? ry に翻訳されます：
> それは次のようにトランスレートされます：
>
> 　　_g:
> 　　　　# save bp
> 　　　　dec sp; ?+11; sp ?+7; ?+6; sp ?+2; 0
> 　　　　?+6; sp ?+2; bp 0
> 　　　　bp; sp bp
>
> 　　　　# push t1 ＃プッシュt1
> 　　　　dec sp; ?+11; sp ?+7; ?+6; sp ?+2; 0
> 　　　　?+6; sp ?+2; t1 0
> 　　　　# push t2 ＃プッシュt2
> 　　　　dec sp; ?+11; sp ?+7; ?+6; sp ?+2; 0
> 　　　　?+6; sp ?+2; t2 0
>
> 　　　　# calculate addition ＃加算を計算する
> 　　　　t1; t2
> 　　　　_k t1
> 　　　　dec t1
> 　　　　t1 t2
> 　　　　# set the return value [negative] ＃戻り値を設定する[負]
> 　　　　ax; t2 ax ? 斧; t2 ax
>
> 　　　　# pop t2
> 　　　　?+8; sp ?+4; t2; 0 t2; inc sp
> 　　　　# pop t1
> 　　　　?+8; sp ?+4; t1; 0 t1; inc sp
>
> 　　　　# restore bp
> 　　　　sp; bp sp
> 　　　　?+8; sp ?+4; bp; 0 bp; inc sp
> 　　　　# exit ＃出口
> 　　　　?+8; sp ?+4; ?+7; 0 ?+3; Z Z 0
>
>
> ?13?
>
> Page 14
>
>
> コードのどこかに他の関数の呼び出しがある場合、他の関数が実行時にそれらを保存して復元するため、一時変数t1とt2は計算値を保持します。
> ? ry すべての一時的なデータはスタック ry されるので、使用された一時的なデータの数を減らすために支出されます。
> 関数内で使用された全てのテンポラリがスタックにプッシュされる事を以て、使用されるテンポラリの数を減らす為の支払となります。
> ? これは、使用された一時的なものを、使用された一時的なもののプールに解放することによって、これを行うことができます。
> これは、使用されたテンポラリを、使用テンポラリのプールに逃がすだけで可能です。
> ? ry 、新しい一時的なものが要求 ry 新しい一時的なものが割り当てられます。
> その後、新しいテンポラリが要求されると、プールが最初にチェックされ、そのプールが空の場合にのみ新しいテンポラリがアロケートされます。
> ? 表現
> 式
>
> 　　1+k[1]
>
> ? コンパイルする
> は以下の通りにコンパイルされる
>
> 　　t1; t2; _k t1; dec t1; t1 t2
> 　　t3; t4; ?+11; t2 Z; Z ?+4; Z; 0 t3; t3 t4;
> 　　t5; t6; dec t5; t4 t5; t5 t6
> 　　# result in t6 ? ＃t6の結果 # 結果は t6 の中
>
> ? ry 時間軸のプール ry 、時間軸の数 ry 半分になります。
> テンポラリのプールが導入されると、テンポラリの数は半分になり :
>
> 　　t1; t2; _k t1; dec t1; t1 t2
> 　　t1; t3; ?+11; t2 Z; Z ?+4; Z; 0 t1; t1 t3
> 　　t1; t2; dec t1; t3 t1; t1 t2
> 　　# result in t2 ? ＃結果はt2になります＃結果は t2 の中
>
> ? ry 削除するコードが ry 。
> 対応するプッシュおよびポップ操作を削除しコードが大幅に削減されます。
>
> 4.4スタック変数
>
> bpがスタックに置かれ、spがデクリメントされてメモリが割り当てられると、すべてのローカル変数が使用可能になります。
> コンパイラはアドレスを知らないため間接的にしかアクセスできません。
> ? 例えば、関数f in
> 例えば、以下の関数 f
>
> 　　int f(int x, int y)
> 　　{
> 　　　　int a, b=3, c[3], d=5;
> 　　　　...
> 　　}
> 　　f(7,9);
>
> ? スタックサイズが6に等しい4つのローカル変数があります。
> は 6 に等しいスタックサイズと共にある 4 つのローカル変数、を持ちます。
> ? ry 関数が入力されると、スタックは次の値を ry ：
> この関数が開始されると、スタックは下記の値を持ちます：
>
> ... y[9] x[7] [return_address] [saved_bp] a[?] b[3] c0[?] c1[?] c2[?] d[5] ...
> ^ ^
> (bp) (sp)
>
> コンパイラは、bpからの各変数のオフセットについて知っています。
>
>
> ?14?
>
> Page 15
>
>
> 可変オフセット
> 　　y 　　-3
> 　　x 　　-2
> 　　a 　　1
> 　　b 　　2
> 　　c 　　3
> 　　d 　　6
>
> したがって、コードでは、配列を指さないローカル変数への参照は*（bp + offset）で置き換えることができます。
> ? arrayの ry 。
> 配列の名前は最初の要素のアドレスなので、配列cは（bp + offset）に置き換えなければなりません。
> 名前は変数を参照するのではなく、[]で参照することは変数を参照します。
> Cで
>
> 　　c[i]
>
> ? is the same as ?
> is the same as
> ? と同じです
> は以下と同じで
>
> 　　*(c+i)
>
> この例では次のように解釈できます。
>
> 　　*((bp+3)+i)

> 4.5 乗算
>
> Subleqにおける唯一の些細な乗算は2倍の乗算であり、
>
> 　　t=a+a: t; a Z; a Z; Z t; Z
>
> ?、式を使用できます
> 2つの数字を乗算するには、以下の式を使用できます
>
> 　　A*B = (2A)*(B/2) + A*(B%2)
>
> ? ry 整数とモジュール分割が必要です。
> これは単純な再帰式ですが、整数と剰余演算とが必要です。
> 除算は、次のアルゴリズムとして実装できます。
> ? ry 与えられたとき、Bは2だけ増加し、次の増加がBよりAより大きくなるまで増加する。
> 2つの数AとBが与えられた時 B を、 B が A より大きくなるまで 2 倍する。
> ? ry させると同時に、別の変数Iを2だけ増やします。これは1に初期化されています。
> Bを増加させ同時に、 1 に初期化されている別の変数 I を 2 倍します。
> ? ry と、私は除算の結果の一部を保持しますか？残りはABと元のBを ry 。
> BがAより大きくなると、 I は除算の結果の一部を保持し - 残りは A - ( 訳注 : 前回の ) B と元の B とを使用してさらに計算されます。
> これは再帰的にすべてのIを蓄積することができます。
> A <Bの最後のステップでは、Aはモジュラスです。
> このアルゴリズムは、Cの短い再帰関数として実装できます。
> ? 終了時に、この関数は引数jの結果と除算モジュラスとして整数除算を返します。
> この整数除算その結果と、そして引数 j の除算モジュラスとを、この関数は終了時に返します。
>
> 　　int a, int b, int * j)
> 　　{
>
> 　　　　if( a < b ) { *j=a; return 0; } // 0を返します。
>
> 　　　　int b1=b, i=1, bp, ip;
>
> 　　next: // 次：
> 　　　　bp = b1; ip = i;
> 　　　　b1 *= 2; i *= 2;
> 　　　　if( b1 > a )
> 　　　　　　return ip+divMod(a-bp,b,j);
> 　　　　goto next; ? // 次へ進む。 // next へ行く;
> 　　}
>
>
> ?15?
>
> Page 16
>
>
> この機能は最適ではありません。
> 再帰を別の外部ループに置き換えることで、より効率的な関数を実現できます。
> 非常に精巧な計算を必要とする乗算、整数およびモジュラ除算演算は、ライブラリ関数として実装できます。
> つまり、各乗算a * bは、呼び出し_mul（a、b）に置き換えることができ、後でコンパイラは関数の実装を（必要に応じて）追加することができます。
>
> 4.6 条件ジャンプ
>
> Cでは、ゼロと評価されるブール式は偽であり、非ゼロは真です。
> ? Subleqでは、すべてのブール式が平等または不等号に基づいてゼロに評価されるため、ブール式を処理するときにコードが長くなります。
> Subleq ではブール式を扱う場合にコードが長くなりますが何故なら全てのブール式評価が 0 との等又不等に基づく為です。
>
> ? ry 偽と正の値を真として扱 ry 。
> より良い方法は、ゼロ以下を偽とし正の値を真として扱うことです。
> ? if-expression if（expr）{<body>}が1つの命令にすぎない場合
> すると if-式 if(expr){<body>} はたった 1 つの命令
>
> Z t next
> <body>
> next: ... 次： ...
>
> ? tは式 ry 。
> になり t が式exprの結果です。
> ? ただし、（x + 1）{...}がブール値への暗黙的な変換の場合など、Cと完全に互換性を保つために、 ry 。
> 但し注意として、 C ( 例えば、ブール値への暗黙的な変換としての if(x+1){...} ) との完全互換の為に、整数式がブール値として使用されるすべてのケースを検出する必要があります。
> ? ry です。
> 幸い、そのようなケースはほんのわずかです :
>
> if(expr)
> while(expr)
> for(...,expr,...)
> ! expr
> expr1 && expr2
> expr1 || expr2
>
> ? ry できるので、コンパイラはブール値や整数式を気にする必要がなく、より ry 。
> この作業はパーサ内で行うことができ、するとコンパイラは、ブーリアンか整数か式に付いてを気にする必要がなくそしてより単純なコードを生成することができます。
>
> ? ry 、次のようになります。
> ブール変数が式で整数として使用される場合、次の様に :
>
> 　　引数f（a> 0）を渡し、
> ?　　関数の戻り値（a> 0）から戻り値。
> 　　関数 return(a>0); から戻り値。
> 　　代入x =（a> 0）。
> 　　他の算術式x = 1 + 5 *（a> 0）。
>
> 変数はCスタイルに変換する必要があります。つまり、負の結果はゼロになります。
> これは、以下のように簡単に行うことができます。
>
> 　　x Z ?+3; x; Z ? x≠z + 3であり、バツ; Z
>
>
> Z x ? + 3 x > 0 次の行のアドレス + 3 ( = 4 - 1 ) 番地つまり次の次の行から実行
> Z Z ■ → ? グーグー
> x Z ■ →
> Z x == 0
>
> x < 0
>
> ? 図3条件付きジャンプを表す図
> 図3 条件ジャンプを表すダイアグラム
>
>
> ?16?
>
> Page 17
>
>
> ? ry 0より小さい、等しい、またはより大きい場合の簡潔 ry とおりです。
> 値が0より小さいか等しい、か、より大きいかの簡潔なチェックは次の通りで :
>
> 　　Z x ?+3; Z Z G; x Z E; Z; L:
>
> ここで、L、E、およびGは、xがそれぞれ0より小さい、等しい、または大きい場合の実行に合格するアドレスです。
> 図3に実行のスキーマを示します。
> ? xが変わらず、Zがゼロであることに注意してください。
> x は変化しない、そしてどんな exit に於ても Z はゼロである、に注意。
>
> 5.結果
>
>
>
> 図4 FPGAボード、28個のSubleqプロセッサ、プロセッサあたり2 Kb割り当て
>
>
> 図4は、USBケーブルを介してFPGAボードに給電した状態を示しています。
> ボードは約5 x 7センチメートルの大きさで、28個のSubleqプロセッサを搭載しており、プロセッサあたり2 KBのメモリが割り当てられ、クロック周波数150 MHzで動作します。
>
> ボードの効率をテストするために、我々は2つの数学的問題を選んだ。
> 最初は、算術演算グループの関数剰余のサイズを計算します。
> ? ry 2番目のモジュールは、二重階乗を計 ry 。
> 2番目に、モジュラ二重階乗を計算します。
>
> 5.1 テスト＃1
>
> ? ry テストでは、次のプロセスの関数残基の順序を見つける問題を選択しました。
> 最初のテストで我々が選択したのは以下に示す、関数残基の順序を見つける問題 :
>
> 　　xi +1 = 2 xi mod M
> 　　yi +1 = 2( xi + yi ) mod M
>
> ? x ry 、Mはある値です。
> で、 xとyは1に初期化された整数、modはモジュロ演算、M はとある値です。
> 点（x0 = 1、y0 = 1）から出発して、方程式は対のシーケンスを生成する。
> ? この問題は、解決策が難しく、M（M 2未満）よりも頻繁に答えが多いため、この問題を選択しました。
> 解法が難しく、答えが M よりもしばしば非常に大きい ( しかし M 2 未満 ) 為、この問題を我々は選択しました。
> ? ry 数Mが選択されたので、計算 ry 。
> 数 M がその様に選択される計算は数分で完了することができました。
> ? ry 新しいペアのペア ry 同じになります。
> このシーケンスが十分に長い場合、生成された新しい数のペアは、シーケンス内で以前に生成されたペアとやがて同じになります。
> タスクは、同じ値を持つ結果が最初に出現するまでに完了する必要のあるステップの数を見つけることです。
> 我々のテストでは、Mの選択値はM = 5039であり、反復回数は12693241と計算された。
>
>
> Page 17
>
> ?18?
>
>
> ? ry のACプログラムは、 ry ます。
> この問題を解決するための C プログラムは、乗算または除算を使用せずに記述することができます :
>
> 　　int x=1, y=1, m=5039;
> 　　int c=0, ctr=1, t;
> 　　int x0=0, y0=0;
>
> 　　int printf();
> 　　int main()
> 　　{
>
> 　　　　while(1) ? // 一方、（1）
> 　　　　{
> 　　　　　　y += x; y += y; x += x;
> 　　　　　　while( x>=m ) x-=m;
> 　　　　　　while( y>=m ) y-=m;
>
> 　　　　　　if( x==x0 && y==y0 ) break;
>
> 　　　　　　if( ++c==ctr )
> 　　　　　　{
> 　　　　　　　　x0=x; y0=y;
> 　　　　　　　　c=0; ctr+=ctr;
> 　　　　　　}
> 　　　　}
> 　　　　printf("point: %d %d loop: %d of %d¥n",x0,y0,c+1,ctr); printf（ "ポイント：％d％dループ：％dの％d ¥ n"、x0、y0、c + 1、ctr）;
> 　　}
>
> ? ry ます。
> このプログラムは、以下の場合にテストされています :
>
> 1. Subleqコンパイラでコンパイルし、FPGAボード上のプロセッサの1つで実行します。
> 2. Subleqコンパイラでコンパイルし、PC＃1（Intel Q9650 at 3GHz）でエミュレートします。
> 3. Microsoft C / C ++コンパイラ（v16）で完全最適化してコンパイルし、PC＃1で実行します。
> 4. 2と同じですが、PC＃2（1.7GHzのPentium 4）で動作します。
> ? 5. PC＃2で3回実行と同じ
> 5. 3 と同じ事を PC#2 で
>
> 以下の表は、各テストの実行時間を秒単位で示しています。
>
> 1 Subleq on 1プロセッサFPGA 94.0
> 2 Subleq on PC＃1 46.0
> 3 C on PC＃1 0.37
> 4 PC＃2上のSubleq 216
> ? PC＃2の5C 0.54
> 5 PC#2 の C 0.54
>
> これらの結果から、FPGA上の単一プロセッサの速度は、Subleq命令をエミュレートする場合、通常のPCのCPUの速度と同じオーダーの大きさであると結論づけられます。
> PC上のネイティブコードは約100倍高速に動作します。
>
> 5.2テスト＃2
>
> ? ry 計算であった。
> 第2のテストは、モジュラー二階乗の計算、つまり
>
> 　　 N n
> 　　(N !)! mod M = ?? i mod M
> 　　 n =1 i =1
>
>
> Page 18
>
> ?19?
>
>
> このテストケースでは、マルチプロセッサSubleqシステムのフルパワーを使用することができました。上記の式の乗算は28個のプロセッサすべてで並列に計算できるためです。
> N = 5029およびM = 5039の場合、結果は95であり、これらの数値はテストで使用された。
> 数Mはテスト＃1と同じであり、数NはASCII印刷可能範囲内の結果（95）を与えるように選択された。
> ? ry た。
> 計算は次の構成で実行されました :
>
> ? 1.手書きFPGAボードのSubleqコード実行[ ry
> 1. 手書きの Subleq コードを FPGA ボード上実行 [付録7.3]
> ? ry コード（最初のテストではPC＃1と同じ）
> 2. PC上でエミュレートされたSubleqコード ( 最初のテストを PC#1 上でと同じ )
> ? ry じCコ ry ルされ、PC上で実行される同等のCコード[付録7.1]
> 3. 同じ C コンパイラでコンパイルされた同等の C コードそして PC上で実行 [ 付録7.1 ]
> 4. Subleqコンパイラでコンパイルされ、PC上でエミュレートされた同じCコード
> 5. CコンパイラでコンパイルしてPC上で実行する乗算演算なしの等価Cコード[付録7.2]
> 6. Subeqコンパイラでコンパイルされ、PC上でエミュレートされた5と同じCコード
>
> ? ry いるように?O（N^2）ではなく、モジュラ ry 、問題への解決に?O（NlogN）演算 ry 、使用 ry 。
> 付録に示されている様な、 ‾O( N^2 ) でなくモジュラ累乗を利用する場合には、問題への解法に ‾O( NlogN ) 演算が必要なので、我々が使用したコードは100％効率的ではありませんでした。
> ただし、これは相対的なパフォーマンスを評価する際には重要ではありません。
>
> 結果を以下の表に示す。
> 値は秒単位の実行時間です。
>
> 1 FPGA上のSubleq、28プロセッサで並列 62.0
> 2 PC上のサブレック（エミュレーション） 865
> ? ry 付き3 C、PC上で実行可能な実行0.15
> 3 乗算付 C 、実行形態を PC 上で実行 0.15
> ? ry 付き4 C、PC 12060でエミュ ry たSubleq
> 4 乗算付 C 、PC でエミュレートされたSubleq 12060
> ? ry なしの5 C、PC 7.8で実行可能な実行
> 5 乗算なしの C 、実行形態を PC 上で実行 7.8
> ? ry なしの6 C、PC 9795でエ ry たSubleq
> 6 乗算なしの C 、PC でエミュレートされたSubleq 9795
>
> 28のFPGAプロセッサは、PC上で同じSubleqコードのエミュレーションを容易に凌駕します。
> ? ry にコンパイルされた乗算のないCコードは、乗算付きのCコードよりも高速に実行されます。 ry 関数ほど効率 ry 。
> Subleqにコンパイルされそしてエミュレートされた実行で、乗算なしの C コードは乗算ありの C コードよりも高速です。これは、コンパイラのライブラリ乗算関数がこの例で記述された乗算関数程には効率的でないためです。

