home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #16 / NN_1992_16.iso / spool / comp / ai / neuraln / 2930 < prev    next >
Encoding:
Text File  |  1992-07-24  |  2.3 KB  |  52 lines
  1. Newsgroups: comp.ai.neural-nets
  2. Path: sparky!uunet!paladin.american.edu!darwin.sura.net!wupost!sdd.hp.com!zaphod.mps.ohio-state.edu!cis.ohio-state.edu!news.sei.cmu.edu!fs7.ece.cmu.edu!crabapple.srv.cs.cmu.edu!news
  3. From: sef@sef-pmax.slisp.cs.cmu.edu
  4. Subject: Re: Neural Nets and Brains
  5. Message-ID: <1992Jul24.173903.175041@cs.cmu.edu>
  6. Date: Fri, 24 Jul 92 17:39:03 GMT
  7. Organization: School of Computer Science, Carnegie Mellon
  8. Nntp-Posting-Host: sef-pmax.slisp.cs.cmu.edu
  9. Lines: 41
  10.  
  11.  
  12.     From: arms@cs.UAlberta.CA (Bill Armstrong)
  13.  
  14.     My point
  15.     was that BP nets use continuous signals and the brain doesn't -- an
  16.     obvious very significant difference.  I was asking why people would
  17.     expect to understand the brain by studying a system (BP) that is
  18.     *different* at the most basic level of signalling.
  19.     
  20. Well, your basic premise here is far from obvious and (in my
  21. never-very-humble opinion) probably wrong.  Yes, neurons seem to do most of
  22. their long-distance signalling with discrete pulses, though as others have
  23. pointed out, there are also local connections that seem to use continuous
  24. analog signals of an electrical or chemical nature.  However, even if we
  25. concentrate on the pulse-coded communication, it appears that most of the
  26. information is being carried by pulse-rate encoding -- an analog signal
  27. that happens to be encoded as a train of pulses rather than a DC level.  By
  28. integrating these pulse trains, you get the old familiar
  29. sum-of-weighted-inputs used by BP and related models.  Look for concurrency
  30. in the pulse trains (or introduce some other nonlinearity before the
  31. summation) and you get a quick and dirty probabilistic multiplication of
  32. two input signals.
  33.  
  34. There may well be some insight to be gained by modeling these systems paths
  35. at the pulse, ion, and time-constant level, but if you want to move to a
  36. more abstract representation, something like BP (or a related continuous
  37. model, like sigma-pi units) seems a much better fit than Boolean logic.
  38. Boolean logic nets fall out of BP as a special case, but I've seen no
  39. reason to believe that the brain uses such special cases exclusively, or
  40. even favors them.
  41.  
  42. -- Scott
  43. ===========================================================================
  44. Scott E. Fahlman
  45. School of Computer Science
  46. Carnegie Mellon University
  47. 5000 Forbes Avenue
  48. Pittsburgh, PA 15213
  49.  
  50. Internet: sef+@cs.cmu.edu
  51.  
  52.