Стэнфордские ученые создали нейрокомпьютер, работа которого подражает работе головного мозга

Нейрокомпьютер подражает работе головного мозга

Ученые из Стэнфордского университета разработали и изготовили опытный образец компьютера, работа которого подражает работе головного мозга.

За счет этого компьютер, который пока еще представляет собой печатную плату с установленными на нем чипами, размером с планшетный компьютер, демонстрирует на определенном виде задач производительность в 9 тысяч раз превышающую производительность обычного настольного персонального компьютера.

Давайте узнаем подробнее про это исследование …

При создании электронного нейрокомпьютера учеными была использована их фирменная архитектура под названием Neurogrid.

Обратите внимание

На плате нейрокомпьютера установлены 16 специализированных процессоров Neurocore, которые в сумме могут моделировать работу 1 миллиона нейронов и несколько миллиардов связей между нейронами, синапсов.

За счет такого высокого уровня интеграции новый нейрокомпьютер демонстрирует в 40 тысяч большую эффективность с точки зрения соотношения вычислительной мощности к потребляемой энергии, чем процессоры обычных компьютеров.

Эффективность работы процессоров Neurocore достигается за счет того, что одни и те же элементы электронных схем могут использоваться для обеспечения работы сразу нескольких моделей нейронов и синапсов. Это позволяет процессорам Neurocore строить более обширные и сложные нейронные сети, нежели это могут сделать нейропроцессоры, созданные другими группами ученых.

Следующим шагом, который намерены предпринять Стэнфордские ученые, станет разработка программного обеспечения, при помощи которого инженеры и программисты смогут создавать программы для нейрокомпьютера Neurogrid, не имея обширных знаний в области нейробиологии и об архитектуре нейрокомпьютера.

«Сейчас программирование нашего нейрокомпьютера является весьма сложной задачей, требующей достаточно большого количества высокоинтеллектуального труда» — рассказывает Квабена Боуэн (Kwabena Boahen), один из исследователей, принимавших участие в создании нейрокомпьютера, — «Мы же хотим создать такой пакет для разработки программного обеспечения, при помощи которого каждый человек, ничего не знающий о нейронах и синапсах, сможет разрабатывать программы, которые будут максимально эффективно использовать все возможности нейрокомпьютера Neurogrid».

Еще одной задачей, которая очень остро стоит перед исследователями, является задача снижения стоимости нейропроцессоров Neurocore.

Сейчас изготовление нейрокомпьютера обходится приблизительно в 40 тысяч долларов, но ученые планирую снизить эту сумму до 400 долларов путем замены нейропроцессоров, изготовленных при помощи технологий 15-летней давности, на нейропроцессоры, изготовленные на современных технологических линиях с новыми возможностями.

Параллельно с этим ученые планируют привести энергетическую эффективность будущего нейрокомпьютера к уровню, сопоставимому с эффективностью работы мозга человека. Ведь человеческий мозг, насчитывающий в 80 тысяч раз больше нейронов, потребляет всего в три раза большее количество энергии, нежели нейрокомпьютер Neurogrid.

Немного теории. Человеческий мозг содержит порядка нескольких миллиардов вычислительных элементов, называемых нейронами. Нейроны связаны между собой в сложную сеть.

Важно

Эта сеть отвечает за все явления, которые мы называем мыслями, эмоциями, познанием и так далее, то есть на физиологическом уровне образует то, что называется на самом деле нервной системой, в свою очередь совокупность явлений в нервной системе можно назвать психикой, люди же обычные, особо не обремененные научной пунктуальностью, часто именуют последнюю словом «интеллект». Каждый нейрон состоит из трех основных частей: самой клетки (сомы) и двух типов древовидных отростков – дендритов (их обычно очень много) и аксонов (обычно он один). Вообще-то, для нервной системы позвоночных характерны мультиполярные нейроны. В таком нейроне от клеточного тела отходят несколько дендритов и аксон. По правде говоря, структура, размеры и форма нейронов сильно варьируются. Например, периферические чувствительные нейроны вовсе не идентичны нейронам, составляющим мозг. Дендриты выполняют роль своеобразных «входов» для нервных импульсов, а аксон – «выхода».

Скорость передачи нервных импульсов сравнительно мала, но несмотря на это скорость обработки информации в мозге огромна.

Достигается это за счет того, что внешняя информация распределяется по множеству нейронов и обрабатывается ими одновременно, то есть реализуется максимально распараллеленная обработка информации.

