🤖 machine learning

Modular Neural Computer

Dit paper introduceert de Modular Neural Computer (MNC), een geheugenaugmenteerde neurale architectuur die algoritmen voor exacte berekening implementeert via analytisch gespecificeerde, modulaire componenten en extern geheugen, waardoor deterministisch gedrag en expliciete tussenstappen behouden blijven.

Oorspronkelijke auteurs: Florin Leon

Gepubliceerd 2026-03-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Florin Leon

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Modular Neural Computer: Een Slimme Werkbank in plaats van een Gokker

Stel je voor dat je een robot bouwt die een taak moet uitvoeren, zoals het sorteren van een stapel kaarten of het vinden van de kortste route door een stad.

De meeste moderne kunstmatige intelligentie (zoals de AI die je kent van chatbots) werkt als een gokker. Je geeft hem duizenden voorbeelden van kaarten die al gesorteerd zijn, en hij probeert door te kijken en te raden hoe hij dat zelf moet doen. Soms lukt het, maar als je hem een heel grote stapel kaarten geeft die hij nog nooit heeft gezien, raakt hij in de war. Hij heeft de "regels" niet echt geleerd; hij heeft alleen patronen onthouden.

Dit artikel introduceert een heel andere aanpak: de Modular Neural Computer (MNC). In plaats van een gokker, is dit een slimme, modulaire werkbank.

Hoe werkt deze "Werkbank"?

Stel je een fabriekshal voor met drie belangrijke onderdelen:

Het Grote Kladblok (Het Geheugen):
Dit is een groot, extern bord waar alle informatie op staat geschreven. Het is niet verborgen in de hersenen van de robot. Alles wat de robot nodig heeft (de getallen, de huidige stap, het resultaat) staat hier opgeschreven. Dit is het "werkblad" waarop alles gebeurt.
De Chef (De Controller):
Dit is een klein, slim brein dat alleen kijkt naar het kladblok. Het ziet waar de robot nu staat (bijvoorbeeld: "We zijn bij stap 3 van 10"). Op basis daarvan geeft de Chef een seintje: "Nu is het tijd om te sorteren!" of "Nu moeten we stoppen!". De Chef is heel strikt; hij zegt precies welke knop er op welk moment moet worden ingedrukt.
De Vaklieden (De Module's):
In de fabriek staan verschillende vaklieden. Iedereen heeft dezelfde uniformen en werkt aan dezelfde tafel, maar ze hebben allemaal een heel specifieke specialisatie:
- Vakman A is alleen goed in het vergelijken van twee getallen.
- Vakman B is alleen goed in het optellen.
- Vakman C is alleen goed in het stoppen van de machine.
Het magische trucje: Op elk moment staat er maar één vakman aan het werk. De Chef geeft een seintje (een "groen licht") aan precies één vakman. De anderen krijgen "rood licht" en doen niets. Ze zijn er wel, maar ze zijn stil.

Waarom is dit zo slim?

Bij de traditionele AI (de gokker) proberen alle vaklieden tegelijkertijd iets te doen, en de AI probeert later te raden wie het juiste antwoord gaf. Dat werkt vaak niet goed bij moeilijke taken.

Bij de MNC (de werkbank) is het anders:

Geen gissen: De regels zijn niet geleerd door te oefenen. Ze zijn door de mens (de onderzoeker) precies zo ontworpen dat ze altijd kloppen.
Duidelijkheid: Je kunt precies zien wat er gebeurt. De Chef zegt: "Nu pakt Vakman A de twee getallen van het kladblok, vergelijkt ze, en schrijft het kleinste getal terug."
Onfeilbaar: Omdat de regels logisch zijn opgebouwd, werkt het systeem perfect, zelfs als je een heel lange lijst getallen geeft die de computer nog nooit heeft gezien. Het is alsof je een recept volgt in plaats van te raden wat er in de pan moet.