> 6.結論
>
> ? 安価なCyclone ry 使用して、並列 ry デバイスを構築しました。
> 高価でない Cyclone III FPGAを使用し我々は、並列に動作するプロセッサを備えたOISCマルチプロセッサ・デバイス構築に成功しました。
> ? Each processor has its own memory limited to 2 Kb.
> ? ry 、2 Kb ry 。
> 各プロセッサには、 2 KBに制限された独自のメモリがあります。
> この制限のために、例えばビットコピー [2] の様な更に単純な個別プロセッサ命令セットを持つマルチプロセッサボードを構築することはできませんでした。何故ならこの場合、実際に有用な計算タスクを実行するために必要最小限のメモリは1プロセッサあたり‾ 1Mbのメモリです。
> ? ry 限られていても、他 ry 使用するなど、より高度なプログラムを実行することはできませんでした。 ry 。すべての計算コードが各プロセッサに割り当てられたメモリ内に収 ry 。
> 私たちのデバイスで利用可能なメモリが限られているだけでなく、他のプロセッサのエミュレータやより複雑な計算アルゴリズムを使用するといった、より高度なプログラムの実行の余地も与えられませんでした。各プロセッサに割り当てられたメモリの中に計算コードその全てが収まる必要があるからです。
>
>
> Page 19
>
> ?20?
>
>
> ? ry 、より高価なFPGAであるにもかかわらず、より高速で高速なものを選択することで、各 ry 。
> Stratix Vなど、より高価であれどより大規模でより高速な FPGA を選択する事により、各プロセッサで使用できるメモリのサイズを増やすことができます。
> ? その後、より ry CPUを実装 ry 。
> すると、より速い処理クロックとより多くの CPU とを上手く実装することができます。
> CPUステートマシンのVHDLコードを最適化して計算速度を向上させることもできます。
> 十分なメモリがあれば、他のプロセッサアーキテクチャをエミュレートし、他のCPU用に書かれたアルゴリズムを使用するか、オペレーティングシステムを実行することが可能です。
> ? 記憶の制約とは別に、この最小限のアプローチ ry はスピードの低下であった。
> メモリの制約とは別に、この最小限主義者アプローチのもう一つの欠点は低速度であった。
> 私たちのボードは、CPUクロックの速度がかなり遅い（150MHz）。
> 前述のように、より高価なFPGAははるかに高速なクロック速度で動作することができます。
>
> 一方、設計の簡素化により、スタンドアローン型の小型マルチプロセッサー・コンピューターとして実装できるため、物理的サイズとエネルギー消費の両方が削減されます。
> 適切なハードウェアを使用すると、安価な電卓で使用されるものと同様の低電力太陽電池でそのようなデバイスに電力を供給することも可能です。
> ? ry 実装は拡張性があります - ホストの電源に大きな負荷をかけることなく追加のボードを接続することにより、プロセッサの数を増やすことは容易です。
> 私たちの実装はスケーラブル - 追加ボードの接続により、ホストの電源の負荷の大きな影響なくのプロセッサ数増は容易です。
>
> ホストPCは、コードをロードして結果を読み取るために高速である必要はありません。
> 我々の実装はFPGAベースであるため、FPGAを再プログラミングすることによって、特定のタスクに合わせてカスタマイズされた他のタイプの実行時再ロード可能なCPUを作成することが可能です。
>
> 結論として、我々はOISCコンセプトの実現可能性を実証し、それをOISCマルチプロセッサシステムの機能プロトタイプ構築に適用した。
> 我々の結果は、適切なハードウェアおよびソフトウェア実装では、非常に単純なOISCマルチプロセッサ設計ですでに相当な計算能力を達成できることを示しています。
>
>
> Page 21
>
> ?21?
>
>
> 7.付録
>
> ? ry コードを示します。
> このセクションでは、モジュラー二階乗を計算するコード片を示します。
>
> ? 乗算付きの7.1C
> 7.1 乗算付の C
>
> ? ry 、組み込みの ry 。
> 次のCプログラムは、ビルトインの組み込みの乗算と除算を使用してモジュラー二階乗を計算します。
>
> 1 　　int printf();
> 2 　　int main()
> 3 　　{
> 4 　　　　int a=5029;
> 5 　　　　int b=1;
> 6 　　　　int m=5039;
> 7 　　　　int x=1;
> 8 　　　　int i,j;
> 9
> 10 　　　　for( i=a; i>b; i-- )
> 11 　　　　for( j=1; j<=i; j++ )
> 12 　　　　x = (j*x)%m;
> 13
> 14 　　　　printf("%d",x);
> 15 　　}
>
> ? ry の複素ループです。
> 10行目から12行目は、bからモジュロmまでの倍数の二重ループです。
>
> 7.2 乗法なしのC
>
> ? ry が、乗算と除算の組み込み操作はありません。
> このCプログラムは、7.1のプログラムと同じ計算を行いますが、ビルトインな乗除算はありません。
> 乗算と除算の関数は明示的に記述されます。
>
> 1 　　int DivMod(int a, int b, int *m)
> 2 　　{
> 3 　　　　int b1, i1, bp, ip;
> 4 　　　　int z = 0;
> 5
> 6 　　start: 6スタート：
> 7 　　　　if( a<b ){ *m=a; return z; } zを返します。
> 8
> 9 　　　　b1=b; i1=1;
> 10
> 11 　　next:
> 12 　　　　bp = b1; ip = i1;
> 13 　　　　b1 += b1; i1 += i1;
> 14
> 15 　　　　if( b1 > a )
> 16 　　　　{
> 17 　　　　　　a = a-bp;
> 18 　　　　　　z += ip;
> 19 　　　　　　goto start;
> 20 　　　　}
> 21
> 22 　　　　if( b1 < 0 ) return z; （b1 <0）がzを返す。
> 23
> 24 　　　　goto next;
> 25 　　}
> 26
> 27 　　int Mult(int a, int b)
> 28 　　{
> 29 　　　　int dmm, r=0;
> 30
> 31 　　　　while(1)
> 32 　　　　{
> 33 　　　　　　if( !a ) return r;
> 34 　　　　　　a=DivMod(a,2,&dmm);
> 35 　　　　　　if( dmm ) r += b;
> 36 　　　　　　b += b;
> 37 　　　　}
> 38 　　}
> 39
> 40 　　int printf();
> 41
> 42　　int a=5029, b=1, m=5039;
> 43 　　int k=0, x=1, t;
> 44
> 45 　　int main()
> 46 　　{
> 47 　　start: k=a;
> 48 　　loop: t=Mult(k,x); ループ：t = Mult（k、x）;
> 49 　　　　DivMod(t,m,&x);
> 50
> 51 　　　　if( --k ) goto loop; gotoループ。
> 52 　　　　if( --a > b ) goto start;
> 53
> 54 　　　　printf("%d",x);
> 55 　　}
>
> 行1-25は、4.5で説明した分割アルゴリズムを実装していますが、再帰呼び出しを削除することで最適化されています。
> 乗算（27?38行目）は、4.5に示す式の直接的な実装です。
>
>
> Page 21
>
> ?22?
>
>
> ? ry 7.3でSubleqの実装 ry 。
> Cループは、次のサブセクション7.3 での Subleq 実装と同様のプロセスフローを作るためにgoto文に置き換えられています。
>
> ? 7.3 サブコード
> 7.3 Subleq コード
>
> CからのコンパイルされたSubleqがメモリに収まらなかったため、Subleqコードのモジュラー二階乗計算は手動で書かれています。
> ? 以下のコードは83の命令を持っています。これは32ビットワードの1Kbにも適合します。
> 83 の命令を持つ、 32 ビットワードの 1KB に適合するコードを以下に。
>
> 1 　　0 0 Start スタート
> 2
> 3 　　. A:5029 B:1 MOD:5039
> 4 　　. Z:0 K:0 X:1
> 5
> 6 　　Start: 開始：
> 7 　　A Z; Z K; Z
> 8
> 9 　　Loop: ループ：
> 10 　　mu_a; K mu_a
> 11 　　mu_b; X mu_b
> 12
> 13
> 14 　　Mult: マルチ：
> 15 　　mu_r
> 16
> 17 　　mu_begin:
> 18 　　t2; mu_a t2 mu_return:N2
> 19
> 20 　　dm_a; mu_a dm_a
> 21 　　dm_b; C2 dm_b
> 22 　　dm_return; N3L dm_return
> 23 　　t2 t2 DivMod
> 24
> 25 　　N3:
> 26 　　dm_m t2 ?+3
> 27
> 28 　　mu_b mu_r
> 29
> 30 　　mu_a; dm_z mu_a
> 31 　　mu_b Z; Z mu_b; Z Z mu_begin
> 32
> 33 　　. mu_a:0 mu_b:0 mu_r:0
> 34
> 35 　　#Mult ? ＃教室 # 乗算
> 36
> 37
> 38 　　N2:
> 39 　　dm_a; mu_r Z; Z dm_a; Z
> 40 　　dm_b; MOD dm_b
> 41
> 42 　　dm_return; N1L dm_return
> 43 　　Z Z DivMod
> 44
> 45 　　N1:
> 46 　　X; dm_m X
> 47
> 48 　　C1 K ?+3
> 49 　　Z Z Loop ループ
> 50
> 51 　　C1 A
> 52 　　B A END
> 53 　　B Z; Z A; Z
> 54 　　K K Start スタート
> 55
> 56 　　END: 終了：
> 57 　　X (-1)
> 58 　　Z Z (-1)
> 59
> 60 　　DivMod:
> 61
> 62 　　dm_z
> 63 　　dm_m
> 64
> 65 　　dm_start:
> 66 　　t1; dm_b t1
> 67 　　dm_a t1 ?+6
> 68 　　dm_a dm_m; Z Z dm_return:0
> 69
> 70 　　dm_b1; dm_b Z; Z dm_b1; Z
> 71 　　dm_i1; C1 dm_i1
> 72
> 73　　dm_next:
> 74 　　dm_bp; dm_b1 dm_bp
> 75 　　dm_ip; dm_i1 dm_ip
> 76
> 77 　　dm_b1 Z; Z dm_b1; Z
> 78 　　dm_i1 Z; Z dm_i1; Z
> 79 　　t1; dm_b1 t1
> 80 　　dm_a t1 dm_next
> 81
> 82 　　dm_bp dm_a
> 83 　　dm_ip Z; Z dm_z; Z Z dm_start
> 84
> 85 　　. dm_a:0 dm_b:0 dm_z:0
> 86 　　. dm_m:0 dm_b1:0 dm_ip:0
> 87 　　. dm_i1:0 dm_bp:0 t1:0
> 88
> 89 　　#divMod
> 90
> 91 　　. N1L:-N1 N3L:-N3 t2:0
> 92 　　. C1:1 C2:2 0
>
> 3行目と4行目は、上記のCの例で変数を定義する方法と同様の変数を定義しています。
> Aは二重階乗が計算される数を定義する。 Bは開始番号です - 私たちの場合は1ですが、一般的には任意の数にすることができます。
> タスクが並列プロセッサ間で分散されると、範囲BからAはより小さな範囲に分割され、独立してプロセッサに提出される。
> 完了すると、結果は収集され、さらに処理されます。
> MODはアルゴリズムのモジュラスです。
> ZはSubleqゼロレジスタです。
> KはAから1までの中間値です。
> ? X ry 。
> そして Xは累積された結果です。
>
> 7行目がKを初期化する。
> 10行目と11行目は、14行目と35行目の間に書かれた乗算アルゴリズムの仮引数を準備します。
> 乗算アルゴリズムのこのコードは、前のサブセクションで記述された関数Multにほぼ1対1に相当します。
>
>
> Page 22
>
> ?23?
>
>
> ? ry 関数が関数であり、 ry 。
> 唯一の複合体は、ここで編成されたDivMod機能が関数であり、そのコードが23行目と43行目から再利用されているということです。
> ? ry 、関数の正式な引数と戻りアドレスを初期 ry 。
> これを可能にするには、関数の仮引数をリターンアドレスに初期化する必要があります。
> リターンアドレスは、間接ラベルN1LおよびN3Lを介してコピーされます。
>
> ? ry 、除算の結果 ry 。
> 39行と40行は、乗算の結果を受け取り、除算の引数を初期化します。
> 42行と43行はリターンアドレスを初期化し、DivModを呼び出します。
> 46行目は結果をXに抽出します。
>
> ? ry 小さいかどうかを ry 。
> 48行と49行はKを減分し、1より小さいかをチェックします。
> そうでなければ、反復全体が、Kを1だけ小さくして繰り返される。
> Kがゼロに達した場合は、進みます。
>
> 行51-54はAを減分し、AがBに達したかどうかをチェックする。
> ? はいの場合は、ENDとラベル付けします。
> もし yes ならば、ラベル END へ飛びます。
> ? そうでない場合は、7行目に戻り、もう一度プロセス全体を繰り返しますが、AをA、新しい値をAとします。
> もしそうでないならば、 7 行目へ飛びそしてプロセス全体を再び繰返しますが今度は、小さくなった A とそして当然 A の新しい値な K と共に始まります。
>
> ? 57行目は、結果を印刷することです。
> 57 行目は帰結として結果表示します。
> この命令は、Subleqをエミュレートするときに便利です。
> しかし、FPGAボード上での計算では、ボードに入出力処理の概念がないため、この命令は存在しません。
> 次のライン58は有効なSubleq停止コマンドである。
>
> 60?89行目は、上記のサブセクションのCで提示された関数DivModの対応するSubleqコードです。
>
> ? ry 、DivMod、一時的なt2、2つの定数1と2の呼び出しの戻りアドレスを定義します。
> 最後に、91行目と92行目は、DivMod 呼出しのリターンアドレスと、テンポラリ t2 と、2 つの定数 1 と 2 とを定義します。
> ? ry 4.5からの乗算式の除 ry 。
> 後者は、4.5 にある乗算式内の除算に必要です。
>
> 参考文献
>
> 1。
> ジョーンズ、ダグラスW.
> （1988年6月）。
> "究極のRISC"。
> ACM SIGARCH Computer Architecture News（ニューヨーク：ACM）16（3）：48？55。
> 2。
> Oleg Mazonka、 "ビットコピー：究極の計算の単純さ"、
> Complex Systems Journal 2011、Vol 19、N3、pp.263-285
> 3。
> http://esolangs.org/wiki/TOGA_computer
> 4。
> http://esolangs.org/wiki/ByteByteJump
> 5。
> ? http://esolangs.org/wiki/ Subleqの参照セクションの派生言語
> http://esolangs.org/wiki/Subleq# の参照セクション内の派生言語
> 6。
> ? ; Mavaddat、F。 Parhami、B.
> Mavaddat, F.; Parhami、B.
> （1988年10月）。
> "URISC：究極の縮小命令セットコンピュータ"。
> 国際J.電気工学教育（マンチェスター大学出版）25（4）： 327?334
> 7。
> http://esolangs.org/wiki/Subleq
> 8。
> http://da.vidr.cc/projects/subleq/
> 9。
> http://www.sccs.swarthmore.edu/users/06/adem/engin/e25/finale/
>
>
> Page 23
>
> ?24?
>
>
> 10。
> http://techtinkering.com/articles/?id=22
> 11。
> http://esolangs.org/wiki/Higher_Subleq