Но это все относится к вопросам биологического устройства, нас же больше интересует искусственная модель нейрона, та модель, которая была предложена учеными.

Общие принципы работы модели нейрона можно описать следующим образом: на входы нейрона поступают нервные сигналы от других нейронов. Каждый вход характеризуется собственным некоторым весовым коэффициентом, определяющим важность получаемой информации.

Вдаваясь в грубую аналогию, весовой коэффициент объясняют как своего рода сопротивление (резистор, если нервный сигнал рассматривается как аналоговый электрический сигнал), оказываемое поступающему на конкретный вход нейрона нервному сигналу.

Предварительно устанавливая величину такого «сопротивления» или же динамически изменяя его величину по определенным правилам в процессе работы нейронной сети, осуществляется как бы задание степени значимости информации, поступающей по данному входу нейрона, то есть в буквальном смысле задание меры подавления нервного сигнала.

Далее: полученные уже после весовых коэффициентов сигналы суммируются, затем итоговый сигнал операции суммирования преобразуется следом так называемой активационной функцией и подается на выход нейрона.

Совет

Активационную функцию прокомментировать можно как механизм, обеспечивающий порог срабатывания, отзывчивости нейрона на сумму входных сигналов, перевод его в состояние возбуждения, а также возвращение в состояние покоя, то есть торможения.

Затем выходной сигнал нейрона поступает на вход следующего нейрона, и все повторяется, пока не будет достигнут желаемый, то есть «запрограммированный» устройством нейронной сети результат.

Такая модель нейрона лишь в общих чертах отражает работу истинного нейрона головного мозга: активационная функция моделирует возбуждение нейрона, а весовые коэффициенты по входам имитируют прохождение сигналов через синапсы нейрона. Синапсы – специализированные функциональные контакты между возбудимыми клетками, служащие для передачи и преобразования сигналов. Кроме того, нейроны группируются в нейронные слои и образуют нейронную сеть.

Тип соединения нейронов и их количество в нейронной сети полностью определяет возможности последней: ее мощность и спектр задач, которые она призвана решать. В настоящее время существует более 200 разновидностей нейронных сетей. Но основной, самой распространенной и простой является сеть, получившая название многослойный персептрон.

Персептрон, перцептрон (от латинского perceptio – понимание, познавание, восприятие) – математическая модель процесса восприятия. Модель восприятия (персептивная модель) может быть представлена в виде трех слоев нейронов: рецепторного слоя, слоя преобразующих нейронов и слоя реагирующих нейронов.

Персептрон же состоит из слоя входных нейронов, слоя выходных и нескольких промежуточных слоев.

Многослойные нейронные сети обладают различной мощностью. Мощность нейронной сети, очевидно, будет зависеть от числа слоев и числа нейронов в каждом слое.

Интуитивно можно предположить, что с увеличением количества слоев и нейронов качество нейронной сети улучшится, и это действительно так, но до некоторого предела, когда наращивание объема становится неэффективным.

Уровень порога связан с размерностями входных и выходных данных, а также с внутренней структурой обрабатываемых данных.

Обратите внимание

Для того чтобы созданная сеть начала работать, ее необходимо обучить. Необученная сеть не имеет даже «рефлексов» – на любые внешние воздействия ее реакция будет хаотичной. Обучение состоит в многократном предъявлении множества чуть-чуть отличающихся характерных примеров распознаваемого элемента до тех пор, пока сеть не станет давать на выходе ожидаемый отклик.

Существуют алгоритмы обучения с учителем и без него. В первом случае в выработке весовых коэффициентов (обучении) участвует человек.

Объясним доходчиво суть такого обучения: человек подает на вход спроектированной нейронной сети пример распознаваемого элемента, затем вручную, или посредством поддерживаемых сетью специальных возможностей, или вспомогательными утилитами сервисного обслуживания сетей настраивает весовые коэффициенты (буквально «подкручивает сопротивления») у разных нейронов обучаемой сети, чтобы на ее выходе получился сигнал такой-то величины. Затем подает на вход сети следующий пример, едва-едва отличающийся от предыдущего, и теперь «подкручивает сопротивления» таким образом, чтобы и на прошлый, и на новый пример обучаемая нейронная сеть давала на выходе сигнал заданной или очень близкой к ней величины. То есть человек-учитель пытается достичь в настройках весовых коэффициентов как бы золотой середины. Следующий пример на вход – и следующая подстройка коэффициентов. В конце концов обученная таким образом сеть готова рефлекторно откликаться в форме заданного уровня сигнала на выходе при появлении на входе распознаваемого элемента, причем тот, в зависимости от длительности обучения, опознается в весьма широком диапазоне вариаций его появления.