Drie Voorbeelden uit het Artikel

De schrijver laat zien hoe deze werkbank drie verschillende taken uitvoert:

Het kleinste getal vinden:
De Chef stuurt de vakman die vergelijkt. Die kijkt naar het eerste getal, onthoudt het, kijkt naar het tweede, vergelijkt, en onthoudt het kleinste. Dit gaat zo door tot het einde. De robot "weet" precies wat hij doet, stap voor stap.
Een lijst sorteren:
Nu moeten de vaklieden de kaarten op het kladblok zelf verschuiven. De Chef stuurt een vakman die twee kaarten naast elkaar pakt, ze omdraait als ze verkeerd staan, en dan naar de volgende twee gaat. Het is alsof je een rij mensen in de handpalm hebt die je één voor één op de juiste plek zet.
De A-zoektocht (Zoeken in een doolhof):*
Dit is het lastigste. Stel je voor dat je een doolhof moet oplossen. De robot moet niet alleen stappen zetten, maar ook onthouden welke paden hij al heeft geprobeerd en welke beloftevol zijn.
De MNC bouwt hier een dynamisch zoeknetwerk op het kladblok. Het maakt nieuwe "notitieblokjes" aan voor elke mogelijke route, vergelijkt ze, en kiest de beste. Het is alsof de robot een kaart tekent terwijl hij loopt, in plaats van blindelings rond te rennen.

De Conclusie in Eenvoudige Woorden

Dit artikel zegt eigenlijk: "Laten we stoppen met AI's te laten gokken op hoe ze algoritmes moeten doen. Laten we ze in plaats daarvan bouwen als een precieze machine."

De Modular Neural Computer is een systeem dat eruitziet als een neurale netwerken (zoals hersenen), maar zich gedraagt als een strakke computercode. Het combineert het beste van twee werelden:

Het is flexibel genoeg om met verschillende lengtes van data om te gaan.
Het is betrouwbaar genoeg om exacte wiskundige taken uit te voeren zonder fouten.

Het is alsof je een robot bouwt die niet alleen "voelt" wat hij moet doen, maar die ook echt weet wat de regels zijn, en die die regels stap voor stap, foutloos uitvoert.

Titel: Modular Neural Computer (MNC)

Auteur: Florin Leon (Technische Universiteit "Gheorghe Asachi" Iași, Roemenië)
Datum: 4 maart 2026 (Preprint)

1. Probleemstelling

Bestaande neurale architecturen met externe geheugens, zoals de Neural Turing Machine (NTM) en de Differentiable Neural Computer (DNC), beloven het vermogen om algoritmische taken uit te voeren met variabele invoerlengtes. In de praktijk blijken deze modellen echter beperkt:

Ze zijn afhankelijk van end-to-end training op grote datasets.
Ze generaliseren vaak slecht naar invoer die langer is dan de trainingsdata.
Ze missen deterministisch en exact gedrag; de uitvoering is statistisch en niet garandeerd correct.

Het doel van dit onderzoek is om een neurale architectuur te ontwerpen die een gegeven algoritme exact implementeert in plaats van het te leren uit data. De architectuur moet in staat zijn om variabele invoerlengtes te verwerken binnen een geheugenbeperkte omgeving, terwijl het deterministisch en inspecteerbaar blijft.

2. Methodologie: De Modular Neural Computer (MNC)

De MNC is een geheugenverrijkte neurale architectuur die algoritmen realiseert via analytisch gespecificeerde componenten met vaste interfaces, in plaats van via statistisch leren.

Kernarchitectuur

Het systeem bestaat uit vier hoofdcomponenten:

Externe Associatief Geheugen:
- Bestaat uit een reeks scalar cellen (enkelvoudige waarden).
- Toegang is "associatief" via sleutels, maar in de implementatie is dit expliciet: adressen worden omgezet in one-hot vectoren.
- Het geheugen slaat zowel invoergegevens als mutable controletoestanden (zoals indices en tussentijdse resultaten) op.
- Lezen en schrijven gebeurt via "heads" die gebruikmaken van een zachte attention-mechanisme (softmax met zeer lage temperatuur), waardoor het gedrag bijna identiek is aan hard, discreet adresseren, maar toch differentieerbaar blijft.
Controller (MLP):
- Een feedforward Multi-Layer Perceptron (MLP) die de controletoestand leest uit het geheugen (bijv. huidige index, probleemgrootte).
- De controller genereert twee soorten output:
  - Een gate-vector: Een one-hot vector die aangeeft welk functioneel module actief is.
  - Adressen: Specificaties voor welke geheugencellen er gelezen en geschreven moeten worden.
Functionele Modules (Homogeen MLP-ensemble):
- Een set van MLP-modules, elk verantwoordelijk voor één specifieke stap in het algoritme (bijv. initialisatie, update, stoppen).
- Uniforme Interface: Alle modules ontvangen dezelfde set van gelezen waarden en produceren een vast aantal schrijfwinsten.
- Inhibitie: Modules worden "inhibiterend" gemaakt. Als een module niet de actieve gate heeft (gate = 0), produceert hij exact 0. Als de gate actief is (1), voert hij de specifieke transformatie uit.
- De uiteindelijke schrijfwinsten zijn de som van alle module-uitkomsten (wat neerkomt op de output van slechts de ene actieve module).
Uitvoeringscyclus:
- De controller bepaalt de fase.
- Het geheugen wordt gelezen op de gespecificeerde adressen.
- Alle modules krijgen deze data, maar slechts één module is actief.
- De output wordt teruggeschreven naar het geheugen.
- Dit proces herhaalt zich in een vast computergrafiek, waarbij alleen de geheugentoestand verandert.