> 訂正 : Smalltalkの背後にある設計原則
>
>
>>図1：言語設計のスコープ
>>、その識別子の言及だけがオリジナルオブジェクト参照の為に必要です。
>>とある言語が上手く機能しているかを見出す方法は、彼らプログラムがしている事を彼らがやっているかの様であるか、彼らを見る事です。
>>メッセージ送信メタファは、メッセージの意図（その名前で具現化されている）を、その意図の実行の為に受信者によって使用されるそのメソッドから、切離すことによってモジュール性を提供する。
>>、心の中の別オブジェクト、純精神的な椅子又は椅子性として顕在化します。

> 訂正 ( 後半 )
>>操作するオブジェクトにコードが依存している場合、
>>第2に、ユーザーは特定のニーズを満たすコンポーネントをより簡単に位置指定する事ができます。
>>因枢分解での失敗がモジュール性の破れに達する様をあなたは目にします。
>>反応原理：ユーザーがアクセス可能なすべてのコンポーネントはそれ自身を観察と操作との為の有意義な方法で提示できるべきです。
>>独立オブジェクト群たるサブシステムが自然に組み込まれている Smalltalk: そこでは既存の大規模な記述の宇宙をキャンバスにできます。そしてそれらは、ユーザインタフェース内のコンポーネントとして参画できるユーザ、とのインタラクションを取込んでいます。

> 見出し
>>スコープ : コンピュータを使用するための言語のデザインは、内部モデル、外部メディア、およびこれらの間での、人間とコンピュータとの両方におけるインタラクション、を取回さねばなりません。
>>? 良いデザイン： ry 一般的なもの ry は統一された枠組みの中に保持 ry 。
>>メッセージ：コンピューティングは、メッセージを送信することによって統一的呼出しができるオブジェクト固有機能と見なす必要があります。
>>因数分解 ( 因枢分解韻枢分解 ) : システム内の各独立コンポーネントは 1 箇所にしか現出しません。
>
>
> 見出し直前 ( : )
>>ウォームアップだけを得る為には、私は技術的よりも社会的であり、そしてそれがSmalltalkプロジェクトの特定の偏りにとって大きな役割を果たす、という原則から始めます：
>>、設計の一般原則を推測することができます :
>>言語はその情報の鍵です :
>>、オブジェクトのメタファを完全にサポートするために不可欠です :
>>これはデザインの3番目の原則を示唆しています :
>>グッドデザインその原則は、言語に付いても言えます :
>>、シミュレーションにそれらを含めるための変更は不要です :
>>継承は、ファクタリングのさらに実用的な利点を示しています :
>>バーチャルマシン仕様と呼ばれます :
>>ユーザーインターフェイスの十分な柔軟性を実現するための有効条件は、オブジェクト指向な原則と言えます :

> 訂正重要度低
>>? 良いデザイン： ry 一般的なもの ry は統一された枠組みの中に保持 ry 。
>>、経験は文字通りな「あのもの」と抽象的な「その椅子のようなもの」との双方を得られます。
>>継承を通じたよく因枢分解された設計をSmalltalk は奨励します。
>>Smalltalk バーチャルマシンは、ストーリッジ用のオブジェクト指向モデル、
>>? ユーザーインターフェイスは、 ry 。
>>Smalltalk はそれ自体では「オペレーションシステム」を持ちません
>>ディスクからページを読み取るなどの必要なプリミティブオペレーションは話が別であり

YAMAGUTIseisei

unread,

Jul 7, 2019, 7:00:37 AM7/7/19

> PR : シンギュラリティ系有料メールマガジン発行を構想致しております
> 無料メールマガジン版 ( 別途有料版開始時打切 )
> http://mailux.com/mm_dsp.php?mm_id=MM53D8AF3589BC7
>
>
>

> Google 翻訳 http://webcache.googleusercontent.com/search?q=cache:arxiv.org/pdf/1809.07356
>
>
> ページ1
> arXiv：1809.07356v1 [eess.SP] 2018年9月19日
> 一般的な色付きジャーナル、VOL。 XX、NO。 XX、XXXX 2017
> 1
>
>
> SSVEPマグニチュード変動の予測モデル : ブレインコンピュータインタフェースにおける連続制御への応用
>
>
> Phairot Autthasan、Xiangqian Du、Binggwong Leung、Nannapas Banluesombatkul、Fryderyk K l、Thanakrit Tachatiemchan、Poramate Manoonpong、Tohru YagiとTheerawit Wilaiprasitporn、メンバー、IEEE
>
>
> 抽象
> ? ry 、脳反応から一般的に認識されている視覚刺激頻度である。
> 定常状態視覚誘発電位ベースの脳 - コンピュータインターフェース（ＳＳＶＥＰＢＣＩ）は、脳反応からの周期的な視覚刺激認識の典型である。
> 各周波数は、機械を制御するための1つのコマンドを表します。
> 例えば、異なる周波数を有する複数の標的刺激を使用してロボットの移動速度を制御することができる。
> ? 各目標刺激 ry 。
> 各標的刺激周波数は速度レベルに対応する。
> ? ry 有する選択選択パラダイム ry 速度を離散的に制御することができる。
> このような従来のＳＳＶＥＰＢＣＩは離散的な情報を有する取捨選択パラダイムであり、これによりユーザは移動可能な物体の速度の離散的制御ができる。
> これにより、オブジェクトの動きが滑らかでなくなる可能性があります。
> この問題を克服するために、本研究では、連続制御のための連続情報を持つSSVEP ‐ BCIの概念設計を提案し、ユーザが物体の移動速度を滑らかに制御できるようにした。
> SSVEPマグニチュード変動の予測モデルは、提案された設計において重要な役割を果たします。
> したがって、この研究は主にBCIのためのSSVEPマグニチュード予測の使用に関する実現可能性研究に焦点を当てています。
> ? したがって、固定周波数の時間を使用して、さまざま ry 収集するための基本 ry 。
> 故に、固定周波数の回数を使用し様々な刺激強度からSSVEP応答を収集する為に基本的な実験が行われます。
> ランダムフォレスト回帰（RF）は、これらの予測タスクにおいて単純回帰およびニューラルネットワークより優れています。
> ? ry シミュレータに流すことに ry 。
> 最後に、提案されたＳＳＶＥＰＢＣＩの利点は、１０人の健康な被験者からの実際のＳＳＶＥＰ応答を脳制御ロボットシミュレータにストリーミングする事によって実証される。
> ? ry 結果は、周波数認識 ry 。
> この研究からの結果は、周期的認識とマグニチュード予測の両方を含む提案されたSSVEP-BCIが将来の連続制御応用のための有望なアプローチであることを示している。
>
>
> この作品は、タイ研究基金とGrant MRG 6180028（ジュニア科学才能プロジェクト、NSTDA、タイ）の下の高等教育委員会の事務所によって支援されました。
>
> ? ry は、タイのラヨーンにあるVidyasirimedhi科学技術研究所のバイオインスパイアドロボット工学および神経工学研究室に所属しています。
> T.Wilaiprasitporn、P.Autthasan、N.Banluesombatkul、およびB.Leungは、バイオインスパイアドロボット工学および神経工学研究室、情報科学・情報テクノロジ校、タイのラヨーンにある Vidyasirimedhi 科学技術研究所、に所属しています。 theerawit.w vistec ac th
>
> Fryderyk K lはミュンヘン工科大学のミュンヘン工科大学、ドイツのミュンヘンにあります。
>
> ? ry 神経工学研究室、ならびにE AIおよび ry 。
>P.Manoonpongは、タイのラヨーンにあるVidyasirimedhi科学技術研究所のバイオインスパイアードロボット工学および神経工学研究室、並びに義体的 AI 及び神経ロボット学研究室、BioRoboticsのためのセンター、Msk Mc-Kinney Mller研究所、デンマークの Odense M、DK-5230 にある南デンマーク大学に所属しています。
>
> ? ry は、東京工業大 ry のYagi Labと一緒にいます。
> X. DuとT. Yagiは、日本・東京の東京工業大学機械工学科の Yagi 研究室に所属しています。
>
> Thanakrit Tachatiemchanはタイ・バンコクのチュラロンコン大学数学・コンピュータ科学科に所属しています
>
> 索引用語
> SSVEP-BCI、連続BCI、SSVEPマグニチュード予測、SSVEP刺激強度、脳制御シミュレータ
>
> I. 前書き
>
> 電子部品と計算資源のコストの劇的な減少は、21世紀の研究者にとってブレイン - コンピュータインターフェース（BCI）をより魅力的なものにしました。
> ? ry と通信することが ry 。
> BCIによって、人々は脳の反応や信号を介して機械とコミュニケートする事ができます。
> その結果、BCI関連技術の開発は、運動機能の実行が困難な人々に利益をもたらす可能性があります[1]。
> 筋萎縮性側索硬化症（ALS）はそのような疾患の例です。
> ? ry 運動画像（MI）。
> BCIの研究は主に3種類の脳反応に焦点を当てています：事象関連電位（ERP）、定常状態視覚誘発電位（SSVEP）、および運動イメージ（MI）。
> ＥＲＰおよびＳＳＶＥＰは通常、人間の感覚系の視覚的、聴覚的または触覚的刺激によって生成される。
> ? ry には、実際には運動を実行することなく、 ry 。
> 一方、ＭＩ信号を生成するためには、何らかの運動を実際には実行することなく、運動機能（手または足の運動など）を実行することを想像しなければならない。
> ? ry 脳波記録法（EEG） ry 。
> 脳反応を測定するための最も広く普及している方法は脳波計 ( EEG ) であり、それは主にそれが非侵襲的で他のものと比較して幾分安いからである。
> 脳の反応を得るために、EEGは頭皮全体の電位の変化を測定します。
> 電位の変化は、脳内で発火する何十億ものニューロンから発生します。
>
> 前述の3つの応答（ERP、SSVEP、およびMI）のうち、SSVEPは入手が容易なので最も実用的です。
> ? ry 使用できるのは何人（そしてどのような種類の）人ですか？ [2]。
> 最近、ある研究グループが次の質問に答えるために一連の実験を行いました。SSVEPベースのBCIを使用できる人数の多さは（そしてどのような種類の人々 ) ? [2]。
> ? 調査の実験結果によると、ほとんどの参加者は、以前にBCIを経験したことがなくても、SSVEPベースのBCIを許容できる精度 ry ことを示 ry 。
> BCI をそれまでに未経験てあれど、 SSVEP ベースの BCI を殆どの参加者が許容可能精度で使用できる事を研究の実験結果は示しています。
> ? 参加者は、刺激がちらつくことに煩 ry 。
> 刺激が何らかの方法でちらつく事に、参加者は煩わされませんでした。
> さらに、実験はノイズの多い環境で行われ、SSVEPベースのBCIの実用性が確認されました。
> ? この研究は、挑戦 ry マシン相互作用に向けたSSVEPベースのBCIの視覚刺激の活用に焦点 ry 。
> この研究は、 SSVEP ベース BCI にとっての視覚刺激を、挑戦的な問題であり続ける連続的で滑らかなブレインマシンインタラクションに向け利活用する事に焦点を当てています。
> ? ry のBCI調査における ry 。
> ただし、この調査の詳細を説明する前に、SSVEPベースの BCI 研究におけるマイルストーンのいくつかを検討することが重要です。
>
>
> 2ページ
> 2
>
>
>
> 図1
> ? ry BCIの概念設計（ ry 対する強度予測 ry 。
> 従来のSSVEP-BCI のコンセプト設計（a）と、同じ制御アプリケーションに対するマグニチュード予測付きの提案されたSSVEP-BCI（b）。
>
>
> 2007年に、標準相関分析（CCA）と呼ばれる最先端のSSVEP認識技術がSSVEPベースのBCIで使用するために開発されました[3]。
> ? ry 、プロテーゼ ry 。
> その後、2008年に、電子プロテーゼを制御するためのSSVEPベースのBCIの適用が先駆的なBCI研究グループによって提案されました[4]。
> ? ry な選択選択 ry 。
> このシステムは、義肢の動きまたはジェスチャを生成するための典型的な取捨選択ＳＳＶＥＰベースのＢＣＩを含んでいた。
> ? ry 人々を含むSSVEP ry 。
> 別の先駆的なグループは、視線移動を実行することができない障害を持つ人々等を対象とした SSVEPベースのBCIのパフォーマンスに関する詳細な研究を行いました。
> ? このグループは、そのよう ry 使用するのを助ける ry 。
> そのような人々が視線を変えることなくシステムを使用するのを、このグループは、助けることができる刺激パターンを提案しました[5]。
> ? ry 当て、スティミュラスロックトレース間相関（SLIC）[6]という新しいアルゴリズム ry 。
> 2010年には、別の研究グループがSSVEPベースのBCIのユーザーフレンドリーな設計に焦点を当て、そして、 SLIC ( stimulus-locked inter-trace correlation , 刺激に固定したトレースの間の相関 ) [6] と名付けられた新アルゴリズムを提案しました。
> SLICの背後にある主な概念は、ERPとSSVEPの検出を組み合わせることです。
>
> 2012年には、BCIのパフォーマンスを向上させるためのハイブリッドBCIシステムが提案されました。
> ハイブリッドBCIはさまざまな種類の脳の反応を利用します。
> ハイブリッドERP / SSVEPベースのBCIが、連続的な同時2次元カーソル制御のために導入されました[7]。
> ? ry、このシステムは離散情報を有する伝統的な選択の選択としてＳＳＶＥＰを使用した。
> しかしながら、離散情報取捨選択な伝統的な SSVEP をこのシステムは使用した。
> 後に、ERPとSSVEPの反応を組み合わせたハイブリッドスペラーが、情報転送速度（ITR）を増加させる目的で開発されました[8]、[9]。
> ? ry が、関節周波数 ry 。
> 最近、1つの研究グループが、統合周波数および位相変調SSVEP刺激を用いた高速SSVEPベースのBCIを報告しました。
> 彼らのオフライン研究は、BCIの使用経験のある参加者が250ビット/分以上のITRに達したことを示した[10]。
> ? ry 当てていましたが、 ry 研究[11]、[12]などのスムーズ ry アプリケーションの ry 。
> これまでのところ、ほとんどのSSVEPベースのBCIは、装置を起動/制御するために個別の情報を使用することに焦点を当てており、ロボット補綴物動作制御に関するこれまでの研究の様なスムーズに制御されるアプリケーション [11]、[12] 用の連続情報ではありません。
>
> 既存のＳＳＶＥＰＢＣＩは、主にＥＥＧ反応からの周波数認識に頼っている。
> ユーザーがアプリケーションの移動速度を連続的に増減させる（すなわちロボットの動きを速くする）ことを可能にするブレインマシン制御システムのための新しいSSVEP-BCIパラダイムを開発するために、この研究はマグニチュード変動が目標を達成するのを助けると仮定します。
> ? ry されて、実現可能性研究はSSVEP刺激強度を使用してSSVEPマ ry ードを操作する実用性について実行 ry 。
> 人間の注意レベルとSSVEPゲインに関する神経科学的研究[13]に触発されて、 SSVEP マグニチュードを SSVEP 刺激強度を使用して操作する実用性の上に実現可能性研究が実行されます。
> この実験では、研究者らは刺激周波数を一定に保ちながらSSVEP刺激強度を変えた。
> さらに、ここではシングルチャンネルEEGのみが使用されています。
> 実験的に記録されたEEGを使用して、研究者らはSSVEPマグニチュード変動に関する3つの予測モデルの比較研究を行った。
> 多項式回帰（Poly）、ランダムフォレスト回帰（RF）、およびニューラルネットワーク（NN）が潜在的なモデルとして提案されています。
> ? ry 二乗平均誤差 ry 、1件除外相互検証 ry 。
> 予測の平均二乗誤差（MSE）を評価するために、一個抜き交差検証が実行されます。
> 結果は、RFアプローチを使用したSSVEPマグニチュード変動の予測モデルが、低MSEでの計算時間予測の点でPolyとNNの両方を上回ることを示しています。
> 最後に、この研究の利点は、実験からの記録されたEEG応答を脳制御ロボットシミュレータにストリーミングバックすることによって実証されます。
> シナリオは、既存のSSVEP-BCIシステムに対する提案されたSSVEP-BCIパラダイムの利点を実証するために設定されます。
> ? ry 刺激頻度と強度を変化させることで一緒 ry 研究の結果は円滑に制御された応用のための ry 。
>SSVEP刺激の頻度変化と強度変化とを一緒に考慮したこの研究の成果は、滑らかに制御されたアプリケーションの為のオンラインSSVEP ‐ BCIのさらなる開発のために有望である。

