Neues neuronales Netzwerk: Hamiltonian-basierte Bitweise Teil‑Ganzes‑Architektur

Ein neuartiges System wurde vorgestellt, das Beziehungen wie Teil‑zu‑Ganz direkt in seiner Architektur abbildet. Im Gegensatz zu herkömmlichen künstlichen neuronalen Netzwerken nutzt es eigene Betriebs- und Lernregeln, die speziell auf die Darstellung von Relationen ausgelegt sind.

Die Daten werden als Graphen kodiert, wobei die Kanten aus einer kleinen, festen Menge elementarer Paarbeziehungen bestehen. Diese Relationen sind somit nicht nur Zusatzmerkmale, sondern Teil der Grundbausteine des Systems. Ein neuer Graph‑Hamiltonian-Operator berechnet die Energien dieser Kodierungen; die Grundzustände entsprechen dabei einer gleichzeitigen Erfüllung aller Relationsbedingungen.

Das Verfahren arbeitet ausschließlich mit stark reduzierter Präzision, was die Rechenkosten senkt und eine lineare Skalierung in Bezug auf die Anzahl der Kanten ermöglicht. Trotz dieser Einfachheit kann die Architektur Standard-ANN-Beispiele verarbeiten und erzeugt zugleich symbolische Repräsentationen, die logische Strukturen wie Teil‑zu‑Ganz oder Nachbarbeziehungen erkennen und hierarchische, abduktive Inferenzschritte ermöglichen.

Darüber hinaus wurden äquivalente ANN-Operationen abgeleitet, die auf eingebetteten Vektor‑Kodierungen basieren und potenziell für die aktuelle Forschung zu höheren semantischen Darstellungen von Nutzen sein könnten. Das vorgestellte System bleibt dabei bemerkenswert simpel und eröffnet neue Perspektiven für die Kombination von neuronalen und symbolischen Ansätzen.