Az idő szerepe a technológiai és biológiai információ tárolásban és feldolgozásban

The role of time in storing and processing information in biology and technology

Authors

  • VÉGH János
  • BERKI Ádám József

Keywords:

information storing, spatiotemporal, biomorph computing, machine learning, /, információ tárolás, spatiotemporális, biomorph szerkezetek, gépi tanulás

Abstract

The time is not the subject of computing science: the classic computing paradigm does not consider data transfer time needed in physical implementations,  and the theoretical and empirical execution times tend to differ. The biological computing is aware of the time (its computing system is „spatiotemporal”), but its currently used separable variable method covers that the space and time coordinates are connected through the conduction speed. Because of using that method, biology cannot interpret the method of storing and processing information. Furthermore, the biology-mimicking technical computing systems also discover that the present technology is not suitable for preparing brain-like systems. Introducing the time-aware computing model, these issues are resolved. The modell also explains, why learning and machine learning have only the word in their name common; otherwise their methods are orthogonal.

Kivonat

Az idő nem tárgya a klasszikus számítástudománynak: a klasszikus paradigma nem veszi figyelembe a fizikai implementációkban az adatok átviteléhez szükséges időt, és egyre inkább eltér a számítógépeken futtatott alkalmazások elméleti és empírikus futási ideje. A biológiai számítás ugyan tud arról, hogy számítási rendszere „spatiotemporális” jellegű, de a használt megközelítésben a szeparált tér és idő koordináták elfedik hogy a koordinátákat a vezetési sebesség összekapcsolja. Emiatt nem tudja értelmezni az információ tárolás és feldolgozás módszerét sem. A technológiai rendszerekkel imitált biológiai rendszerek pedig felfedik, hogy jelenlegi technológia megoldásainkkal nem lehet agy-szerű rendszereket készíteni. Az időt tartalmazó számítási modell bevezetése feloldja ezeket az ellentmondásokat. A modell azt is értelmezi, hogy a tanulás és a gépi tanulás csak nevében hasonlít; a módszereik ortogonálisak.

 

References

Buzsáki Gy, The Brain from Inside Out, 2019, Oxford University Press, 2019, 978-0-19-090538-5

Markov I. L.: Limits on fundamental limits to computation. Nature, 2014, 512(7513), 147-154

Végh J.: Finally, how many efficiencies the supercomputers have? The J. Supercomputing, 2020, 12(76), 9430-9455

Sterling P., Laughlin S.: Principles of Neural Design, 2017, MIT Press, 978-0-262-53468-0

Végh J.: How Amdahl's Law limits performance of large artificial neural networks, Brain Informatics, 2019, 4(6), 1-11.

Végh J.: von Neumann's missing "Second Draft": what it should contain, 2020, Proc. 2020 Internat. Conf. on Computational Science and Computational Intelligence https://american-cse.org/sites/csci2020proc/pdfs/CSCI2020-6SccvdzjqC7bKupZxFmCoA/762400b260/762400b260.pdf

Hutson M.: Core progress in AI has stalled in some fields, Science, 2020, 6494(368), 927, 10.1126/science.368.6494.927

Végh J., Berki Á.: Storing and processing information in technological and biological computing systems. 2021, Proc. 2021 Intern. Conf. on Computational Science and Computational Intelligence, in print. https://www.researchsquare.com/article/rs-88297/v1

Downloads

Published

2021-06-24