home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #16 / NN_1992_16.iso / spool / comp / ai / neuraln / 2961 < prev    next >
Encoding:
Internet Message Format  |  1992-07-26  |  2.8 KB
  1. Path: sparky!uunet!charon.amdahl.com!pacbell.com!mips!zaphod.mps.ohio-state.edu!wupost!gumby!destroyer!ncar!noao!amethyst!organpipe.uug.arizona.edu!organpipe.uug.arizona.edu!bill
  2. From: bill@nsma.arizona.edu (Bill Skaggs)
  3. Newsgroups: comp.ai.neural-nets
  4. Subject: Re: Neural Nets and Brains
  5. Message-ID: <BILL.92Jul26125431@ca3.nsma.arizona.edu>
  6. Date: 26 Jul 92 19:54:31 GMT
  7. References: <arms.711935064@spedden>> <BILL.92Jul23224539@ca3.nsma.arizona.edu>
  8.     <arms.711986585@spedden> <1992Jul25.031126.1722@news.iastate.edu>
  9.     <arms.712073050@spedden>
  10. Sender: news@organpipe.uug.arizona.edu
  11. Organization: ARL Division of Neural Systems, Memory and Aging, University of
  12.     Arizona
  13. Lines: 41
  14. In-Reply-To: arms@cs.UAlberta.CA's message of 25 Jul 92 14: 04:10 GMT
  15.  
  16. arms@cs.UAlberta.CA (Bill Armstrong) writes:
  17.  
  18.    >Aside from brain modelling using purely boolean signals, there are 
  19.    >other potential uses of ALNs un studying the brain; namely
  20.    >explaining what is happening in nerve cell collections.  If the
  21.    >axons have action potentials, then it would still be possible,
  22.    >even if there are continuous signals at other places in the
  23.    >system, to study the relationships among axon firings using
  24.    >boolean methods.  One would have to relate the firing of axon A to
  25.    >firings of others B, C, ... at previous time instants.  In this
  26.    >way, one would factor out the continuous parts of the operations
  27.    >and concentrate on the functional modelling just based on boolean
  28.    >operations and time delays. 
  29.    >
  30.    >Does anyone know if this has been tried?
  31.  
  32. Hmm, well.  It's at least been *thought of*.  The problem is that when
  33. there are potentially thousands of inputs to a cell, and the cell
  34. integrates inputs over a hundred or so time steps, it takes way too
  35. much space to represent the operations in Boolean terms.  If you're
  36. trying to get the relationships biologically correct, the only
  37. reasonably efficient way to represent neural operations is in terms of
  38. difference equations.
  39.  
  40. At a more abstract level, there is a long history of cellular-
  41. automaton style models of neural systems.  I have to say that I'm not
  42. very impressed by their overall success: it seems that such models
  43. almost invariably show strange phenomena (particularly long and
  44. complex cycles) that disappear when the models are made more
  45. realistic.
  46.  
  47. On the other hand, *probabilistic* cell-aut models have made some
  48. important contributions.  The simple Ising model -- consisting of a
  49. layer of binary units connected to their nearest neighbors and having
  50. a tendency to switch into the same state as the majority of their
  51. nearest neighbors -- has played a very important role in the
  52. development of statistical mechanics (particularly the theory of phase
  53. transitions).  The theory of attractor neural networks owes a great
  54. deal to it and related simple models.
  55.  
  56.     -- Bill
  57.