超维计算与人工智能(3)

第二个操作，加法，创建一个新向量，表示所谓的概念叠加。例如，可以采用两个绑定向量“SHAPE is CIRCLE”和“COLOR is RED”，并将它们相加以创建一个表示红色圆形的向量。同样，叠加向量可以分解为其成分。
第三个操作是排列;它涉及重新排列向量的各个元素。例如，如果有一个三维向量，其值标记为 x、y 和 z，则排列可能会将 x 的值移动到 y， y 移动到 z，将 z 移动到 x。“排列可以让你建立结构，”Kanerva说。“它允许你处理序列，一个接一个发生的事情。考虑两个事件，由超向量 A 和 B 表示。我们可以将它们叠加到一个向量中，但这会破坏有关事件顺序的信息。将加法与排列相结合可以保持顺序;可以通过反转操作按顺序检索事件。
这三个操作加在一起，足以创建允许符号推理的超向量的形式代数。但许多研究人员在掌握超维计算的潜力方面进展缓慢，包括奥尔斯豪森。“它只是没有沉入，”他说。

驾驭力量

2018年，Olshausen的学生Eric Weiss展示了超维计算独特能力的一个方面。Weiss想出了如何将复杂图像表示为单个超维向量，其中包含有关图像中所有对象的信息，包括它们的属性，例如颜色，位置和大小。
“我几乎从椅子上摔下来，”奥尔斯豪森说。“突然，灯泡亮了。
很快，更多的团队开始开发超维算法来复制深度神经网络大约二十年前开始处理的简单任务，例如对图像进行分类。
考虑一个由手写数字图像组成的带注释的数据集。算法使用某种预定方案分析每个图像的特征。然后，它为每个图像创建一个超矢量。接下来，该算法为所有零图像添加超向量，为零的想法创建一个超向量。然后，它对所有数字执行相同的操作，创建 10 个“类”超向量，每个数字一个。
现在，该算法被赋予一个未标记的图像。它为此新图像创建一个超向量，然后将该超向量与存储的类超向量进行比较。此比较确定了新图像最相似的数字。
然而，这仅仅是个开始。超维计算的优势在于能够组合和分解超向量以进行推理。最新的证明是在三月份，当时苏黎世IBM研究院的Abbas Rahimi及其同事使用超维计算和神经网络来解决抽象视觉推理中的一个经典问题 - 这对典型的人工神经网络，甚至一些人来说都是一个重大挑战。这个问题被称为Raven的渐进矩阵，在3×3网格中呈现几何对象的图像。网格中的一个位置为空白。受试者必须从一组候选图像中选择最适合空白的图像。