3. Belangrijkste Bijdragen

Exacte Implementatie: In tegenstelling tot eerdere werken die algoritmen leren, compilaat de MNC algoritmen naar neurale componenten. De correctheid volgt uit het ontwerp van de modules en interfaces, niet uit training.
Deterministisch Gedrag: Door het gebruik van analytisch gespecificeerde transformaties (zoals exacte vergelijkingen voor minimum-bepaling) en een one-hot gating-mechanisme, wordt willekeur en generalisatiefouten geëlimineerd.
Modulariteit en Transparantie: De architectuur schept een directe mapping tussen symbolische programmafases (initialisatie, lus, stoppen) en neurale modules. De interne staat is volledig inspecteerbaar in het externe geheugen.
Variabele Invoer: Het systeem werkt correct op invoer van verschillende lengtes binnen een vast geheugenschema, zonder dat de netwerkarchitectuur zelf moet veranderen.

4. Resultaten (Case Studies)

De auteur demonstreert de architectuur aan de hand van drie complexe taken:

Minimum van een Array:
- Implementeert een lineaire scan.
- Gebruikt drie modules: Initialisatie, Update (vergelijk en vervang), en Stop.
- Toont aan dat exacte vergelijkingen ( $\min(a, b)$ ) binnen een MLP kunnen worden gerealiseerd zonder benadering.
Sorteren van een Array (In-place):
- Implementeert een bubble-sort-achtige procedure met pass-limieten.
- Vereist het herschrijven van meerdere array-cellen tegelijk.
- Demonstreert dat de architectuur niet alleen reducties kan uitvoeren, maar ook complexe, in-place transformaties van datastructuren.
A-Zoekalgoritme:*
- Implementeert een zoekprocedure op een vast graafprobleem.
- Het systeem moet dynamisch zoekknopen genereren, een open lijst beheren, de beste knoop selecteren en paden reconstrueren.
- Dit toont aan dat de MNC kan omgaan met dynamisch groeiende datastructuren (zoekbomen) in het externe geheugen, waarbij elke knoop een record van scalaren is.

In alle gevallen werd het algoritme exact uitgevoerd met deterministische tussenresultaten, zonder training op voorbeelden van de uitvoering.

5. Betekenis en Toekomstperspectief

De MNC positioneert zich als een brug tussen symbolische programmeertalen en neurale netwerken (neuro-symbolische systemen).

Betrouwbaarheid: Het biedt een oplossing voor toepassingen waar exactheid en voorspelbaarheid cruciaal zijn, in plaats van statistische waarschijnlijkheid.
Interpreteerbaarheid: Omdat de geheugenstate en de module-acties expliciet zijn, is het systeem volledig transparant.
Onderzoekspad: De auteur suggereert dat hoewel deze specifieke implementatie handmatig is ontworpen, de principes kunnen leiden tot methoden voor automatische neurale programmasynthese. Hierbij zouden modules en hun connecties kunnen worden ontdekt via evolutionaire algoritmen of populatiegebaseerde zoekmethodes, zonder terug te vallen op standaard end-to-end backpropagation.

Conclusie: De Modular Neural Computer bewijst dat algoritmische procedures voor variabele invoer kunnen worden gecompileerd naar een modulaire neurale architectuur met extern geheugen, waarbij de exactheid en deterministische aard van het oorspronkelijke algoritme volledig behouden blijven.