జర్నల్ ఆఫ్ ఇన్ఫర్మేషన్ టెక్నాలజీ & సాఫ్ట్వేర్ ఇంజనీరింగ్
అందరికి ప్రవేశం

నైరూప్య

పునరావృత న్యూరల్ నెట్‌వర్క్‌లు: అసోసియేటివ్ మెమరీ మరియు ఆప్టిమైజేషన్

కె. -ఎల్. డు

ఫీడ్‌బ్యాక్ కనెక్షన్‌ల కారణంగా, పునరావృత న్యూరల్ నెట్‌వర్క్‌లు (RNNలు) డైనమిక్ మోడల్‌లు. ఫీడ్‌ఫార్వర్డ్ న్యూరల్ నెట్‌వర్క్‌లతో (FNNలు) పోల్చితే డైనమిక్ సిస్టమ్‌లను అంచనా వేయడానికి RNNలు మరింత కాంపాక్ట్ నిర్మాణాన్ని అందించగలవు. హాప్‌ఫీల్డ్ మోడల్ మరియు బోల్ట్జ్‌మాన్ మెషిన్ వంటి కొన్ని RNN మోడల్‌ల కోసం, డైనమిక్ సిస్టమ్స్ యొక్క స్థిర-పాయింట్ ప్రాపర్టీ ఆప్టిమైజేషన్ మరియు అసోసియేటివ్ మెమరీ కోసం ఉపయోగించబడుతుంది. హాప్‌ఫీల్డ్ మోడల్ అత్యంత ముఖ్యమైన RNN మోడల్, మరియు బోల్ట్జ్‌మాన్ యంత్రం అలాగే కొన్ని ఇతర యాదృచ్ఛిక డైనమిక్ మోడల్‌లు దాని సాధారణీకరణగా ప్రతిపాదించబడ్డాయి. NPcomplete సమస్యలుగా పేరు తెచ్చుకున్న కాంబినేటోరియల్ ఆప్టిమైజేషన్ సమస్యల (COPలు)తో వ్యవహరించడానికి ఈ నమూనాలు ప్రత్యేకంగా ఉపయోగపడతాయి. ఈ పేపర్‌లో, మేము ఈ RNN మోడల్‌లు, వాటి లెర్నింగ్ అల్గారిథమ్‌లు అలాగే వాటి అనలాగ్ ఇంప్లిమెంటేషన్‌లకు అత్యాధునిక పరిచయాన్ని అందిస్తాము. అసోసియేటివ్ మెమరీ, COPలు, సిమ్యులేటెడ్ ఎనియలింగ్ (SA), అస్తవ్యస్తమైన న్యూరల్ నెట్‌వర్క్‌లు మరియు బహుళస్థాయి హాప్‌ఫీల్డ్ నమూనాలు కూడా ఈ పేపర్‌లో పరిగణించబడే ముఖ్యమైన అంశాలు.