> このホワイトペーパーの残りの部分は、強度予測を伴うSSVEP-BCIの概念設計に関するセクション（セクションII）で構成されています。
> セクションIIIはデータ取得と2つの実験的研究を提示します。
> ? ry V and ry .
> 最後に、結果、考察、そして結論はそれぞれセクションIV、V、VI に含まれています。
>
> II。マグニチュード予測付きSSVEP-BCI
>
> ? ry 使用して移動可能なスピードマシンやロボット ry 。
> 従来のSSVEP-BCIパラダイムを使用して可変速機械やロボットを制御するには、図1（a）に示すように視覚刺激を設計する必要があります。
> 黒い画面上に7つのターゲット刺激があり、それらは異なる周波数で点滅しています。
> 数値が大きいほど速度が速くなり、手のアイコンが付いた刺激はオブジェクトの移動を止めるために使用されます。
> 要約すると、従来のＳＳＶＥＰＢＣＩパラダイムのユーザは、画面上の目標速度番号（目標刺激）に注意を向けることによって可動速度機械を絶えず制御することができる。
>
> ? ry SSVEPの大きさの変動 ry 。
> しかし、この論文の利点（SSVEP マグニチュード変動に対する予測モデル）を活用するための新しい設計を使用することで、視覚刺激の複雑さを図1（b）に示すように減らすことができます。
> ? ry 、パラダイムは、機械の可動速度を同時に制御するための信号として、ＳＳＶＥＰ周波数認識と ry 両方を使用 ry 。
> このようにして、パラダイムは、 SSVEP 周波数認識と予測マグニチュード変動との両方を同時に、機械の可動速度を制御する為の信号として使用するであろう。
> 黒い画面上の3つの刺激は、異なる周波数でちらつき、概念設計のために使用されます。
> ? ユーザが目標の刺激に参加し、それでも凝視 ry している場合、それは、目標の刺激 ry よってユーザがＳＳＶＥＰの大きさを操作するのを助 ry 。
> 一旦ユーザがターゲット刺激に参加し尚、凝視を維持している事、それは、 SSVEP マグニチュードをターゲット刺激強度（固定周波数）を変えることによって操作するユーザを、助けることができる。
> ? ry ます。
> マグニチュード変動の結果が示すように、BCIシステムは制御対象の速度をスムーズに増減させることができ、以下の利点があります :
> 1）
> この設計により、ユーザーは視線移動によるわずかな遅れで機械を円滑に制御することができます。
> 2）
> ? 少数の刺激周波数のために、 ry 刺激に焦点を合わせるとき ry 。
> 小さな刺激周波数により、それらの無人のものは、標的刺激にフォーカスする時にユーザをいらいらさせたり妨害したりする可能性が低い。
> したがって、ＣＣＡ手法の周波数認識率が低下する可能性は低い。
>
>
> 3ページ
> 著者ら：IEEEトランザクションおよびジャーナルのための論文の作成（2017年2月）
> 3
>
>
> 3）
> より低い視覚刺激の複雑さは、使用者の眼の疲労を軽減することができる。
>
> 1つの重要な問題は概念設計がシステムを扱うためにSSVEPマグニチュード変動のための予測モデルを使わなければならないということです。
> ? このように、この ry 予測でSSVEP-BCIに ry 。
> 従って、この論文はマグニチュード予測付 SSVEP-BCI に向けた最初のステップをカバーしています。
> まず、本研究はSSVEPマグニチュード変動の予測モデルの調査に焦点を当てています。
> ? ry を容易にするために、 ry 。
> これを促進する為に、さまざまな強度のSSVEP応答を含むデータセットを収集するように実験を設定します。
> 第二に、この研究は実験から記録されたSSVEP応答を使用してロボットシミュレーションを制御することが可能であることを示しています。
>
> III。材料および方法
>
> ? ry では、大きさが変化するSSVEP応答 ry プロトコルを紹介します。
> このセクションでは、マグニチュード変動な SSVEP 応答（データセット）を取得するための実験プロトコルが示されます。
> SSVEPマグニチュード変動の予測モデルを構築するという目的を達成するために、それぞれ多項式回帰（Poly）、ランダムフォレスト回帰（RF）、およびニューラルネットワーク（NN）からなる、最先端の機械学習およびニューラルネットワークアプローチが検討されました。
> ? 脳に制御されたロボ ry 。
> ブレインコントロールなロボットシミュレータへの最も適切なアプローチはその後組み込まれました。
> ? 最後に、SSVEP-BCIの実現可能性と利点をマグニチュード変動でテストするために、シミュ ry 。
> 最後に、マグニチュード変動な SSVEP-BCI の、実現可能性と利点とをテストする為にシミュレータの内部で実験が行われました。
>
> A. データ取得この実験の参加者は、２０歳から２５歳までの１０人の健康な人々であった（ｎ＝１０）。
> 実験は1975年のヘルシンキ宣言（2000年に改訂）に従い、日本の東京工業大学の内部審査委員会によって承認された。
>
> 1） EEG記録：
> ? ry アンプを250 Hzのサンプリングレート、すなわちOpenBCIで使用しました[14]。
> この研究では、オープンソースで低コストのEEGアンプ即ち OpenBCI[14]を 250 Hz のサンプリングレートで使用しました。
> 実用的な目的のために、全ての実験中にデータを記録するために単一チャンネルＥＥＧ（０）を使用した。
>
> 2）刺激プロトコル：
>
>
> 0 ブラック
> 5秒「条件1」
> 10秒
> :
> 60秒ブラック
> 65秒「条件3」
> 70秒
> :
> 時間[秒]
> （合計3.87分）
>
>
> 図2
> ４つの刺激条件が被験者に無作為に提示され、それぞれ５０秒間持続した。
> ? ry 面と条件付きの手がかりは、すべて条件の開始前に ry 。
> 黒い画面、と、条件付き合図、と、の両方は、全条件の開始時にそれぞれ4秒間表示されました。
>
>
> 現実世界の応用の継続的な開発における研究結果の実用性を確実にするために、実験は通常の環境（電磁シールドのない部屋）で行われた。
> 被験者は、17インチモニターの前に座って、画面から30 cm離れた顎当てに頭を置き、画面の中央に常に注意を払うように依頼されました。
> 図2にSSVEPスティミュラスプロトコルを示します。
> ４つの刺激条件が被験者にランダムな順序で提示された。
> 各条件は５０秒間続いた。
> ? 黒い画面と条件付きの合図が、それぞれの状態が始まる前に、それぞれ ry 。
> 黒い画面、と、条件付き合図、と、の両方が、全条件の開始時に、それぞれ4秒間表示されました。
> 条件は以下の通りであった。
> 1）
> ? ry 白黒 ry 。
> 7.5 Hzで点滅する270ピクセル×270ピクセルの白/黒の四角形が画面中央に表示されます。
> 最大光度では常にちらつきます。
> 光の強度は、レベル0（最小強度）からレベル255（最大強度）までさまざまです。
> ? ry 他の状態に対する基準として役立つ（条件１）。
> この状態は従来のＳＳＶＥＰ刺激であり、他の条件に対する基準として貢献する ( 条件 1 ) 。
> 2）
> 同じ正方形が105の強度レベルで点滅し始めます。
> ? その後、50秒間、光の強さを1秒 ry 。
> 光の強さを、その後 50 秒間、 1 秒間に3レベルずつ上げます。
> ? この状態は、被験 ry させるのに役立つと考 ry す（cond.2）。
> この条件は、被験者がSSVEPの大きさを増加させるのを助けると考えられています ( 条件 2 ) 。
> 3）
> ? ry 強度（225）で ry 。
> 同じ正方形が最大強度 ( 255 ) で点滅し始めます。 ?
> ? その後、50秒間、光の強さが1秒 ry 。
> 光の強さが、その後 50 秒間、1秒間に3段階減少します。
> ? この状態は、被験 ry させるのに役立ちます（cond.3）。
> この条件は、被験者がSSVEPの大きさを減少させるのを助けると考えられています ( 条件 3 ) 。
> 4）
> 正方形は強度レベル180で点滅し始めます。
> 50のうちの最初の20秒間では、強度は最大に達するまで1秒間に3レベルずつ増加します。
> ? ry は、状態が終了するまで、 ry 。
> 次の30秒間は、条件の終了まで、光の強度は1秒間に3レベル減少します（条件4）。
>
> 研究の残りのためにデータセットを準備するために、５０Ｈｚのノッチフィルタ（電気的ノイズを除去するため）および７．３７．７Ｈｚのバンドパスフィルタ（バターワース、次数２）をＥＥＧデータに適用した。
> ? ry 従って分割された。
> ＳＳＶＥＰ応答は、フィルタリングされた信号から得られ、次いで実験条件に従って区画化された。
> 最終的に、10人の被験者からの50秒の長いSSVEP応答が各状態について得られた。
>
> B. 実験I： SSVEPマグニチュード変動の予測モデル
>
>
>
> 図3：マシンの速度を制御するために提案されたSSVEPベースのBCIのアーキテクチャ。
>
>
> 1）データ準備：
> ? ry 、訓練セット（９人の対象×４条件×５０秒の長さのデータ）については９人の対象から、そして試験セットについては残りの１人（１件×４条件×５０秒長データ）から無作為にＥＥＧ信号を選択した。
> それぞれが４つの条件を有する１０人の対象の前述のＳＳＶＥＰ応答から、テストセットに付いては１人（１件×４条件×５０秒長データ）からそして訓練セット（９件×４条件×５０秒の長さのデータ）に付いては残りの９人の対象から無作為にＥＥＧ信号を選択した。
> 図３に示すように、各被験者からのＥＥＧ信号を２組のデータについて計算した。
> 第１の組は入力信号（ａ）からなっていた。
> ? ry 信号は、最初に、３秒 ry ウィンドウおよび２秒のオーバーラップを有する一連のサブサンプルまたはブロックに変換された。
> 各被験者からのＥＥＧ信号は、 2 秒のオーバーラップを有する 3 秒（３秒×２５０Ｈｚ＝７５０データポイント）のスライディングウィンドウの、サブサンプルかブロックかのシーケンスに最初に変換された。
>
>
> 4ページ
> 4
>
>
>
> ? ry ７５０のデータ点または特徴。
> ステップ１が完了した後、以下の構造について４８ブロックのデータが得られた：４条件×４８ブロック×７５０の、フィーチャ又はデータポイント。
> ? ry 2では、各被験者の入力 ry ために各データポイントを2乗 ry 。
> 次に、ステップ2 では被験者の各データポイントを、入力信号を得る為に 2 乗しました。
> 第２組のデータは標的信号（ｂ）からなっていた。
> ３から始めて、各ブロックの平均値を入力信号から計算した。
> 従って、各条件について４８個の値が得られた。
> その後、ステップ４において、各条件について多項式関数（二次関数（poly2）または三次関数（poly3）のいずれか）を用いて曲線当てはめを行った。
> 最後に、標的シグナルは４条件×４８標的値（それぞれ４８点を有する４つの曲線）であった。
> データ準備が完了した後、各被験者の入力信号およびターゲット信号は、以下の手法を使用してＳＳＶＥＰ振幅予測に使用された。
>
> 2）ニューラルネットワークアプローチ（ＮＮ）：
> リカレントニューラルネットワーク（ＲＮＮ）は、従来のフィードフォワードニューラルネットワークから拡張され、その反復的な隠れ状態のために、ＥＥＧなどの時系列データから本質的な特徴を抽出する能力を有する。
> 各タイムステップでの活性化は、前のステップのデータを使用して計算されます。
> ? ry Units（GRU）の層から始まります。 RNNs [15]の繰り返しユニットタイプの1つ。
> この研究で提案されているNNモデルは、Gated Recurrent Units [15] ( GRU ; RNNs の反復ユニットタイプの1つ ) の層から始まります。
> ? その更新ゲートは、モデルが従来のRNNよりも長いシリーズのための入力トリームにおける特定 ry 存在を思い出させる。
> それの更新ゲートは、入力ストリームにおける、従来型 RNN のよりも長いシリーズの為の、特定の特徴の存在を想起するモデル、を作る。
> その後、時系列データの予測に適しているため、完全接続（FC）レイヤを使用しました。
>
> 図３に示すように、ＮＮモデルをデータで訓練するために、入力信号をサンプル数×時間ステップ×特徴に再形成した（ａ）。
> 研究者らは、各条件の各ブロックを1つのサンプルと見なすことにしました。
> また、各サンプルの750個のデータポイントは実際には3秒の時系列データを表しているため、タイムステップ数は750になりました。
> さらに、特徴として各データポイントの値のみを使用する代わりに、各条件で0から47までの範囲のブロックIDも使用されました。
