КОНСТРУКЦИЯ КРИТИЧНОСТИ
Хорошо. Строим модель, которая сама настраивает себя к критичности
то есть приводит максимальный показатель Ляпунова к нулю:
\lambda_{\max} \rightarrow 0
Это уже не анализ — это конструкция.
1️⃣ Базовая динамика сети
Берём дискретную модель: x(t+1) = W(t)\,\phi(x(t)) + \eta(t)
- W(t) — веса, которые будут адаптироваться
- \phi — tanh
- \eta — слабый шум
2️⃣ Цель самоорганизации, Мы знаем:
\lambda_{\max} \approx \ln(g\rho(W))
Критическое условие: g\rho(W) = 1
Следовательно, нужно динамически регулировать масштаб весов.
3️⃣ Глобальная адаптация (простой вариант)
Вводим параметр масштабирования \alpha(t):
W(t) = \alpha(t)\tilde{W} где \tilde{W} — фиксированная случайная структура.
Правило адаптации: \alpha(t+1) = \alpha(t) + \epsilon \big( \sigma(t) - 1 \big)
где: \sigma(t) = \frac{\|x(t+1)\|}{\|x(t)\|}
Если активность затухает → увеличиваем масштаб.
Если взрывается → уменьшаем.
Это приводит систему к: \lambda_{\max} \to 0
4️⃣ Локальная (биологически правдоподобная) версия
Каждый нейрон регулирует свою возбудимость:
W_{ij}(t+1) = W_{ij}(t) + \epsilon x_i(t)x_j(t) - \gamma x_i(t)^2 W_{ij}(t)
то комбинация:
- Hebbian усиления
- нормализации
Она стабилизирует спектральный радиус.
5️⃣ Добавляем энергетическое ограничение
Вводим «метаболическую цену»: E(t) = \sum_i x_i(t)^2
И штраф: W_{ij} \leftarrow W_{ij} - \beta E(t) W_{ij}
Это предотвращает гиперсинхронизацию.
6️⃣ Итоговая система
Мы получаем три контура:
- Быстрая нейронная динамика
- Средняя пластичность
- Медленная нормализация энергии
Многоуровневая обратная связь.
7️⃣ Что произойдёт. Если всё правильно:
- спектральный радиус → 1
- \lambda_{\max} \to 0
- появятся нейронные лавины
- распределение станет степенным
Сеть сама найдёт критическую точку.Это называется: Self-Organized Criticality (SOC)
8️⃣ Почему это серьёзно
Такая система:
- максимально чувствительна
- устойчива
- масштабно-инвариантна
- энерго-ограничена
Это кандидат на минимальную модель живой когнитивной системы.
ключевой шаг.
A) Вывести строгий анализ устойчивости этой адаптивной системы
B) Добавить структурную перколяцию (рост связей)
C) Расширить до многослойной модели, приближенной к коре мозга
Отправлено из мобильной Почты Mail.ru