Кстати, эти особенности обусловили значительную направленность нейронных сетей на задачи распознавания, в числе которых оказывается не только распознавание изображений, но и уверенная идентификация неких явлений, фаз изменения, преподнесенных на вход нейронной сети в виде состояний соответствующих «участников» явления, фазы или прочего; скажем, прогнозирование изменения курса валют требует идентификации, распознавания экономических состояний. В то же время указанные особенности нейронных сетей все-таки не способствуют воспроизведению актов подлинного мышления. Видимо, не нашлась пока уникальная свежая идея на этот счет.

Во втором случае – в случае обучения без учителя – сеть справляется сама, выполняя в принципе те же действия по подстройке весовых коэффициентов, только самообучение инициируется здесь фактом обнаруженного противоречия с имеющимися в нейронной сети знаниями, когда поступивший на вход элемент очень слабо или вовсе не распознается, но его непременно требуется как-то классифицировать.

Кратко объясним суть и этого обучения.

Читайте также:  Компания ibm начинает конкурс по интеграции технологий искусственного интеллекта watson на платформы мобильных устройств

В первую очередь для таких сетей предполагается, что они имеют в своем составе достаточный запас нейронных узлов, в которых будут храниться знания в виде настроенных весовых коэффициентов, или же что сеть в состоянии «выращивать» такие узлы, создавать и подключать их к себе самостоятельно.

Во вторую очередь считается, что изначально заданы предельные границы расхождения результатов распознавания с наколенными знаниями, после которых элемент признается неизвестным. Грубо скажем, если более 50 процентов деталей элемента не распознаются, он считается неизвестным, вызывающим противоречие.

Важно

Итак, пусть сеть в начальный момент времени не обучена. На входе появляется подлежащий распознаванию элемент. Рождается противоречие с накопленным знанием, так как элемент вообще неизвестен, так как расхождение со знаниями в этом случае измеряется сотней процентов.

Одному из свободных узлов сети передаются на вход зафиксированные сигналы от элемента, выход узла подразумевается быть всегда равным величине сигнала «опознал» (условно назовем так этот сигнал) или «тишина», и уже внутри узла выполняется автоматическая подстройка весовых коэффициентов, заменяя ручную подгонку как в случае обучения с учителем.

Пусть теперь на вход сети поступил прошлый элемент, чуть измененный в вариации. Обученный нейронный узел, который тоже подключен ко входной магистрали, опознает элемент с погрешностью, допустим, в 30 процентов.

Понятно, что выходной сигнал узла мы назвали в исключительной форме «опознал» для удобства, на самом же деле он изменяется в пределах от «тишина» (это же «опознал на 0 процентов») до «опознал на 100 процентов».

Сеть, не обнаружив выхода за пределы границы расхождения, передает тому же узлу новый пример элемента, чтобы узел подстроил весовые коэффициенты на удачное опознание и первого примера, и второго примера одного и того же элемента.

Как только на входе появился неизвестный элемент, то есть когда ни один из обученных узлов не опознал элемент с точностью свыше 50 процентов, сеть передает сигналы от элемента следующему незадействованному в системе знаний узлу, который тоже по описанному выше сценарию попадает в систему накопленных нейронной сетью знаний. Этим и обеспечивается обучение сети без учителя, и как правило, подобный процесс происходит качественно, если удачно организовано взаимодействие сети с нейронными узлами.

День сегодняшний

Сейчас нейросетевые технологии применяют во многих областях. Например, когда необходимо решить задачи такого рода: неизвестен алгоритм решения, но имеется множество примеров; исходные данные искажены или противоречивы; имеются большие объемы входной информации.

Нейронные сети применяются для решения задач классификации, распознавания образов, оптимизации, прогнозирования и для многих других.

Нейротехнологии используются также для распознавания текста со сканеров, проверок достоверности подписей, прогнозирования экономических показателей (например, прогнозирования курса валют), управления технологическими процессами и робототехникой, и прочее, прочее, прочее…

Совет

Стоит особо отметить, что нейронные сети не нуждаются для решения задач в заранее составленном математическом алгоритме, они сами вырабатывают методику решения задачи в процессе обучения. В этом коренное отличие нейросетевых компьютеров от компьютеров классических, и их главное преимущество.