> ? ry 、デー ry 値とブロックIDを含む2つの機能があります。
> たとえば、各タイムステップには、それのデータポイント値とブロック ID とを含む2つの特徴があります。
> したがって、各被験者について、１９２サンプル×７５０時間ステップ×２特徴が得られた。
> 標的信号（ｂ）については、各条件における各ブロックも１つのサンプルと見なした。
> したがって、これらを各被験者について１９２サンプル×１目標値に再成形した。
>
> ? ry 。これはモデルが最良のパラメータ構成を与えるまで調整されました。
> この研究におけるNNモデルはKeras [16]を使って実装されました。これはモデルが下記の様な最良のパラメータ構成を与えるまで調整されました :
>
> ? 256単位のGRUの層。
> 256 ユニットの GRU のレイヤ。
> GRUレイヤでは確率0.3のドロップアウトが使用されました。
> ? One-hidden node with linear activation was applied for regression (FC).
> #1 hidden ry ?
> ? ry を伴う一隠れノードを回帰 ry 。
> 線形活性化を伴う隠れノード 1 つを回帰（FC）に適用した。
> オプティマイザはAdamで、学習率は0.001です。
> バッチサイズは864サンプル（トレーニングセットの半分）に設定されました。
> 平均二乗誤差（ＭＳＥ）を損失関数として使用した。
>
> 最後に、最善の重み（テスト用のトレーニングモデルからの損失が最も少ないもの）を使用して、モデルを2,000エポックでトレーニングしました。
>
> 3）ランダムフォレスト回帰アプローチ（RF）：
> ランダムフォレストは強力な教師付き学習アルゴリズムです。
> 分類と回帰の両方のタスクに使用できます。
> このモデルの重要な利点の1つは、すべての特徴をサブセットに分割し、それらのそれぞれを使用して複数の決定木を構築することによって、過剰適合を防ごうとすることです。
>
>
> 5ページ
> 5
>
>
> その後、多数決投票またはこれらの決定木からの結果の平均を使用して予測が実行されます。
>
> 図3に示すようにデータをRFモデルに挿入するために、前のアプローチと同様に、入力信号の各ブロックを1つのサンプル（a）に再整形しました。
> ? したがって、各被験者から、サンプルあたり ry 有する１９２個のサンプル（４条件×４８ブロック）が得 ry 。
> 従って、 192 個のサンプル ( 4 条件× 48 ブロック、サンプル当り７５０個の特徴を有する ) が各被験者から得られた。
> その後、最後の機能として、ブロックIDが各条件に対して0から47の範囲で追加されました。
> その結果、入力の最終形状は192サンプル×751フィーチャになりました。
> 標的シグナル（ｂ）について、それは１９２サンプルを有する１Ｄテンソルに再成形された。
>
> この研究のRFモデルはScikit-learnを使って実装された[17]。
> ツリーの最大深度を除いて、すべてのパラメータがデフォルト値に設定されています。
> ? 各折り目は、それが最良 ry 与えるので、１から５０の範囲内にあるように ry 。
> 各 Fold は、最良の訓練喪失結果を与える範囲としての、 1 から 50 までに収まるように選択された。
> 最後に、その数がテストに使用されました。
>
> 4）多項式回帰アプローチ（Poly）：
> Polyは、この研究のベースラインとして使用される単純な予測モデルです。
> SSVEPデータをPolyモデルに入力するために、RFモデルによる実験と同じ方法でデータを作成しました。
> ここでは、PolyモデルはScikit-learn [17]を使って実装されました。
> ? ry おいて2度と3度の多項 ry 除いて、すべて ry 。
> 評価に於て、 2 次と 3 次の多項式関数を除いて全てのパラメータはデフォルト値に設定されました。
>
> 5）評価：
>
>
>
> アプローチ
> ? ry 誤差t SE
> 平均二乗誤差 ± SE
> 条件1
> 条件2
> 条件3
> cond4。
> 計算時間予測t SE
> すべての条件
>
> Poly poly2 ポリポリ2
> 4.8380 t 3.0190
> 0.6324 t 0.5840
> 0.1287 t 0.0782
> 0.5583 t 0.3666
> 2.1806 t 0.0561
>
> Poly poly3 ポリポリ3
> 5.1487 t 3.5327
> 0.6228 t 0.5831
> 0.0818 t 0.0582
> 0.3794 t 0.2494
> 2.4829 t 0.0909
>
> RF poly.2 RFポリ2
> 0.1580 t 0.1086
> 0.0277 t 0.0228
> 0.0090 t 0.0049
> 0.0509 t 0.0343
> 0.0026 t 0.0001
>
> RF poly.3 RFポリ2
> 0.1569 t 0.1088
> 0.0303 t 0.0258
> 0.0083 t 0.0046
> 0.0530 t 0.0371
> 0.0026 t 0.0002
>
> NN (GRUs) poly2 NN（GRU）ポリ2
> 0.0926 t 0.0566
> 0.0207 t 0.0147
> 0.0094 t 0.0039
> 0.0397 t 0.0229
> 5.1167 t 0.2642
>
> NN (GRUs) poly3 NN（GRU）ポリ3
> 0.0750 t 0.0440
> 0.0181 t 0.0136
> 0.0080 t 0.0037
> 0.0270 t 0.0160
> 4.8472 t 0.0626
>
>
> 表１：
> ６つのアプローチ間の平均二乗誤差と計算時間予測との比較。
> 太字の数字は他のものよりもかなり大きい、p <0.01。
>
>
> ? 一人一人離脱交差検証 ry 。
> 一個抜き交差検証を使用して、すべてのモデルを訓練および評価した。
> ? したがって、10倍、 ry 。
> 従って、10 Fold 、それぞれ訓練用の9人の被験者（1,728サンプル）および試験用の1人の被験者（192サンプル）からなる。
> ターゲット信号には2つのタイプがあるため、この調査では次の予測モデルを使用しました。比較のため、Poly poly 2、Poly poly 3、RF poly 2、RF poly 3、NN（GRU）poly 2、NN（GRU）poly 3。
> したがって、2つの値を使用して各アプローチのパフォーマンスを測定しました。
> 1つ目はMSEを使用して計算された各モデルの精度、2つ目は予測のための計算時間です。
> ? ry 、一元配置反復測定分散分析 ry 。
> これら３つのアプローチを比較するために、球形度の仮定（実験結果の統計分析）に基づいて、一元配置分散分析（ＡＮＯＶＡ）を用いた。
> データが球形度の仮定に違反したときに補正を適用した。
> ? 事後分析のためにボンフェローニ補正および対比較を行った。
> 一対比較とボンフェローニの補正とを事後解析の為に行った。
>
> C. 実験II：脳制御ロボットシミュレータ
>
>
>
> 図4
> ? ry 脳制御ロボ ry 。
> オンラインのような脳制御なロボットの実験プロトコルの図。
> ? ry 提案されたケース ry 。
> 実験プロトコルは、従来のSSVEP-BCIを超える提案ケースの利点を実証するように設計されています。
> ? ry 始まり、その後に一定 ry 期間が続きます。
> プロトコルは期間速度の増加から始まり、一定の最大速度、速度の減少、そして一定の最小速度の期間、と続きます。
> 最後の期間は動きを止めました。
>
>
> ? この部分では、 ry 。
> このパートでは、研究者らは、脳制御ロボット刺激装置を介して、提案されたSSVEP-BCIが従来の場合よりも優れていることを実証することを目指しています。
> ? ry 時間の両方 ry 、ＳＳＶＥＰ振幅変動 ry 。
> 実験Ｉの結果のように、ＲＦｐｏｌｙ２モデルは、小さい誤差と制御アプリケーションのための短い計算時間との両方の観点から、 SSVEP マグニチュード変動のための最も適切な予測モデルであることが分かった。
> したがって、RF poly 2アプローチのみがV-Repシミュレータに組み込まれました[18]。
> 提案されたSSVEP-BCIの概念を従来のものと比較して評価するためにV-Rep内のVortex物理エンジンモードが構築された。
> ? ここでは、80 ry cm 3の立方体と60 kgのロボットを備えた改良型Pioneer P3DXロボットを使用 ry 。
> ここではロボット、 60 kg で 80×80 cmのプレートと10 cm^3 の立方体とをその Pioneer P3DX ロボットの上に備えた改造型、を使用しました。
> ? オンラインの ry 速度プロファイル（VP）を作成しまし ry 。
> オンライン風の研究用にロボットシミュレータを設定するために、実験プロトコルに従って速力プロファイル（VP）が作成されました（図4）。
> 実験1から収集したデータセットを使用して、cond.2とcond.3からの予測信号をオンラインのようなSSVEP応答（脳の信号）に関連付けました。
> ? ry として使用されました。
> これらの脳の信号はスピードコントローラの入力としてその後使用されました。
> 制御装置は標準移動平均（ＭＡ）アルゴリズムを脳信号に適用した。
>
>
> 6ページ
> 6
>
>
> 最後に、MAの結果は、ロボットの移動速度を変えるためのVPとして使用されます。
> ? ry 、増減速度期間 ry 動作した。
> 以下の規則を使用して、コントローラは、速度期間増減について実験プロトコルに従って２つの状態間で交互に動作した :
>
> ? 増加する速度期間： ry が高ければ ry 速度値 ry 。
> 速度期間の増加：入力値がより高ければ現在の速力値が更新され、そうでなければ値は安定したままです。
> ? 減少する速度期間： ry が低い場合 ry 速度値 ry 。
> 速度期間の減少：入力値がより低い場合は現在の速力値が更新され、それ以外の場合は値は安定したままです。
>
> 以下のサブセクションに示すように、研究ＩおよびＩＩにおいて提案されたＳＳＶＥＰＢＣＩの性能を調査するために、前述の実験プロトコルを使用して脳制御ロボットシミュレータを設定した。
>
> 1）研究I：処理ウィンドウの長さと滑らかな動きとの間のトレードオフ：
> この研究の目的は、ユーザーが許容できる速度でオブジェクトを滑らかに動かすのを助けるためにスピードコントローラに最も適した処理ウィンドウの長さを見つけることです。
> 実験プロトコールを図4に示す。
> 輸送作業を完了するとき、ロボットは速度コントローラの出力に従って動くことになっていました。
> 出力を作成するために、脳信号は、先に説明したように、２つの規則に従ってＲＦポリ２予測モデルと単純ＭＡの両方を使用して速度プロファイル（ＶＰ）に変換された。
> 研究者たちは、物体（あるいはこの実験では箱）の運搬における安定性と平均移動速度の両方を考慮しました。
> 箱の安定性は、ロボットプレート空間（２Ｄ平面）上の箱内の中心質量の偏差によって測定した。
> この研究における箱の偏差は、2D平面上の箱の元の位置と最終位置の間のユークリッド距離でした。
> 最適な処理窓の長さを得るために、長さを１秒のステップで１から５秒まで変えた。
> ? ry の10倍からの偏差と比較しました（1人の被験者を除外した交差検証）。
> 最後に、平均速度の平均をボックスの 10 Fold 分のずれと比較しました ( 一個抜き交差検証 ) 。
> ? 一元配置反復測定分散分析 ry 。
> 一元配置分散分析（ＡＮＯＶＡ）を統計分析に使用した。
>
> 2）研究II：従来のSSVEP-BCIと提案されたSSVEP-BCIを使用した脳制御ロボットシミュレータの比較：
> 提案されたSSVEP-BCIが滑らかな制御アプリケーションにおいて従来のケースより優れていることを実証するために、研究Iと同じ実験プロトコルを実行した。
> 提案されたＳＳＶＥＰＢＣＩのＶＰを得るために、１秒の重ならない窓（研究Ｉからの最適窓長）を有するＲＦｐｏｌｙ２に基づく予測モデルが適用された。
> ? ry 速度に変化しました。
> これに対して、従来のSSVEP-BCIは、増加期間と減少期間の両方で直ちに一定の速度に変更されました。
> 従来の場合の各被験者のVPは、提案されたSSVEP-BCIからの同じ被験者VPの最大値および最小値を使用して設定された。
> ロボット制御タスクの性能を評価するために、平均速度とボックスの偏差を測定値として使用しました。
> 最後に、2つのケースの実験結果を標準のt検定を使用して比較しました。

