Проверяемая база для исследований
Формальные доказательства на Lean 4 для классической сети Хопфилда показывают, как мы проверяем исследовательский код.
Исследование биоподобных сетей
MagicBrain
ИсследованиеИсследовательская линия по биоподобным нейросетям: импульсные сети и локальное обучение. Код открыт (PyPI 0.8.0), в продуктах не используется.
Проблема
Почти весь прикладной ИИ сегодня строится на больших моделях, которые обучил кто-то другой. Мы хотим понимать и другие подходы: на что способны сети, устроенные ближе к биологическим, где их пределы и что из этого можно проверить.
Почему обычные решения не справляются
Работа поверх чужой модели не объясняет, как устроены сами сети. Как структура сети может складываться в ходе работы, остаётся открытым вопросом. Поэтому мы описываем наблюдаемые свойства и инженерную зрелость и не утверждаем, что этот подход лучше существующих.
Как это работает
Здесь мы показываем инженерную зрелость; научного результата пока нет. Для классической сети Хопфилда на Lean 4 доказано, что её энергия не растёт, когда нейроны обновляются по одному. Спайковую сеть TextBrain эти доказательства не покрывают. Есть и наблюдаемое поведение: сеть восстанавливает сохранённый образ по испорченному входу. О скорости и о качестве генерации текста мы ничего не утверждаем: на стенде оценки спайковая сеть пока не обгоняет простую биграммную модель.
Демо
Исследованиеповторяемый прогон
Технологии
- Python
- Lean 4
- NumPy
Где это применимо
Долгая исследовательская линия
Направление, которое мы ведём ради понимания. Как продукт не продаётся.
Чем это подтверждается
Lean 4: 21 утверждение о классической сети Хопфилда, без пропусков
Доказано, что энергия классической сети Хопфилда не растёт при поочерёдном обновлении нейронов. Это заново формализованный классический результат: спайковую сеть TextBrain доказательства не покрывают. Показываем, что доказательства собираются.
Как повторить: lake build
Память на образы: сохранить, испортить часть битов, восстановить
Наблюдаемое поведение памяти на испорченном входе. Только поведение, без заявлений о том, насколько хорошо это работает.
Как повторить: pytest -k pattern_memory
Код открыт, поэтому всё, что выше, можно проверить в репозитории. Открыть код ↗
Посчитать на своих цифрах
Калькулятор AVA считает, окупится ли автоматизация процесса, на ваших цифрах, без формы и без нашей цены. Если не окупится, он так и скажет.
Посчитать окупаемостьРазберём вашу задачу
Опишите задачу своими словами. Если она не решается или не окупится, скажем об этом до начала работ.