NEW ELEMENTS for a NETWORK (including brain) GENERAL THEORY during LEARNING period (For a better UNDERSTANDING of ARTIFICIAL INTELLIGENCE EFFICIENCY?) Version N°5 A relevant progress? By Jean PINIELLO July 2018 - Archive ouverte HAL Accéder directement au contenu
Pré-Publication, Document De Travail Année : 2018

NEW ELEMENTS for a NETWORK (including brain) GENERAL THEORY during LEARNING period (For a better UNDERSTANDING of ARTIFICIAL INTELLIGENCE EFFICIENCY?) Version N°5 A relevant progress? By Jean PINIELLO July 2018

NOUVEAUX ELEMENTS pour une THEORIE GENERALE des RESEAUX (incluant le CERVEAU) pendant la période d'APPRENTISSAGE (Pour une meilleure COMPREHENSION de l'EFFICACITE de l'INTELLIGENCE ARTIFICIELLE?) Version N°5 Un progrès significatif? Par Jean PINIELLO

Jean Piniello
  • Fonction : Auteur
  • PersonId : 927069

Résumé

This study deals with the evolution of the so called "intelligent" networks (insect society without leader, cells of an organism, brain,...) during their learning period. First we summarize briefly the Version 2 (published in French), whose the main characteristics are: 1) A network connected to its environment is considered as immersed into an information field created by this environment which so dictates to it the learning constraints. 2) The used formalism draws one's inspiration from the one of the Quantum field theory (Principle of stationary action, gauge fields, invariance by symmetry transformations,...). 3) We obtain Lagrange equations whose solutions describe the network evolution during the whole learning period. 4) Then, while proceeding with the same formalism inspiration, we suggest other study ways capable of evolving the knowledge in the considered scope. In a second part, after a reminder of the points to be improved, we exhibit the Version 5 which brings, we think, relevant improvements. Indeed: 5) We consider the weighted averages of the variables; this introduces probabilities. 6) We define two observables (L average of information flux and A activity of the network) which could be measured and so be compared with experimental results. 7) We find that L , weighted average of information flows, is an invariant. 8) Finally, we propose two expressions for the conactance, from which we deduce the corresponding Lagrange equations which have to be solved to know the evolution of the considered weighted averages. But, at the present stage, we think that we can progress only by carrying out experiments (see projects like Human brain project) and discovering invariants, symmetries which would allow us, like in Physics, to classify networks and above all to understand better the connections between them. Indeed, and that is what we propose among the future research ways, the underlying problem is to understand how, after their learning period, several networks can connect together to produce, in the brain case for instance, what we call mental states.
Cette étude traite de l'évolution des réseaux dits " intelligents " (société d'insectes sans chef, cellules d'un organisme, cerveau,...) pendant leur phase d'apprentissage. On résume d'abord brièvement la Version 2 (publiée en français), dont les caractéristiques essentielles sont : * Un réseau connecté à son environnement est considéré comme plongé dans un champ d'information généré par cet environnement qui lui impose ainsi les contraintes d'apprentissage. * Le formalisme utilisé s'inspire de celui de la Théorie quantique des champs (principe de moindre action, champs de jauge, invariance par rapport aux transformations de symétrie,...). * On obtient ensuite les équations de Lagrange dont les solutions décrivent l'évolution du réseau pendant toute la phase d'apprentissage. * Enfin, tout en continuant de s'inspirer du même formalisme, on suggère des voies d'études susceptibles de faire évoluer les connaissances dans le domaine considéré. Puis, après avoir rappelé les points à améliorer, on expose la Version 5 qui apporte, semble-t-il, des améliorations significatives. En effet : * On considère les moyennes pondérées des variables, ce qui permet d'introduire les probabilités. * On définit deux observables (L la valeur moyenne pondérée des flux d'information internes et A l'activité du réseau) qui pourraient permettre une confrontation avec l'expérience. * On trouve que L, valeur moyenne des flux d'information, est un invariant. * Enfin on propose 2 expressions de la conactance, dont on déduit les équations de Lagrange correspondantes, à résoudre pour trouver l'évolution des valeurs moyennes considérées. Mais, à ce stade, on considère que seule l'expérimentation (voir les projets comme Human brain project) permettra de progresser en découvrant des invariants, des symétries, qui permettraient, comme cela a été le cas en Physique, d'établir une classification des réseaux et surtout de mieux comprendre les interactions entre réseaux. Car, et c'est ce qui est proposé dans les voies de recherches futures, le problème fondamental est de comprendre comment, une fois leur apprentissage terminé, différents réseaux peuvent se connecter entre eux pour donner, dans le cas du cerveau par exemple, ce qu'on appelle des états mentaux.
Fichier principal
Vignette du fichier
NETWORK-THEORY-VERSION5 - Copie - Copie.pdf (1.29 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-00713298 , version 1 (29-06-2012)
hal-00713298 , version 2 (31-01-2013)
hal-00713298 , version 3 (18-04-2014)
hal-00713298 , version 4 (06-08-2014)
hal-00713298 , version 5 (01-10-2018)

Identifiants

Citer

Jean Piniello. NEW ELEMENTS for a NETWORK (including brain) GENERAL THEORY during LEARNING period (For a better UNDERSTANDING of ARTIFICIAL INTELLIGENCE EFFICIENCY?) Version N°5 A relevant progress? By Jean PINIELLO July 2018. 2018. ⟨hal-00713298v5⟩

Collections

TDS-MACS
662 Consultations
506 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More