Лекция
Привет, мой друг, тебе интересно узнать все про метамодели нейронных сетей, тогда с вдохновением прочти до конца. Для того чтобы лучше понимать что такое метамодели нейронных сетей, нейронные цепи, нейронные сети, нейронные ансамбли , настоятельно рекомендую прочитать все из категории Модели и методы исследований.
Проблема интеллекта существует с древних времен, а проблема искусственного интеллекта с середины двадцатого века. Можно смело говорить, что в обозримом будущем проблема интеллекта не перестанет быть проблемой. Поэтому не стоит отбрасывать даже незначительную возможность преодоления кризиса, возникшего в исследовании разумного поведения. Следует рассматривать все гипотезы, которые могут помочь сделать шаг на пути познания загадки разума и сознания. Свобода мышления разработчика от психологических табу стоит того, чтоб отказаться от бритвы Оккама, хотя бы на первых этапах. Свобода от табу придаст комфорт разработчику, что может значительно снизить затраты, или пусть окольным путем, но благодаря применению неординарных идей, привести к работоспособному прототипу.
ФУНКЦИОНАЛЬНЫЕ МЕЖНЕЙРОННЫЕ ОБРАЗОВАНИЯ В ЦНС
Нейронные цепи – это соответствующим образом, чаще всего последовательно, соединенные между собой нейроны, которые выполняют определенную задачу. нейронные сети – это объединение нейронов, которое содержит множество параллельно расположенных и связанных между собой последовательных цепей нейронов. Такие объединения выполняют сложные задачи. Например, сенсорные сети выполняют задачу по обработке сенсорной информации. Принцип соподчиненного поведения нейронов в сети предполагает, что совокупность взаимосвязанных элементов обладает большими возможностями функциональных перестроек, то есть на уровне нейронной сети происходит не только преобразование входной информации, но и оптимизация межнейронных отношений, которая приводит к реализации требуемых функций информационно-управляющей системы.
По характеру организации в нервной системе выделяют три типа сетей – иерархические, локальные и дивергентные. Таким путем эти сети могут влиять одновременно на активность множества элементов, которые могут быть связаны с разными иерархическими уровнями.
Рис. Типы нейронных связей в ЦНС. Рефлекторные дуги спинальных рефлексов.
Рис. Виды связей между нейронами
Нейронными ансамблями принято называть группу нейронов диаметром 300-500 микрометров, включающую пирамидные и звездчатые нейроны коры большого мозга, которые генерируют одночастотные паттерны.Основная функция нервной системы связана с обработкой информации, на основе которой происходит восприятие внешней среды, взаимодействие с ней, управление двигательной активностью, а также совместно с эндокринной системой управление работой всех внутренних органов.У человека нервная система обеспечивает высшую нервную деятельность и ее важнейший компонент – психическую деятельность.
Нервные центры - это совокупность нейронов, расположенных в различных отделах ЦНС, которые принимают участие в осуществлении какого-либо рефлекторного акта для осуществления рефлекса и регуляции отдельных функций организма.
Исследования модульной организации нейронов возвращают нас к сороковым годам минувшего столетия, когда Р. Лоренте де Но сформулировал закон множественности и принцип реципрокности (реверберации) межнейронных связей. Уже позже на основе этих закономерностей Я. Сентаготаи разделил непрерывные комплексы серого вещества на минимальные функционально независимые участки – локальные межнейронные цепи, Д. Хэбб определил их как ансамбли клеток, реализующие основные механизмы межнейронной интеграции, а М. Шейбел и А. Шейбел предложили понятие «модуль» – элементарной единицы структурно-функциональной организации нервного центра. Оперируя понятием модульных ансамблей, В. Об этом говорит сайт https://intellect.icu . Маунткасл выдвинул концепцию о распределенных системах, формирующих единое информационное пространство мозга
Мы рассматриваем вычислительную систему. Система искусственного интеллекта будет существовать в виртуальной реальности. И это не будет физическая реальность, в которой существует человек. Реальность, в которой будет существовать искусственный интеллект, имеет право быть любой, как бесконечно сложнее физической реальности, так и бесконечно проще ее. Принципы построения (законы) действующие в виртуальной реальности могут походить на законы естественной реальности в весьма малом объеме. Нам не обязательно делать искусственный интеллект по образу и подобию естественного интеллекта. Мы вправе создавать любую виртуальную реальность с любыми свойствами. Мы можем неограниченно погружать одни уровни виртуальных реальностей в другие, пересекать либо нарушать разделяющие их границы. Главное - обеспечить возможность моделирования полученного абстрактного решения на существующей в нашей физической реальности вычислительной технике. Рассмотрим нейронные сети как средство реализации системы искусственного интеллекта. Нейрон есть узел, обрабатывающий поступающую к нему информацию и передающий результат остальным узлам. Особо важна одновременность работы всех нейронов. Нейрон может выполнять как элементарно простые, так и весьма сложные операции. Особой функциональной разницы для всей системы это не повлечет. При необходимости можно объединить группу элементарных операций в ансамбль нейронов и работать уже со сложными функциями таких абстрактных образований. В этом случае узлы со сложным поведением могут моделироваться группой элементарных нейронов.