> IV。結果
>
> このセクションでは、各実験の結果を別々に報告します。
> ? 結果私は ry 。
> 結果 I はSSVEPマグニチュード変動の予測モデルの比較を提供します。
> ? ry IIIは、脳 ry シミュレータによる提案 ry 実証している。
> 結果IIおよびIIIは脳制御ロボットシミュレータを介し、提案されたSSVEP-BCIの実現可能性および利点を実証する。
> 適切な実験では、定量的（MSE、計算時間予測、平均速度、およびボックスの偏差）および定性的尺度（グラフィカル）が考慮されます。
>
> A. 結果I： SSVEPマグニチュード変動の予測モデル
> この研究の目的は、SSVEPマグニチュード変動を予測するための最も適切なモデルを選択することです。
> ここでは6つの予測モデルが比較されています。 Poly poly 2、Poly poly 3、RF poly 2、RF poly 3、NN（GRU）poly 2、NN（GRU）poly 3。
> 表１に示されるように、全ての予測モデルからのＭＳＥの平均は有意には異ならない。
> しかし、計算時間予測の平均比較には統計的な違いがあります。
> ? 温室 - ガイザー補正を用いた一方向反復測定ANOVA ry 。
> Greenhouse-Geisser の方法を用いた一元配置反復測定分散分析ANOVAにより、F（1.377、12.395）= 383.877、p <0.01が報告された。
> ? ry 、ボンフェローニ補正およびペアワイズ比較は、textitRFポリ2およびRFポリ3モデルの両方について ry 。
> さらに、一対比較及びボンフェローニの方法は、 textitRF poly2 と RF poly3 との両方のモデルに付いての計算時間予測が他のモデルより有意に低いことを示した（p <0.01）。
> ただし、RF poly2は多項式次数の計算量が少ないため、残りの研究ではRF poly2を選択しました。
> 定性的な結果を得るために、予測されたシグナルは、図５に示されるように各実験条件について時間ステップごとにプロットされた。
>
> B.:結果II：脳制御ロボットシミュレータ
> 1）処理ウィンドウの長さと滑らかな動きとの間のトレードオフ：
> ウィンドウの長さは、オンラインの脳制御アプリケーションで重要な役割を果たします。
> このサブセクションでは、1 5秒の範囲でウィンドウの長さを変えた場合の平均速度の平均とボックスのずれの平均を比較します。
>
>
> 7ページ
> 7
>
>
>
> (a) (b) (c) (d) ? （あいうえお）
>
>
> 図5
> ? ry 対する生のSSVEP応答のデモ。
> 予測モデルRF poly2に対する raw SSVEP レスポンスのデモ。
> ? 一番下の行は、実際の（SSVEP入力）信号と予測信号の ry 。
> 下段は、実際の ( SSVEP入力信号 ) と予測信号との比較を示しています。
> ? ry （d）のモデルを評価するために、一人一人の交差検定（10人に1人）が使用されます。実験条件1、条件2、条件2からの実際および予測信号の例それぞれ.3、およびcond.4。
> 図5（a） - （d）は、実験条件 1 、条件 2 、条件.3 、及び条件.4 からの、実際の及び予測の信号の例で、各々、モデルを評価する為に一個抜き交差検証（10 に 1 つ）が使用されます。
>
>
>
>
> （a）（b）
>
>
> 図6
> ? ry 速度と偏差の平均値。 ry 。
> 1 5秒の範囲でウィンドウの長さを変えたときのボックスの平均速度とずれとの平均。（a）は増加する速度期間、（b）は減少する速度期間です。
>
>
> 表II：
> ? ry 際のSSVEP ‐ BCIのための従来の方法と提案された方法の比較
> 移動ロボット上の箱を維持する際の、従来のと提案された SSVEP-BCI のとの為の計測の比較
> ? 3つの対策があります ry ボックスの偏差（ ry 。
> 3 つの対策があります。ロボットシミュレータからの平均速度（太字が大きい）、増加期間におけるボックスのずれ（太字が小さい）、減少期間（太字が小さい）です。
> ? *その数 ry 。
> *はその数が他のものよりもかなり小さいことを意味します、p <0.01。
>
>
> 8ページ
> 8
>
>
>
> （a）（b）（c）（d）（e）（f）
>
>
> 図7：
> 3人の被験者からのVPの比較。
> 上段（ａ）（ｃ）は提案されたＳＳＶＥＰＢＣＩからのＶＰを示し、下段（ｄ）（ｆ）は従来のＳＳＶＥＰＢＣＩからのＶＰを示す。
>
>
>
>
> （a） ( 訳注 : ずれ小 ) （b） ( 訳注 : ずれ大 )
>
>
> 図8
> 異なるパラダイムを持つパイオニアP3DXロボットの動きの例。
> ? ry は、移動速度ロボット ry 。
> 図８（ａ）は、可変速ロボットを制御するための提案されたパラダイムの一例を示す。
> 図８（ｂ）は、移動速度ロボットを制御するための従来のパラダイムの一例を示す。
>
>
> 9ページ
> 9
>
>
> ? 温室 - ガイザー補正を用いた一方向反復測定ＡＮＯＶＡは、それぞれ増加期間Ｆ（２．４２１、 ry 、ｐ＜０．０１、および減少期間Ｆ（１．３８７、 ry 、ｐについて、処理ウィンドウ ry 報告した。 = 0.068です。
> Greenhouse-Geisser 補正を用いた一元配置反復測定分散分析 ANOVA は、増加と減少との期間の其々 F(2.421, 21.792) = 21.633, p<0.01 、および F(1.387, 12.483) = 3.687, p=0.068 について、プロセッシングウィンドウ長にわたる平均速度の有意差を報告した。
> ? ペアワイズ比較では、 ry 。
> 一対比較では、１秒処理ウィンドウからの平均速度の平均は、３秒、４秒、および５秒からの平均速度より有意に高い、ｐ＜０．０５。
> ? ry からの平均速度よりも有意 ry 。
> 減少期間については、１秒処理ウィンドウからの平均速度の平均は、２秒および３秒からのそれよりも有意に高い、ｐ＜０．０５。
> 平均速度は1秒の処理ウィンドウの長さで有意に高かったが、ボックスの結果の偏差は、図6に示すように処理ウィンドウの長さに渡って異ならなかった。
> 脳制御ロボットシミュレータの実験環境によると、１秒の処理ウィンドウ長は他の長さと比較して許容可能な精度でより高い情報転送速度を有することができると推論することができる。
> 2）従来のSSVEP-BCIと提案されたSSVEP-BCIを使用した脳制御ロボットシミュレータの比較：
> ? ry IIは、従来のSSVEP-BCIと提案されたSSVEP-BCIの利点 ry 。
> 表II は提案された SSVEP-BCI の、従来のそれを越える利点を示しています。
> ? ry ＢＣＩからの速度の平均が従来の速度の平均に近い ry の偏差は、増加する期間（ｔ（９）＝４．７６）に対し ry 著しく低い。、ｐ＜０．０５）。
> 提案されたＳＳＶＥＰＢＣＩからの平均速度の平均、が従来の物のそれに近いとしても、提案されたモデルにおけるロボット移動中のボックスのずれは、増加期間 ( t(9)=4.76, p<0.05 ) に於て従来のもののそれよりも著しく小さい。
> 減少期間についての結果は統計的差異を示さなかったが、提案されたモデルはより低いボックス偏差を与えた。
> ? 図７の定性的結果は、１０人 ry 者が、提案されたＳＳＶＥＰと従来のＳＳＶＥＰＢＣＩからのＶＰの比較を行うことを示している。
> 図 7 は、 10 人中３人の被験者が行う所の、提案 SSVEP-BCI と従来 SSVEP-BCI とからの VP の比較たる質的結果を示す。
> ? 配達作業に ry の捕獲を図8に示す。
> 配達タスクにおける脳制御ロボットシミュレータのキャプチャは図 8 に示される。
> ロボットの速度は実験プロトコルによって異なります。
>
> V. 考察
>
> ? ry 主要な問題が生じる。
> 実験結果によって、３つの主要な題目が浮かび上がる。
> ? ry 要約しています。
> 最初に、研究者らはオンライン脳制御ロボットのさらなる開発のための有望な側面を要約します。
> 次に、この研究が進行中の研究とどのように関連しているかについて説明します。
> ? ry おける最終目標を表明しています。
> 最後に、研究者らは、人と機械の間のギャップを埋めるためのオンライン連続SSVEP-BCIの開発に於ける、最終目標を表明します。
>
> ? ry は、対象がＳＳＶＥＰ反応の大きさを操作するのを助け ry 。
> 視覚刺激強度の変動は、 SSVEP 反応のマグニチュードを被験者が操作するのを、助けることができる。
> 最新の機械学習アプローチ、すなわちランダムフォレスト回帰（RF）は、SSVEPマグニチュード変動を処理するための予測モデルとして提案されました。
> ? ry 使用した1件除外相互検証は、 ry 比較して、SSVEPの大きさの変化の予測 ry 。
> RFモデルを使用した一個抜き交差検証は、多項式回帰モデルおよびニューラルネットワークモデルと比較して、 SSVEP マグニチュードの変動の予測において最高のパフォーマンスを示しました。
> したがって、RFモデルは、この研究で提案されているSSVEP-BCIのさらなる開発に有望である。
> 提案されたSSVEP-BCIシステムで実際のオンラインモードで実験がまだ行われていなくても、シミュレータで実証された環境的かつ実用的なシナリオで、10人の被験者から実際の脳の信号をストリーミングバックし、提案されたシステムが実現可能で斬新であることを保証します。
> ? ry 、箱は目的地まで運搬する際の速度、誤差、および脳制御ロボットからの滑らかさに関してシステムが評価される。
> オンラインのようなシミュレーションを通して、箱を目的地まで運搬する際の脳制御ロボットからの、速度、誤差、および滑らかさに関して、システムが評価する。
> さらに、SSVEP刺激の概念設計はシンプルでユーザーフレンドリーです。
> ? ry 上の刺激の刺激に対し ry 。
> 測定された脳信号に対して、単一のＥＥＧチャネル（Ｏｚ）を有するスクリーン上のちらつく刺激に対しては３つの周波数しかない。
>
> SSVEP-BCI. SSVEPマグニチュード変動の予測モデルに関する研究結果が示すように、予測SSVEPマグニチュードパラダイムは周波数認識パラダイムに統合され、新しいオンラインSSVEP-BCIを達成することができます。
> ? ry 、連続的なＳＳＶＥＰＢＣＩを提供 ry 。
> 定常的な脳の反応の頻度と大きさの両方を考慮に入れると、連続的 SSVEP-BCI を提供することができ、それによってユーザは装置（例えば移動ロボット）を円滑に制御することができる。
> ? さらに、スパース脳波チャネルを使用してオンライン ry 処理するために提案されたSSVEP-BCIを統合することを計画 ry 。
> 更に、提案 SSVEP-BCI をスパース脳波チャネルを使用して統合することをオンラインモードでロボットアームを処理する為に我々は計画しています。
> 予測ＳＳＶＥＰの大きさからの予測信号の連続的な増加または減少は、例えばロボットアームの速度を加速または減速することによってコマンド機能にマッピングすることができる。
>
> 提案されたＳＳＶＥＰＢＣＩの性能を改善するためには、連続的な大きさの予測に対する雑音に対するロバスト性が重要である。
> ? ry からも振幅情報を測定 ry 。
> この問題を克服するための１つのアプローチは、目標ＳＳＶＥＰ周波数だけでなく近隣周波数からもマグニチュード情報を測定する簡単な適応アルゴリズムである。
> ? 目標頻度から ry 使用して、予測モデルはおそらく天気の大きさの変動を分類することがノイズまたはSSVEP応答の実際の変動からの影響であると仮定 ry 。
> ターゲット周波数からの絶対値の代わりに相対値を使用し我々は仮定します。 SSVEP 応答に於て天候のマグニチュードの変動の影響の原因は、ノイズである又は実際の変動である、と予測モデルは恐らくクラス分類する、と。
> ? ry として、我々は、連続的な情報を破損していないＳＳＶＥＰ応答と同じくらい閉じた状態に維持するために時間的記憶 ry を適用しよう ry 。
> 別のアプローチとして、 SSVEP 非破損応答であるかの様な連続的な情報を維持する為の時間的記憶モジュールとして振舞う分散型リカレントニューラルフォワードモデルを我々は適用しようとしている［１９］。
> したがって、この作業の貢献は、将来のBCIベースの制御への入り口として機能することができます。
>
> VI。結論
>
> これは、新しいSSVEP-BCIに向けたSSVEPマグニチュード予測に関する最初の研究です。
> さまざまなSSVEPマグニチュード応答に関する実験からデータセットを作成しました。
> ランダムフォレスト回帰は、瞬間的なSSVEPマグニチュード予測のためのアルゴリズムとして提案されました。
> ? ry 結果は、leave-one-subject-out交差検証 ry から得られた。
> 実験結果は、一個抜き交差検証を使用して10人の被験者から得ており、有望と見込まれる。
> ? ry されたＳＳＶＥＰの大きさの瞬間的な変化は、脳制御用途（例えば ry 。
> 予測された SSVEP マグニチュード、に於ての瞬間的変化は脳制御アプリケーション（例えばロボット制御）用の速度制御装置にマッピングすることができる。
> ここでは、模擬移動ロボットを用いてオンラインのようなシステムを実施した。
> 実験では、ロボットの移動速度を制御するために、さまざまな大きさの実際のSSVEP応答をストリームバックしました。
> ? ry 単一の（０）ＥＥＧチャンネル ry 。
> 実用的な目的のために、全ての実験を通して単一の (Oz) EEG チャンネルを使用した。
> ＳＳＶＥＰマグニチュード予測の利点は、それがロボットを制御するときに安定性を維持する能力を有することである。
> 近い将来、この作業の成果は、移動ロボットやロボットアームの速度を加速または減速するなど、他のスムーズな脳制御アプリケーションにも実装されます。
>
>
> 10ページ
> ? 10年
>
>
> 参考文献
>
> [1]
> JR Wolpaw、N。Birbaumer、DJ McFarland、G。Pfurtscheller、およびTM Vaughan、
> 「通信と制御のためのブレインコンピュータインタフェース」
> ? ry 、ｖｏｌ。 113、いいえ。６、ｐｐ．７６７７９１，２００２。
> 臨床神経生理学, vol. 113, no. 6, pp. 767 791, ２００２。
> [2]
> B.アリソン、T。ルース、D。バルブエナ、A。Teymourian、I。Volosyak、A。Graser、
> ? `` Bci ry ：何人（そして ry の）の人が ry ？ '' 「」
> 「 Bci人口統計：どれだけの人数の ( そしてどのような種類の ) 人がssvep bciを使うことができますか？」
> ? ry 、vol。 18、いいえ。２、ｐｐ．１０７１１６， ry 。
> 神経系とリハビリテーション工学に関するIEEEのトランザクション, vol. 18, no. 2, pp. 107 116, ２０１０。
> [3]
> Z. Lin、C. Zhang、W. Wu、およびX. Gao、
> ? ry ベースのbcisの ry 周波数認識」
> 「ssvepベース bci 用の正準相関分析に基づく周期的認識」
> ? ry 関するＩＥＥＥ取引 ry 、ｖｏｌ。 54、いいえ。６、ｐｐ．１１７２１１７６， ry 。
> 生物医学工学に関する IEEE トランザクション , vol. 54, no. 6, pp. 1172 1176, ２００７。
> [4]
> GR Muller-PutzとG. Pfurtscheller
> 「ssvepベースのbciを使用した電気補綴物の制御」
> ? ry 、ｖｏｌ。 55、いいえ。１、ｐｐ．３６１３６４、 ry 。
> 生物医学工学に関するＩＥＥＥトランザクション, vol. 55, no. 1, pp. 361 364, ２００８。
> [5]
> BZ Allison、DJ McFarland、G. Schalk、SD Zheng、MM Jackson、およびJR Wolpaw、
> 「定常状態視覚誘発電位を用いた独立したブレインコンピュータインターフェースに向けて」
> ? ry 、ｖｏｌ。 119、いいえ。２、ｐｐ．３９９４０８， ry 。
> 臨床神経生理学, vol. 119, no. 2, pp. 399 408, ２００８。
> [6]
> A.ルオとTJサリバン、
> 「時間領域分類器を使用した、ユーザフレンドリなssvepベースのブレインコンピュータインタフェース」
> ? ry 、ｖｏｌ。 7、いいえ。２、ｐ。 2010年2月10日。
> 神経工学ジャーナル, vol. 7, no. 2, p. 026010, 2010.
> [7]
> ? ry C。Brunner、C。Altst W、 ry
> BZ Allison、C. Brunner、C。Altst穩ter、IC Wagner、S。Grissmann、およびC. Neuper、
> ``連続同時2次元カーソル制御のためのハイブリッドerd / ssvep bci ''
> ? 神経科学の方法のジャーナル、vol。 209、いいえ。２、ｐｐ．２９９３０７， ry
> 神経科学メソッドジャーナル , vol. 209, no. 2, pp 299 307, ２０１２。
> [8]
> E. Yin、Z. Zhou、J。Jiang、F。Chen、Y. Liu、およびD. Hu。
> ? ry ハイブリッドbciスペル」
> 「ssvepをp300パラダイムに取り入れた新しいハイブリッド bci スペラー」
> ? ry 、ｖｏｌ。 10、いいえ。２、ｐ。 2013年2月12日。
> 神経工学ジャーナル, vol. 10, no. 2, p. 026012, 2013.
> [9]
> E. Yin、Z. Zhou、J。JIang、F。Chen、Y。Liu、およびD. Hu。
> ? ry ハイブリッドbciスペルアプローチ」
> 「p300とssvepを組み合わせたスピーディーなハイブリッド bci スペリングアプローチ」
> ? ry 、ｖｏｌ。 61、いいえ。２、ｐｐ．４７３４８３、 ry 。
> 生物医学工学に関するＩＥＥＥトランザクション, vol. 61, no. 2, pp. 473 483, ２０１４。
> [10]
> 王Y.、X。Chen、X. Gao、S。Gao、
> 「SSVEPベースのブレインコンピュータインターフェースのベンチマークデータセット」
> ? ry 、vol。 25、いいえ。１０、ｐｐ．１７４６１７５２、 ry 。
> 神経システムとリハビリテーション工学に関するIEEEトランザクション, vol. 25, no. 10, pp. 1746 1752, ２０１０年１０月。
> [11]
> B.アリソン、B.グレイマン、およびG.プルトシェラー、
> ? ブレイン - コンピュータインタフェースヒューマン - コンピュータインタラクションの革命化
> ブレイン-コンピュータインタフェース : ヒューマン-コンピュータインタラクションを革命する
> Springer、2010年。
> [12]
> X. Chen、Y. Wang、S。Zhang、S。Gao、Y. Hu、X. Gao、
> 「相互変調周波数を用いたマルチクラスssvep-bciのための新しい刺激法」
> ? ry 、ｖｏｌ。 14、いいえ。２、ｐ。 2017年2月13日。
> 神経工学ジャーナル, vol. 14, no. 2, p. 026013, 2017.
> [13]
> YJ Kim、M. Grabowecky、KA Paller、K. Muthu、およびS. Suzuki、
> ? ry おける同期ベースの反応獲得を誘導 ry
> 「注意は定常状態の視覚誘発電位に於ける同期ベースの反応ゲインを誘導する」
> Nature neuroscience、vol。 10、いいえ。１、ｐ。 117、2007。
> [14]
> 「オープンソースのブレインコンピュータインターフェイス」
> http://openbci.com/
> 。
> [15]
> K. Cho、B。Van Merri、C. C. Gulcehre、D。Bahdanau、F。Bougares、H。Schwenk、およびY. Bengio、
> 「統計的機械翻訳のためにrnnエンコーダ - デコーダを使用したフレーズ表現の学習」
> arXivプレプリントarXiv：1406.1078、2014。
> [16]
> F. Chollet et al。、
> “ Keras”
> http://github.com/fchollet/keras/
> 、2015年。
> [17]
> ? ry Ｖ。ミシェル、Ｂ． Cournapeau ry
> Ｆ．ペドレゴサ、Ｇ．ヴァロコー、Ａ．グラムフォート、Ｖ。ミシェル、Ｂ． Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau、M。Brucher、M。Perrot、およびE. Duchesnay、
> 「Scikit-learn：Pythonでの機械学習」
> ? ry 、ｖｏｌ。１２、ｐｐ．２８２５２８３０， ry 。
> 機械学習研究ジャーナル, vol. 12, pp. 2825 2830, ２０１１。
> [17]
> F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, and E. Duchesnay,
> `` Scikit-learn: Machine learning in Python, ''
> Journal of Machine Learning Research2011.
> [18]
> ? ry SPNシン、
> MFE Rohmer、SPN Singh,
> 「V-rep：多用途でスケーラブルなロボットシミュレーションフレームワーク」
> ? Procで。インテリジェント ry （IROS）、2013年。
> インテリジェントロボットとシステムに関する国際会議（IROS）議事録、2013年。
> [19]
> S. Dasgupta、D. Goldschmidt、F. Wrgtter、およびP. Manoonpong、
> 「歩行ロボットの複雑な行動のためのシナプス適応およびcpgベースの制御を用いた分散リカレントニューラルフォワードモデル
> ? ry 、ｐ。 2015年10月10日。
> Neuroroboticsのフロンティア、vol。９, p. 10, 2015.
> ? ry 。入手可能： http : // ry
> [オンライン]。有効: http://www.frontiersin.org/article/10.3389/fnbot.2015.00010

