چکيده
تصور دنيايي فارغ از حافظه در پردازنده ها بسيار دشوار است، زيرا كه در هر پردازش كننده براي افزايش كارامدي فضايي براي ذخيره متغير ها و يا نتايج اوليه محاسبات در نظر گرفته ميشود. مغز پردازشگر انسان از حافظه كاري و كامپيوتر هاي امروزي از انواع حافظه‌ها، با سرعت و گنجايش‌هاي متفاوت بهره ميبرد. در يادگيري ماشين نيز نياز است كه از حافظه به طور مناسب بهره برد.
در شبكه‌هاي عصبي تلاش براي افزودن حافظه براي حل كردن مشكلات يادگيري براي برخي مسائل انجام شده است. اين تلاش‌ها به دو گونه بسيار جامع حافظه هاي دروني و بيروني تقسيم ميشوند. اما طبق نتايج به دست آماده كنترل حافظه هاي داخلي سخت بوده و به يادگيري، با پيچيدگي هاي به وجود آمده، آسيب ميرساند.
ما قابليت‌هاي شبكه‌هاي عصبي را با اتصال آنها به منابع حافظه‌ي خارج، افزايش داده‌ايم كه بدين صورت مي‌توانند با «فرايندهاي توجه» سر و كار داشته باشند. اين سيستم تركيبي مشابه با ماشين تورينگ يا معماري وان‌نيومن است اما به صورت سر به سر تفكيك‌پذير است و اجازه مي‌دهد كه به صورت كارامدي با شيب نزولي آموزش داده شود. نتايج مقدماتي نشان مي‌دهند كه اين معماري مي‌توانند الگوريتم‌هاي ساده‌اي همانند كپي، ترتيب‌بندي و يادآوري از مثال‌هاي ورودي و خروجي را انجام دهند.
تلاش‌هاي امروزي بر اين است كه با يك ساختار حافظه نسبتاً ساده مسائلي كه نياز به يادگيري ترتيب يا جامعيت بخشيدن دارد را سريع‌تر و با دقت بيشتر حل نمود. اين در حاليست كه معماري مغز انسان يا حتي كامپيوتر هاي امروزي از چندين نوع حافظه، كه در هارموني با يكديگر هستند، بهره ميبرند. پس فعاليت‌هاي آينده در بهبود و تكميل كردن اين معماري‌هاي مبني بر حافظه ميباشد.
واژه‌هاي كليدي: حافظه‌ي كاري، شبكه‌ي عصبي، ماشين عصبي تورينگ