Искусственная нейронная сеть может реализовать любую функцию, какую разработчики в состоянии формально описать. Однако доказать возможность реализовать любую функцию - это только начало. Для практического применения разработанной системы необходимо реализовать не любую, а некоторую конкретную и полезную в данном контексте функциональность. Описанной абстрактной нейронной сети не хватает возможности изменять выполняемую функцию в динамике. Если структура сети будет жестко определена, как у классического персептрона, то, будучи один раз реализованной согласно проекту, такая сеть сможет адаптироваться к изменившимся условиям в весьма жестких пределах обусловленных ее структурой. Конечно, возможно применить методологию метапереходов, и работать с динамикой обрабатываемых импульсов, но это будет побег от проблемы, а не ее решение. Возможность самомодификации и самоанализа требует наличия динамики топологии. Необходимо, чтобы нейронная сеть смогла обрабатывать свои нейроны как данные. Тогда одна часть нейронной сети может изменять топологию ее другой части. Интересно, что еще в 1957 году, Джон фон Нейман создал архитектуру нейронной сети, принципиально отличную от персептронной (ограничения, накладываемые кристаллической решеткой, мы рассматривать не будем, за деталями реализации оригинального «самовоспроизводящегося автомата» лучше обратится к работе. Ее свойствами, существенными для данной работы, являются следующие: нейрон представляет некоторое достаточно простое устройство по переработке входных сигналов (в оригинале были использованы логические функции конъюнкции, дизъюнкции и инверсии); нейрон может динамически изменять выполняемую функцию; нейрон может динамически менять соединения с другими нейронами; одна часть нейронной сети может анализировать состояние другой части сети; одна часть сети может изменять топологию другой части нейронной сети. При математически полном наборе функций их сложность отразится только на вычислительной эффективности. Как показал фон Нейман в своей работе такая нейронная сеть эквивалентна машине Тьюринга.
В сети Неймана один участок нейронной сети может проанализировать структуру другого участка. Затем принять некоторые решения на основе этого анализа и провести изменение связей или типов нейронов. Одна часть нейронной сети может использовать другую часть нейронной сети в качестве банка памяти, динамически подсоединяясь к отдельным нейронам-ячейкам, считывая их состояние или изменяя это состояние. Интересна аналогия, которую можно провести между молекулой ДНК и лентой в таком автомате. Более того, одна часть нейронной сети может выпустить «конструирующий рукав» и собрать из отдельных нейронов устройство, выполняющее некоторые функции. При этом память, расположенная в «ленте» используется как ДНК, на основе которой конструируется некоторый участок нейронной сети.
Таблица 1. Сопоставление машины фон Неймана и биологической нейронной сети
Рассмотрим семантические нейронные сети и те следствия, которые возникают в процессе применения идей фон Неймана к этим сетям. В отличие от сети фон Неймана, в семантической нейронной сети отсутствуют ограничения на топологию нейронов. Это приводит к невозможности относительной адресации нейронов, как это делал фон Нейман. В этом случае, необходимо ввести абсолютную адресацию. Каждый нейрон должен иметь некоторый уникальный идентификатор, зная который можно получить к нему прямой доступ. Разумеется, нейроны, которые взаимодействуют друг с другом через аксоны-дендриты, должны иметь идентификаторы друг друга. Относительную адресацию можно моделировать, введя специфичность нейронов, аналогично тому, как это реализовано в биологических нейронных сетях.
Постулируем наличие указателя на нейрон. Этот указатель будет просто уникальным номером - идентификатором нейрона в хранилище нейронов. Пусть нейроны в состоянии обрабатывать не только нечеткие данные, но и указателями друг на друга. Очевидно, что совершенно реально реализовать это технически. Указатель на нейрон представляет собой виртуальную связь, которая не реализована в виде дендрита или аксона. Пусть в сконструированной виртуальной реальности, нейроны будут взаимодействовать друг с другом не только посредством передачи сигналов через аксоны-дендриты, но и с помощью паранормальных эффектов. Итак, нейрон будет иметь сигнальные входы, сигнальные выходы и набор виртуальных связей с другими нейронами. Нейрон будет иметь возможность взаимодействовать с другими нейронами, владея их указателями, но, не имея с ними сигнальных связей. Так же очевидно отличие между указателями и сигнальными связями. Сигнальные связи являются двухсторонними структурными образованьями связанными как с источником, так и с приемником сигнала. Указатель же односторонен. Владелец идентификатора некоторого нейрона в состоянии инициировать взаимодействие с этим нейроном. Связи, проявленные в виде аксонов и дендритов можно рассматривать как долговременную память системы, инвариантную к контексту. Сигналы и указатели, обрабатываемые нейронами - как сверхоперативную информацию, зависящую от текущего контекста. Потеря сигналов или указателей (по аналогии с эпилептическим припадком) не должна повлиять на проявленную структуру и привести к изменениям в долговременной памяти или личности.