--
YAMAGUTIseisei ( str_h__namae = { "sei" => "山口", "mei" => "青星" } )

http://yahoo.jp/HsDIGs?#__Sponsor_-_2TB_0S03224
heiwa furiisekkusu 1tu

訂正 Subleq ベースのシンプルなマルチプロセッサコンピュータ
>値が0より小さい、等しい、またはより大きい場合の簡潔なチェックは次の通りで :

YAMAGUTIseisei

unread,

Sep 2, 2019, 10:58:22 AM9/2/19

YAMAGUTIseisei wrote:
> PR : シンギュラリティ系有料メールマガジン発行を構想致しております
> 無料メールマガジン版 ( 別途有料版開始時打切 )
> http://mailux.com/mm_dsp.php?mm_id=MM53D8AF3589BC7
>
>

> 設計概要自体の代りに周辺情報 ( 論文翻訳等 ) をお届け致しております
>
>
>
> YAMAGUTIseisei wrote:
>>> 体細胞 : 細胞体
>> 細胞層 : セルラレイヤ
>>> 配列 : シーケンス
>>> 遠位樹状近位樹状基礎樹状基本樹状先端樹状頂端樹状心尖樹状 :
>>> 末梢樹状主要樹状基底樹状基底樹状尖端樹状尖端樹状尖端樹状 ( 尖樹状 )
>>> :
>>>>Google 翻訳 http://webcache.googleusercontent.com/search?q=cache:arxiv.org/pdf/1511.00083
>>>>
>>>>
>>> :
>>>> なぜニューロンは何千ものシナプスを持っているのか、新皮質に於けるシーケンス記憶の理論
>>>>
>>>> Jeff Hawkins *、Subutai Ahmad Numenta、Inc、レッドウッドシティー、カリフォルニア州、アメリカ
>>>> *対応する著者のEメール：jhawkinsATnumenta、sahmadATnumenta
>>>>
>>>>
>>>>キーワード：新皮質、予測、新皮質理論、アクティブな樹状突起、シーケンス記憶
>>>>
>>>> この原稿のバージョンは、2015年10月30日現在で公開されています。
>>>>注意として図と表はこのPDFの最後にあります。
>>>>最新の引用情報については ry

この原稿のバージョンは、2015年10月30日現在で公開されています。
? 図 ry 。
注意として図と表はこのPDFの最後にあります。
最新の引用情報については著者に連絡してください。

1

抽象
新皮質ニューロンは何千もの興奮性シナプスを持っています。
? ニューロンがそれほど ry をどのように統合し、これがどのような大規模なネットワーク行動を可能にするのかは謎です。
それほど多くのシナプスからの入力をニューロンがどの様に統合しこれがどの様な種類の大規模ネットワーク動態を可能たらしめるのかは謎です。
? ry 特性がニューロンが複数のパターンを認識することを可能にすることが ry 。
樹状突起の非線形特性が複数パターン認識をニューロンに可能にさせる事が以前に提案されている。
? 本稿では、アクティブな樹状突起に沿って配置 ry ニューロンは、たとえ大量 ry パターンの変動があっても、正確 ry に細胞活動の何百という独特のパターンを認識することを学ぶことができることを示すことによってこのアイデアを拡張 ry 。
本稿に於てこのアイデアを、セルラアクティビティの何百ものユニークパターンをアクティブな樹状突起に整然配置された数千のシナプスを持つニューロンが例え大量のノイズやパターンバリエーションがあろうとも正確にそして頑強に認識する事を学習する事ができる事を示す事によって、我々は拡張します。
? 次に、ニューロン ry 電位につながるニューロン ry モデルを提案し、ニューロンの古典的な受容野 ry 活動電位を直ちに生成することなく、 ry として機能する。
そして、ニューロンによって認識されたパターンのいくつかが活動電位を誘発するニューロンモデル、を我々が提案しニューロンの古典的受容野を定義する一方で、ニューロンによって認識されるパターンの大部分は、活動電位の即時生成なしに、ニューロンをわずかに脱分極することによって予測としての活動をする。

次に、これらの特性を持つニューロンに基づいたネットワークモデルを提示し、ネットワークが時間ベースのシーケンスのロバストモデルを学習することを示します。
? ry 類似性と推論および行動における配列記憶の重要性を考えると、我々はこの形式の配列記憶 ry 。
新皮質全体の興奮性ニューロンの類似性と、推論及び振舞いに於けるシーケンス記憶の重要性と、に鑑み我々はこの形式のシーケンス記憶が新皮質組織の普遍的な性質であることを提案する。
? ry さらに、新皮質の細胞層が推論と振る舞いの異 ry ために同 ry バリエーションを実装することを提案する。
我々は更に、同じシーケンスメモリアルゴリズムのバリエーションを推論と振舞いとの異なる側面を達成する為に新皮質内の細胞レイヤが実装している事を提案する。
? ry ニューロンとネットワークモデルは、ネットワークが細胞活性化のまばらな分散コードを使用する限り、広 ry 。
我々が導入するニューロンのとネットワークのモデルは、セルラアクティベーションの疎分散コードをネットワークが使用する限り、広範囲のパラメータにわたってロバストです。
? ry 数に比例して変化します。
ネットワークのシーケンス容量は、各ニューロンのシナプス数に伴ってリニアにスケールします。
? ry したがって、ニューロンは感覚刺激と運動シーケンスの多くの ry を必要とします。
従って、感覚刺激と運動シーケンスとの中の多くの時間的パターンを学ぶために何千ものシナプスをニューロンは必要とします。

1。前書き
? 新皮質の ry 。
新皮質内の興奮性ニューロンは何千もの興奮性シナプスを持っています。
? 細胞体に最も近い近位シナプスは、細胞 ry 。
近位シナプス、これらは細胞体に最も近い、は細胞が活動電位を生成する可能性に比較的大きな影響を与える。
しかしながら、大部分のシナプスは遠位であり、または細胞体から遠く離れている。
? ry 活性化は、体細胞にほとんど影響を及ぼさず、何千年もの遠位シナプスが細胞の応答を決定するのに重要な役割を果たすことができることを長年にわたって想像するのは困難 ry 。
単一の遠位シナプスの活性化は細胞体に於て小さな影響を持っておりそして、細胞の応答を何千もの遠位シナプスが決定するに於て重役を演じる事がどうすれば可能か、を想像するのは長年困難でした（Major et al。、2013）。
? ry 枝が能動的な処理要素であることがわかりました。
樹状突起の分枝が能動的なプロセッシング要素であると我々は今知っています。
? ry 、局所的な樹状 ry スパイク、およびその結果としての有意で持続的な体細胞の脱分極を引き起こす可能性がある（ ry 。
空間的および時間的に近接した範囲内でのいくつかの遠位シナプスの活性化は、ローカル樹状突起NMDAスパイク及びその結果として、細胞体の有意且つ持続的な脱分極を誘発する事ができる（Anticら、2010年; Majorら、2013年）。
これにより、樹状突起分枝が独立したパターン認識装置として作用することを示唆する研究者もいます（Poirazi et al。、2003; Polsky et al。、2004）。
? しかし、樹状突起 ry かかわらず、なぜニューロン ry 皮質の処理において何をするのかは不明である。
樹状突起の能動特性を理解する上で多くの進歩があったにも関わらずその事は、何故ニューロンがそんなに多くのシナプスを持っているのか、そしてそれらの正確な役割が記憶および皮質処理に於て何なのかが謎であると突き付ける。

? なぜニューロンがアクティブな樹状突起を持っているのかという理論 ry スパイクニューラルネットワーク ry 使われているもののような、 ry ネットワークは、アクティブな樹状 ry 使用します。そして、それらが実際の神経組織の重要な機能的側面を欠いていることを強く示唆します。
アクティブな樹状突起をニューロンが持っているのは何故か、という理論を欠いている、ディープラーニング（LeCun et al。、2015）やスパイキングニューラルネットワーク（Maass、1997）で使われている様なほとんどすべての人工ニューラルネットワークが、アクティブな樹状突起のない、そして非現実的に少ないシナプスのある人工ニューロンを使用している事は、実際の神経組織の鍵となる機能的側面を彼らが見失っている事を強く示唆しています。
? ry 理解し、新皮質 ry したいのであれば ry それらの何千ものシナプスおよび活動的樹状 ry を理解 ry 。
新皮質がどのように機能するのかを理解しそして新皮質と同じ原理で機能するシステムを構築したいと我々が希望するのであれば、生物学的ニューロンがそれらのシナプス数千個及びアクティブな樹状突起をどのように使用するかを我々は理解する必要があります。
? ry 、ニューロンは単独では理解 ry 。
もちろん、ニューロン群は隔離してあっては理解できません。
? それぞれ何千ものシナプスを持つニューロンのネットワークが共通の目的に向かってどのように協調して機能するのかという補完的な理論も必要です。
何千ものシナプスを各々伴うニューロンの、ネットワークがどの様にして共通の目的に向かって共に機能するのかという補完的な理論をも我々は必要とします。

本稿ではそのような理論を紹介します。
? 最初に、我々は、活性な樹状突起と何千ものシナプスを持つ ry が、何百という独特のパターンの細胞活性を認識できることを示 ry 。
最初に、アクティブな樹状突起と、何千ものシナプスと、を持つ典型的な錐体ニューロンが、細胞アクティビティの何百というユニークパターンをどの様にして認識できるか、を我々は示します。
? ry 我々は、全体 ry がまばらである限りニューロンが大量 ry 下でも数百 ry を認識できることを示す。
全体的な神経活性が疎である限り、大量のノイズおよび変動性の存在下でも、数百のパターンをニューロンが認識できる、事を我々は示す。
次に、樹状木のさまざまな部分への入力がさまざまな目的に役立つニューロンモデルを紹介します。
このモデルでは、ニューロンの遠位シナプスによって認識されるパターンが予測に使用されます。
? 各ニューロンは、細胞が活動的になる前にしばしば起こる何百ものパターンを認識することを学 ry 。
細胞がアクティブになるよりも、しばしば先行する何百ものパターン、を認識する事を各ニューロンは学びます。
? ry 学習パターン ry 。
これらの学習済パターンのいずれかを認識することは、活動電位を直接引き起こすことなく細胞を脱分極することによる予測として作用する。
最後に、この性質を持つニューロンのネットワークがパターンのシーケンスをどのように学習し、思い出すかを示します。
? ネットワークモデルは、脱分極したニューロンが素早く発火し、近くの他のニューロンを抑制することに依存しているため、ネットワークの活性化が予測に偏っています。
脱分極ニューロンが迅速発火して他の近傍ニューロンを抑制する、事にネットワークモデルが依存しており、従って、ネットワークのアクティベーションをそれの予測の方へバイアスします。
シミュレーションを通じて、シーケンスメモリネットワークがオンライン学習、複数同時予測、および堅牢性などの多数の望ましい特性を示すことを説明します。

? ry 推論と行動のため ry 重要性を考えると、我々は、シーケンスメモリが ry 特性であり、したがって ry 表すことを提案する。
新皮質全体のニューロンの類似性と、推論と振舞いの為のシーケンスメモリの重要性と、を考えると、シーケンス記憶が新皮質全体の神経組織の特性であり、従って新皮質がどのように機能するのかを理解するための新しく重要な統一原理を表す、事を我々は提案する。

2。結果

2.1。ニューロンは複数のパターンを認識する
? ニューロンはそのシナプス上の単一パターンの活動を認識すると考えるのが一般的です。
一般常識的に考えられている単一ニューロンとしては、それのシナプスに於けるアクティビティの単一パターンを認識します。
? 「概念ニューロン」 ry 。
「ポイントニューロン」と呼ばれることもあるこの概念は、ほとんどすべての人工ニューラルネットワークの基礎を形成しています（図1A）。

[図1ここについて原稿の終わりを見る]

? 活動的樹状突起は、ニューロンの多くの独特なパターンを認識するニューロンの異なる見解を示唆している（ ry 。
ユニークパターン多数をニューロン群は認識するがそこに於て、アクティブな樹状突起はそのニューロンの異なる見解を示唆する（Larkum and Nevian、2008; Poirazi et al。、2003; Polsky et al。、2004）。
実験結果は、樹状突起上の空間的に近接した8-20個のシナプスの同時活性化が非線形的に結合し、NMDA樹状突起スパイクを引き起こすことを示している（Larkum et al。、1999; Major et al。、2013; Schiller and Schiller、2001; Schiller et al。、2000）。
? ry したがって、少数の隣接シナプスがパターン ry 。
従って、近隣シナプスの小セットがパターン検出器として機能します。
? その結果、細胞 ry 突起上 ry シナプスが一連の独立したパターン検出器として機能することになります。
それは、細胞の樹状突起の上の何千ものシナプスが独立パターン検出器のセットとして活動する事、を支援します。

2

? ry 検出されると、体細胞にNMDAスパイクとそれに続く脱分極が起こります。
これらのパターンのいずれかの検出は、 NMDAスパイクとそれに続く脱分極を細胞体に於て起こします。

? 8 20個のシナプスが、大量の細胞の活動パターンを確実に認識できないように ry 。
細胞の大集団に於てのアクティビティのパターンの確実な認識をシナプス 8-20 個ではできない、様に思われるかもしれません。
? ry がまばらであるならば ry 。すなわち、人口に比べて活動的なニューロンはほとんどありません（ ry 。
しかしながら、認識されるべきパターンが疎であるならば、ロバストな認識は可能である。即ち、総数比で僅かなニューロンがアクティブです（Olshausen and Field、2004）。
たとえば、ある時点で1％（2,000）のセルがアクティブになっている200Kセルの集団を考えます。
? ry Kの細胞に ry ようにします。
特定のパターンが200Kの細胞群に発生したときにニューロンが検出するように我々は望みます。
ニューロンの樹状突起のセクションが2,000個のアクティブセルのうちのわずか10個に新しいシナプスを形成し、NMDAスパイクを生成するためのしきい値が10である場合、10個のシナプスすべてが同時に活性化を受けると樹状突起はターゲットパターンを検出します。
樹状突起は、同じ10個のアクティブセルを共有する他の多くのパターンを誤って検出する可能性があることに注意してください。
? ry 場合、10個のシナプスが異なる ry アクティブ ry 。
しかし、パターンがまばらである場合、異なるランダムパターンに対して 10 シナプスがアクティブになる可能性はわずかです。
? ry では9.8 ry 。
この例では僅か 9.8 x 10 ^ -21です。

誤った一致の確率は、次のように正確に計算できます。
? まばらなパターン ry 場合、与えられた時点でのセル ry n、その集団内のアクティブ ry 。
スパースパターンa≪ nの場合、セル集団のサイズをn、その集団内の与えられた時点でのアクティブセルの数をaとします。
樹状突起セグメント上のシナプスの数をｓとし、ＮＭＤＡスパイク閾値をθとする。
? 少なくともθ個のシナプスがアクティブになる場合、すなわち少なくともθ個のシナプスが現在アクティブなセルと一致する場合、セグメントはパターンを認識すると言 ry 。
シナプス少なくともθ個がアクティブになる場合即ち、シナプス少なくともθ個と現アクティブセルとが一致する場合、パターンをセグメントが認識すると我々は言います。

