以下、最近よく耳にするクオリアについて、そのアーキテクチャについて素人が知ったかで少し書いてみたいと思います。
クオリア(qualia)の基本アーキテクチャ(仕組みと働き)は1/f リズムだそうである。
クオリアへの時系列としての時点n における２乗可積分な入力(sensation)をx(n) とし、クオリアの出力をy(n) として、y(n)とy(n+1)との相関関数Ry(n)をフーリエ変換(厳密にはz-変換)してパワースペクトルY(i2πf)を求める(Wiener–Khinchin の定理)。同様に入力のパワースペクトルX(i2πf)を求める。この二つの関数の比は、クオリアが1/f リズムであることを考慮するとfに対して反比例することになる。直観的にこの関数の片対数をとるとf に対してスペクトルは１次関数で減少していく。
よって、クオリアは低周波数の入力を透過し易く、高周波数の入力を減衰させるローパスフィルタ(low pass filtre)に近いシステムと考えられる。ローパスフィルタの単純なモデルとしては、移動平均モデル(Moving Average model:MA)などがあるが、クオリアのモデルは移動平均モデルのような単純な確率モデルとして構築できるかも知れない。
厳密には入力のパワースペクトルと出力のパワースペクトルの比(システムとしてのクオリアの伝達関数)の逆フーリエ変換により、クオリアのインパルス応答(時間領域での特性を表す関数)を求めることにより、どのようなモデルになるか妥当性を確認する必要があろう。
クオリアのモデルが移動平均モデルだとし、入力を微小な刺激x(n),出力をy(n)とすると、
モデルの漸化式は
y(n)=x(n)-∑ak*x(n-k)
∑ は1～k まで。ak は時点n-k における重み。
ざっと式を眺めると、現時点の入力と、過去のk 個の状態との総和が出力となるという点で、非常に因果的であるといえる。オートマトンのような現時点と一つ手前の過去の一点の情報により出力が決まるマルコフモデル(Markov Model)よりも動特性が強いと言える。
この動特性の強さ(過去依存性)が”意識の流れ”を生み出しているような気もする。
クオリア(qualia)の基本アーキテクチャ(仕組みと働き)は1/f リズムだそうである。
クオリアへの時系列としての時点n における２乗可積分な入力(sensation)をx(n) とし、クオリアの出力をy(n) として、y(n)とy(n+1)との相関関数Ry(n)をフーリエ変換(厳密にはz-変換)してパワースペクトルY(i2πf)を求める(Wiener–Khinchin の定理)。同様に入力のパワースペクトルX(i2πf)を求める。この二つの関数の比は、クオリアが1/f リズムであることを考慮するとfに対して反比例することになる。直観的にこの関数の片対数をとるとf に対してスペクトルは１次関数で減少していく。
よって、クオリアは低周波数の入力を透過し易く、高周波数の入力を減衰させるローパスフィルタ(low pass filtre)に近いシステムと考えられる。ローパスフィルタの単純なモデルとしては、移動平均モデル(Moving Average model:MA)などがあるが、クオリアのモデルは移動平均モデルのような単純な確率モデルとして構築できるかも知れない。
厳密には入力のパワースペクトルと出力のパワースペクトルの比(システムとしてのクオリアの伝達関数)の逆フーリエ変換により、クオリアのインパルス応答(時間領域での特性を表す関数)を求めることにより、どのようなモデルになるか妥当性を確認する必要があろう。
クオリアのモデルが移動平均モデルだとし、入力を微小な刺激x(n),出力をy(n)とすると、
モデルの漸化式は
y(n)=x(n)-∑ak*x(n-k)
∑ は1～k まで。ak は時点n-k における重み。
ざっと式を眺めると、現時点の入力と、過去のk 個の状態との総和が出力となるという点で、非常に因果的であるといえる。オートマトンのような現時点と一つ手前の過去の一点の情報により出力が決まるマルコフモデル(Markov Model)よりも動特性が強いと言える。
この動特性の強さ(過去依存性)が”意識の流れ”を生み出しているような気もする。