Наличие таких указателей приводит к возможностям косвенного взаимодействия. Аналогом из традиционных языков программирования является двойная или тройная разадресация. В этом случае некоторый нейрон-1, имеющий виртуальную связь с нейроном-2 в состоянии взаимодействовать с нейроном-3 при условии, что нейрон-2 владеет указателем на нейрон-3. Это приводит к широким возможностям взаимодействия одного нейрона с другим нейроном без непосредственного контакта как через проявленные, так и через виртуальные связи. Для обеспечения саморефлексии в сети можно ввести нейроны, выполняющие функции анализа и изменения структуры сети. Введем нейроны рецепторы, реагирующие на структурные элементы конструируемой нейронной сети. Так же введем нейроны эффекторы, которые, будучи переведены в возбужденное состояние, выполняют некоторую модификацию структуры нейронной сети. Для обеспечения полноты системы необходимо обеспечить самоприменимость нейронов рецепторов и нейронов эффекторов. Нейрон рецептор должен иметь возможность анализировать другие нейроны рецепторы, в том числе и того же типа что он сам. Нейроны эффекторы должны уметь модифицировать другие нейроны эффекторы, а не только нейроны, выполняющие обработку сигналов.
Благодаря наличию виртуальных связей между нейронами возможно разделить модель сети на субмодели. Назовем такие субмодели телами.
Физическое тело будет состоять из тел нейронов и связей между нейронами и существовать в пространственном континууме. В отличие от реального физического мира количество пространственных измерений в виртуальном мире может быть не равно 3. Информационное тело будет состоять из импульсов передающихся между нейронами.
Астральное тело будет состоять из виртуальных связей между нейронами и из общих принципов организации нейронной сети не отраженных в логике поведения отдельного нейрона. Модели физического, информационного и астрального тел будут выполняться во время работы виртуальной машины. Пространство предоставляет базу для размещения тел нейронов и их связей. В семантической нейронной сети пространство имеет меньше чем одно измерение, так как идентификаторы нейронов, адресующие нейроны в хранилище не обладают отношением порядка. Каждый нейрон может иметь контакт с любым нейроном без ограничений на расстояние между ними или на топологию связей.
Модель астрального тела в первую очередь должна обеспечить возможность формирования указателей на нейроны и возможность передачи этих указателей между вычислительными структурами. Тогда одни нейроны могут передавать в сигналах указатели на другие нейроны. Так же на модель астрального тела можно выложить функции обучения нейронной сети, такие как обратное распространение ошибки, синтез синхронизированного линейного дерева и другие. Физическое тело (нейронная сеть) управляет эффекторами системы и предоставляет информацию астральному телу, необходимую для модификации структуры нейронной сети. Астральное тело, пользуясь правилами обучения, которые хранятся в структуре нейронной сети (память) изменяет (обучает) эту нейронную сеть, в том числе и новым правилам обучения. Таким образом, любые правила обучения/синтеза топологии нейронной сети становятся частным случаем всех возможностей этой сети. В результате разработанная нейронная сеть может быть эффективно реализована средствами существующей вычислительной техники. Семантическая нейронная сеть эквивалентна машине Тьюринга. Это означает, что на ее основе можно реализовать систему, вычисляющую любую функцию вычислимую на машинах Тьюринга. Например, такая сеть, в качестве частного случая, может моделировать многослойный персептрон с обратным распространением ошибки. Так нейроны персептрона можно сконструировать из отдельных нейронов такой сети, выполняющих по отдельности функции суммирования, умножения и функцию активации. Алгоритм обучения персептрона можно реализовать в виде отдельного фрагмента такой сети, анализирующего и модифицирующего фрагмент соответствующий собственно персептрону.
Если я не полностью рассказал про метамодели нейронных сетей? Напиши в комментариях Надеюсь, что теперь ты понял что такое метамодели нейронных сетей, нейронные цепи, нейронные сети, нейронные ансамбли и для чего все это нужно, а если не понял, или есть замечания, то не стесняйся, пиши или спрашивай в комментариях, с удовольствием отвечу. Для того чтобы глубже понять настоятельно рекомендую изучить всю информацию из категории Модели и методы исследований
Комментарии
Оставить комментарий
Модели и методы исследований
Термины: Модели и методы исследований