? ry ます。
パターンのランダムな分布を仮定すると、誤った一致の正確な確率は次の式で与えられます :

! !!!
ラ

（1） http://webcache.googleusercontent.com/search?q=cache:arxiv.org/pdf/1511.00083#3

分母は、単純にＮ個の全細胞の集団中のａ個の活性細胞を含む可能なパターンの総数である。
分子は、1つの樹状セグメント上のθ個以上のシナプスに接続するパターンの数を数えます。
? ry の詳細 ry 2015）にあります。
この方程式のより詳細な説明は（Ahmad and Hawkins、2015）内で見付ける事ができます。

? この式は、非線形樹状セグメントがサブ ry パターン内の少数のセルだけ ry ロバストに分類 ry 。
この式は、サブサンプリング（分類されるべきパターン、の中の少数のセル、だけにシナプスを形成すること）によってパターンをロバストに非線形樹状セグメントが分類できることを示している。
S1 Textの表Aは、式（1）から計算された代表的な誤り率を示しています。

NMDAスパイクを生成するのに必要な数よりも多くのシナプスを形成することによって、認識はノイズと変動に対して頑強になります。
? ry 必要な2倍のシナプスを20個形成すると、50％のセルが変更されても樹状 ry できます。または非アクティブ
たとえば、樹状突起のNMDAスパイクしきい値が10で、認識したいパターンに必要なシナプスの 2 倍たる 20 個を形成すると、例え 50 % のセルがもし変更されるか又は非アクティブであるか、の場合であれども樹状突起はターゲットパターンを認識できます。
? ry a false positive error.
余分なシナプスはまた誤検知エラーの可能性を高めます。
? エラーの可能性は高まりましたが、式（1）は、パターンがまばらであるときにはまだ小さいことを示 ry 。
パターンが疎である時には、エラーの可能性が増大しようともそれはまだ些細、であると式（1）は示しています。
? ry 2倍にして50 ry 。
上記の例では、シナプスの数を2倍にしそれ故50％なノイズ許容度を導入すると、エラーの可能性はわずか1.6 x 10 ^ -18まで増加します。
S1テキストの表1Bに、シナプス数がしきい値を超えたときの代表的なエラー率を示します。

与えられたパターンを認識するシナプスは、樹状セグメント上に共存する必要があります。
それらが互いの40μm以内にある場合、NMDAスパイクを生成するのにわずか8つのシナプスで十分です（Major et al。、2008）。
シナプスが樹状突起セグメントに沿って広がっている場合、最大20個のシナプスが必要とされる（Major et al。、2013）。
樹状セグメントには数百のシナプスを含めることができます。したがって、各セグメントは複数のパターンを検出できます。
? 異なるパターン ry が樹状 ry 上で一緒に混合されている場合、異なるパターンからのシナプスを同時活性化することによってエラーのさらなる可能性をもたらす。
異パターンを認識するシナプスがもしも一緒に樹状セグメント上で混交されているならば、異パターン由来なシナプス同時活性化による更なる誤り可能性を招く。
? ry と認識されるパターンの希薄さによって異なります。
このタイプのエラーの可能性は、樹状突起セグメントを共有するシナプスセットの数と被認識パターン疎性と、に依存します。
? 広い範囲の値に対して、 ry 。
広範囲の値に対しての、この種のエラーの可能性はまだ低いです（S1テキストの表C）。
? ry は多少正確 ry には40 ry 、やや不正確 ry と混合する ry 。
したがって、特定のパターンを認識するためのシナプスの配置は幾分正確です（それらは同じ樹状セグメント上にあり、理想的には相互に40μm以内にある必要があります）が、幾分不正確でもあります（他のシナプスと混交するとエラーを起こしにくい）。

? ry するために平均 ry 割り当てられ、ニューロンが6,000個のシナプスを持つと仮定すると、細胞は約300個の異なるパターンを認識 ry 。
各パターンを認識する為の平均20個のシナプスが割当てられ、そしてそのニューロンはシナプスを 6000 個持つ、と仮定すると、約300個の異パターンを細胞は認識することができます。
? これはおおよその概算 ry は、多数の細胞内で何百ものパターンを確実に認識することを学習できること ry 。
これはラフな概算ですが、アクティブな樹状突起を持つニューロンは、何百ものパターンを確実に認識する事を細胞の大集団の中にあって学習できる、事が明らかになります。
これらのパターンのいずれかを認識すると、細胞が脱分極します。
新皮質内のすべての興奮性ニューロンは何千ものシナプスを有し、そして我々が知る限りでは、それらはすべて活性樹状突起を有するので、各興奮性新皮質ニューロンは何百ものパターンの神経活動を認識する。

? ry なく、代わり ry ネットワークがどのように予測を行い、シーケンスを学習するかに役割を果たすことを提案 ry 。
次のセクションでは、ニューロンによって認識されるパターンの大部分が活動電位に直接つながるのではなく代わりに、ニューロンのネットワークが予測を行ってシーケンスを学習する役割をどの様に果たすかを提案します。

? ry 3つの源
２．１．１。皮質ニューロンへのシナプス入力の3つのソース

ニューロンは、樹状木の異なる部分に分離されているさまざまなソースから興奮性入力を受け取ります。
図１Ｂは、新皮質における最も一般的な興奮性ニューロンである典型的な錐体細胞を示す。
セルへの入力を3つのゾーンに分けて示します。
? 近位ゾーン ry 。
近位 ( 主要 ) ゾーンはフィードフォワード入力を受け取る。
? 基底帯は、大部分が同じ皮質領域内の近 ry からの文脈的入力を受け取る（ ry 。
基底ゾーンは文脈的入力の大部分を、同じ皮質リージョンの中の近くの細胞から受取る（Petreanuら、2009年； Rahら、2013年； Yoshimuraら、2000年）。
? 心尖部は ry 。 ry 、棘状星細胞です。 ry から先端の樹状突起 ry 考えられます。）
尖端ゾーンはフィードバック入力を受け取る（Spruston、2008）。（新皮質で2番目に一般的な興奮性ニューロンは、有棘星状細胞です。錐体細胞から尖端樹状突起を除いたものに似ていると考えられると我々はサジェストします。）
我々は、ニューロン上のシナプス統合の３つのゾーン（近位、基底、および頂端）が以下の目的を果たすことを提案する。

近位シナプスは細胞の古典的受容野を定義する

? 近位樹状 ry シナプスは、体細胞に比較的 ry 。
主要樹状突起（典型的には数百）上のシナプスは、細胞体に於ての比較的大きな影響を及ぼし、したがって、ニューロンの基本的な受容野反応を定義するのに最適な位置にある（Spruston、2008）。

3

? ry が身体活動 ry 入力がまばらにアクティブ ry 。
近位シナプスのサブセットの同時活性化がもしも細胞体活動電位を生成するのに十分である場合、および近位シナプスへの入力がもしもスパース的アクティブである場合、近位シナプスは、先に論じたのと同じ方法で複数の固有のフィードフォワードパターンを認識する。
? ry の和集合として ry 。
したがって、細胞のフィードフォワード受容野はフィードフォワードパターンの連合として考えることができます。

? 基礎シナプスは連続的に遷移を学ぶ
基底シナプスはシーケンス内遷移を学習する

? ry 、ニューロン ry 突起がニューロン ry する細胞活動のパターンを認識することを提案し、このようにして基底 ry は活動パターン ry 。
我々は、ニューロン発火に先行する細胞アクティビティパターンをニューロンの基底樹状突起が認識する事を提案、この方法で基底樹状突起はアクティビティパターン間の遷移を学習し記憶する。
基底樹状突起上でパターンが認識されると、NMDAスパイクが発生します。
? ry スパイクによる脱分極は体細胞に到達するまでに振幅が減衰するため、基底樹状突起がパターンを認識すると体細胞 ry するが体細胞活動電位を生成 ry に十分ではない ry ）。
NMDAスパイクそれ単一での脱分極に於てはそれが細胞体到達までに時間と共に振幅減衰その為、パターン認識時に於て基底樹状突起は、細胞体を脱分極するが細胞体活動電位生成には不充分である（Antic et al。、2010; Major et al。、2013）。
? ry 閾値下偏光解消が ry 。
我々は、この閾値下脱分極が細胞の重要な状態であることを提案する。
これは、セルがまもなくアクティブになり、ネットワークの動作に重要な役割を果たすという予測を表しています。
? ry 、その後十分な ry 。
わずかに脱分極した細胞は、そうでない場合に充分なフィードフォワード入力を受け取った場合よりも早く発火します。
? 早く発射する ry 入力に対して非常にまばらな活動パターン ry 。
早く発火することにより、それは近隣のセルを抑制し、正しく予測された入力達へと報いた過疎アクティブパターンを作り出す。
? ry ついては、後で詳しく説明します。
このメカニズムについて、後のセクションの中で我々は詳しく説明します。

? 頂端シナプス ry 期待を ry
尖端シナプスはトップダウンの期待 ( 訳注 : 待望予想 ) を呼び起こす

ニューロンの先端樹状突起もまた、パターンを認識するとNMDAスパイクを生成します（Cichon and Gan、2015）。
頂端NMDAスパイクは、体細胞に直接影響を与えません。
? その代わりに、 ry を引き起こす可能性がある（ ry 。
その代わり、それは先端樹状突起におけるCa 2+スパイクを誘発する事ができる（Golding et al。、1999; Larkum et al。、2009）。
単一の頂端Ｃａ２＋スパイクは体細胞を脱分極するが、典型的には体細胞活動電位を生成するのに十分ではない（Ａｎｔｉｃら、２０１０）。
? 頂端のCa 2+スパイク、基礎NMDAスパイク、および体の活動電位の間の相互作用は、進行 ry 条件下 ry 、頂端樹状 ry 。
尖端 Ca 2+ スパイクと、基底 NMDA スパイクと、細胞体活動電位と、の間のインタラクションは、進行中の研究の分野です（Larkum、2013）。しかし、多くの条件の下で、尖端樹状突起上の認識されたパターンは細胞を脱分極し、したがって基底樹状突起上の認識されたパターンと同様の効果を有すると言える。
我々は、頂端樹状突起によって引き起こされる脱分極がトップダウン期待値を確立するために使用されることを提案する。これは別の予測形態として考えることができる。

２．１．２。 HTMモデルニューロン

図１Ｃは、我々が我々のソフトウェアシミュレーションで使用する錐体ニューロンの抽象的なモデルを示す。
セルの樹状突起をしきい値一致検出器のセットとしてモデル化します。それぞれに独自のシナプスがあります。
樹状突起／一致検出器上のアクティブなシナプスの数がしきい値を超えると、セルはパターンを検出する。

一致検出器は、錐体細胞の近位樹状突起、基底樹状突起、および頂端樹状突起に対応する3つのグループに分けられる。
? ry および点状ニューロン ry 。
このモデルニューロンを生物学的ニューロン及びポイントニューロンと区別するために「HTMニューロン」と呼びます。
HTMはHierarchical Temporal Memoryの略語で、私たちの新皮質モデルを説明するのに使われています（Hawkins et al。、2011）。
? ry あたり最大40個のシナプスを持つ128個の樹状突起/一致検出器を持 ry 。
この論文のシミュレーションで使用したHTMニューロンは、樹状突起あたり 40 以下個のシナプスを持つ128個の、樹状突起/一致検出器、を持っています。
明確にするために、図１Ｃはわずかな樹状突起およびシナプスのみを示す。

2.2。ニューロンのネットワークはシーケンスを学ぶ

? 新皮質のすべての組織は活動的な樹状 ry ニューロンで構成されているので、それは新皮質がするすべての根底にある共通 ry 。
アクティブな樹状突起と何千ものシナプスとを持つニューロンで新皮質の全組織が構成されているのでそれは、新皮質がする全ての事の根底に横たわる共通のネットワーク原理があることを示唆しています。
? これは、どのようなネットワーク特性がそれが感覚的推論、予測、言語、および運動計画の必要な構成要素であるほど基本的であるかという問題につながります。
この事は、感覚推論と、予測と、言語と、加えて運動プランニングと、の必要構成要素である程に基本的なそれ、とはどの様なネットワーク特性であるかという問いへと導きます。

? ry 基本的な操作は ry 。
我々は、全ての新皮質組織の最も基本的なオペレーションはパターンのシーケンスの学習と想起であることを提案します（Hawkins and Blakeslee、2004）。これはKarl Lashleyが「脳生理学の最も重要で最も無視されている問題」と有名に呼んでいたものです（Lashley、1951年）。
? ry 細胞層が共通の配列記憶アルゴリズムの変形形態を実装すること ry 。
より具体的には、本発明者らは、新皮質の各細胞レイヤが共通シーケンス記憶アルゴリズムのバリエーションを実装している事を提案する。
我々は、セルラレイヤが異なる目的のためにシーケンスメモリを使用することを提案する。それが、セルラレイヤがサイズ及び接続性のような詳細において異なる理由である。
? 本稿では、そのバリエーションを詳しく説明せずに、基本的なシーケンスメモリアルゴリズムであると考えていることを説明します。
本稿で我々は、我々が信じる基本的シーケンスメモリアルゴリズムを、そのバリエーションの細緻にまで立入らずに、示します。

我々は、新皮質をモデル化するために我々のネットワークに要求されるいくつかの特性を列挙することにより、配列記憶の探索を始めた。
1）オンライン学習
学習は継続的でなければなりません。
世界の統計が変化した場合、ネットワークは新しい入力ごとに徐々にそして継続的に適応する必要があります。
2）高次予測
? ry シーケンスで正 ry をするには、過去 ry 。
複雑なシーケンスを伴って正しい予測を成すには、過去からの文脈情報を取り込む能力が必要です。
ネットワークは、最良の予測を行うために必要な時間的コンテキストの量を動的に決定する必要があります。
「高次」という用語は、この性質を有する「高次マルコフ連鎖」を指す。
3）複数同時予測
? ry 、重複した ry 。
自然データストリームには、多くの場合、オーバラップした分岐シーケンスがあります。
したがって、シーケンスメモリは同時に複数の予測を行う必要があります。
? 4）地域学習 ry
4）ローカル学習ルール
? シーケンスメモリは、各ニューロンにローカルな学習規則のみを使用する必要があります。
シーケンス記憶が使用する学習規則は各ニューロンにローカルなものだけでなければなりません。
? グローバルな目的関数を必要と ry 。
グローバルオブジェクト的関数を必要とせずに、規則は空間的にも時間的にも局所的でなければなりません。
5）堅牢性
メモリは、高レベルのノイズ、ニューロンの損失、および入力の自然な変動に対する堅牢性を示すはずです。
これらの条件下でのパフォーマンスの低下は緩やかになるはずです。

これらすべてのプロパティは、データを連続的にストリーミングするという状況で同時に発生する必要があります。

4

２．２．１。ミニコラムとニューロン：2つの表現

高次シーケンスメモリは2つの同時表現を必要とします。
一方はネットワークへのフィードフォワード入力を表し、他方は特定の時間的文脈におけるフィードフォワード入力を表す。
? ry 集団における活性化のまばらなパターン ry 。
この要件を説明するために、2つの抽象シーケンス「ABCD」と「XBCY」を検討します。各文字は、ニューロンの母集団の中のアクティベーションのスパースパターンを表します。
? ry が学習 ry 」と共に提示 ry 」と共に提示 ry 。
これらのシーケンスが一旦学習されると、ネットワークは、シーケンス「ＡＢＣ」を提示されたときに「Ｄ」を予測し、シーケンス「ＸＢＣ」を提示されたときに「Ｙ」を予測するはずである。
? したがって、サブ ry 」の間の内部表現は、2つの場合で異なる必要があります。そうでないと、「C」が表示された後に正しい予測を行うことが ry 。
従って、その 2 つの場合に於てのそれらサブシーケンス「BC」の間のそれら内部表現は異ならねばならない。さもなくば「C」提示後に、正しい予測を成す事ができません。

? ry 細胞層にどのように表れているかを示していることを示 ry 。
図2は、これら2つの表現が皮質ニューロ