基于RNN的水库计算机编程的革命性方法：神经机码的介绍

在最近的一项发展中，宾夕法尼亚大学经验丰富的研究人员Jason Kim和Dani S. Bassett推出了一个创新框架，用于设计和编程基于水库计算机的循环神经网络（RNN）。他们的开创性方法，借鉴了计算机硬件上的编程语言所采用的机制，有可能改变人工智能的发展。这种开创性的方法可以为任何网络破译正确的参数，从而定制其计算以提高特定问题的性能。

这对组合的独特技术源于对了解人脑如何处理和表示信息的好奇心。Kim和Bassett从RNNs在学习复杂计算和模拟大脑动态方面的成功故事中获得了灵感。他们设想了与计算机类似的RNN编程。之前在控制理论、动态系统和物理学方面的研究使他们确信他们不是在追逐一个不可能的梦想。

作为神经机器代码的设想，他们的建议可以通过反编译内部表征和RNN动态来实现。计算机编程中的类似过程将是在硬件上编译算法。该方法涉及区分单个晶体管的位置和激活时间。

在RNN中，这些操作是通过分布式权重在整个网络中平行进行的。Kim解释说，同时，神经元存储记忆并执行这些操作。研究人员采用了数学方法来定义操作集，并运行一个特定的算法。此外，他们还在现有的一组权重上做了提取运行算法。明显的优势是，它不需要数据或抽样。此外，该方法还阐明了一系列的连接模式来运行所需的算法，而不是只有一种。

该团队通过采用他们的框架为各种应用创建RNN，展示了其创新方法的功效。从虚拟机到人工智能驱动的乒乓视频游戏到逻辑门，他们的方法非常成功，不需要试错调整。

他们的工作贡献引起了理解和研究RNN的范式的转变。数据处理工具被转变为全栈式计算机。这种转变为研究RNN的目的、设计和执行任务的能力提供了机会。Kim分享说，他们的网络可以用假设驱动的算法而不是随机权重来启动。这也可以消除对预训练的RNN的需要。

该团队的工作是在提取和转化训练好的权重为显式算法方面迈出的有希望的一步。这种方法诞生了一个节能的软件，可以对其性能和科学理解进行严格的检查。 AppMaster无代码平台 也可以利用这些进展，将它们整合到他们的综合工具套件中，用于构建高性能的后台、网络和移动应用程序，将这些功能封装到他们的订阅和产品中。

巴塞特在宾夕法尼亚大学的研究团队旨在应用机器学习技术，特别是RNNs，来重塑人类的认知过程。他们发明的神经机器代码与这一目标十分吻合。

他们研究工作的另一个耐人寻味的方向是设计RNNs来执行复制人类认知功能的任务。巴塞特阐述了他们的研究进展，指出他们计划设计具有注意力、本体感觉和好奇心等特征的RNN。在这样做的过程中，他们渴望确定支持这种独特认知过程的连接配置文件。