평형 상태로의 수렴을 보장하는 병렬 Hopfield 신경망 = A Parallel Hopfield Neural Network with Guaranteed Stable-State Convergence Property

국문 초록 (Abstract)

본 논문에서는 대세 프로토콜이라 불리는 새로운 상태 변경 법칙을 갖는 병렬 Hopfield 신경망 모델을 제안한다. 기존의 Hopfield 신경망은 병렬로 작동할 경우 진동할 수 있다는 문제점을 가지고 있다. 그러나 본 논문에서 제안한 병렬 Hopfield 신경망은 대세 프로토콜의 특성으로 인해 평형 상태로의 수렴을 보장한다. 대세 프로토콜에 의해 동작하는 신경망의 상태 변경이 있을 때면 언제나 신경망의 consensus가 단조 증가함을 보임으로서 제안한 모델의 평형 상태로의 수렴 성질을 수학적으로 증명하였다. 대세 프로토콜의 유용성을 보이기 위해 Hopfield 신경망에 잘 알려진 최적화 문제를 적용해 순차적 처리를 하는 컴퓨터와 실제의 병렬 컴퓨터상에서 시뮬레이션한다. 시뮬레이션 결과 대세 프로토콜을 갖고 병렬로 동작하는 새로운 Hopfield 모델은 기존의 Hopfield 모델의 해의 최적도를 유지하면서 빠르게 평형 상태로 수렴함을 알 수 있다.

다국어 초록 (Multilingual Abstract)

In this paper, a parallel Hopfield model with a new state updating rule, called the majority protocol is proposed While the original Hopfield network may oscillate if it operates in parallel, the stable-state convergence of the proposed parallel Hopfield network is guaranteed thanks to the novel concept of the majority protocol. The stable-state convergence property of the proposed network is theoretically proved. In order to demonstrate the usefulness of the majority protocol, we simulate the parallel Hopfield network applied to well-known combinatorial optimization problems on sequential computer and actual parallel computer. Simulation results show that new Hopfield model operates in parallel with the stable-state convergence and comparable solution-quality to the original sequential Hopfield model.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 배경
• 3. 평형 상태로의 수렴을 보장하는 새로운 병렬 Hopfield 신경망
• 4. 시뮬레이션
• 5. 결론 및 향후 연구 방향
• 참고문헌
• 저자소개