Математический аппарат работы нейронных сетей несложен. Программирование не требует профессиональных изощрений: на каждом шагу – умножение вектора на матрицу с накоплением суммы.

Сложность представляет адаптация алгоритма обучения нейронной сети под конкретную задачу – подбор и моделирование сети, предварительная обработка информации, оценка результатов.

Также нейронные сети имеют возможность роста. При этом сохраняется их структура и значительно увеличивается эффективность обработки информации.

Достаточно сложно организованная сеть способна сама себя развивать.

Это свойство может очень широко использоваться программистами будущего, которые смогут создавать небольшие нейронные сети и «доращивать» их до необходимой информационной мощности и емкости.

[источники]

источники

http://www.dailytechinfo.org/infotech/5856-stenfordskie-uchenye-sozdali-neyrokompyuter-rabota-kotorogo-podrazhaet-rabote-golovnogo-mozga.html

http://prof9.narod.ru/ainfo/ailenta_230.html

Вот еще вам научные на мой взгляд любопытные статейки: вот например Зачем скрестили козу и паука ? и почему предок именно Почему именно Homo sapiens ?. А что вы например знаете про Число «фи» и Кто такие перфекционисты ? Оригинал статьи находится на сайте ИнфоГлаз.рф Ссылка на статью, с которой сделана эта копия – http://infoglaz.ru/?p=48050

Источник: https://masterok.livejournal.com/1872845.html

В стэнфорде создают нейрокомпьютер

В работе Квабена Боэна соединяются такие далекие друг от друга области знания, как биология и электроника, нейрофизиология и информатика

Ученые Стенфордского университета разработали новое электронное устройство, взяв за образец устройство человеческого мозга, что открывает новые горизонты развития робототехники и вычислительных систем.

Несмотря на большой прогресс в развитии компьютерных технологий, компьютер до сих пор не может состязаться на равных с мозгом. Так, скромный мозг мыши работает в 9000 раз быстрее, чем компьютер, моделирующий его функции. Но кроме того, что ПК работает медленнее, он потребляет в 40000 раз больше энергии, пишет Квабена Боэн в статье, опубликованной в Proceedings of the IEEE.

«Трудно соответствовать уровню энергетической эффективности мозга», — говорит Боэн, в изделии которого слились усилия исследователей из США и Европы, использующих кремний и программное обеспечение для создания электронных систем, имитирующих работу нейронов и синапсов.

Боэн и его команда разработали Neurogrid, печатную плату, состоящую из 16 специально разработанных («NeuroCore») чипов. Вместе эти 16 чипов могут имитировать 1000000 нейронов и миллиарды синаптических связей.

Обратите внимание

Команда разрабатывала чипы, уделяя особое внимание их энергоэффективности. Результатом стал Neurogrid — устройство размером с IPad, которое может имитировать работу большего на порядки числа нейронов и синапсов, чем способны другие устройства.

Энергии же на это требуется не больше, чем для работы обычного планшетного компьютера.

Создание прототипа устройства получило государственную поддержку и финансирование. Теперь Боэн готов к следующему шагу — снижение стоимости изделия и создание программного обеспечения, которое позволит инженерам и IT-специалистам без знания неврологии решать поставленные задачи — такие, например, как управление роботом-гуманоидом с помощью Neurogrid.

Скорость и низкое энергопотребление делают Neurogrid идеально подходящим устройством для выполнения множества работ, не только для моделирования человеческого мозга. Боэн вместе с другими учеными Стэнфордского университета работает над созданием протезов, в которых будут использовать чип NeuroCore.

«Сейчас, чтобы запрограммировать один из них, вы должны знать, как работает мозг», — говорит Боэн, указывая на прототип на столе в его Стэнфордском офисе. «Мы хотим создать нейрокомпилятор — так что вам не нужно будет ничего знать о синапсах и нейронах, чтобы использовать наш нейрокомпьютер».

Источник: https://22century.ru/computer-it/1864

IT News

ДатаКатегория: it

Нейрокомпьютер сконструирован для того, чтобы имитировать структуру и функционирование человеческого мозга. Хотя любой компьютер может считать быстрее человека, человеческий мозг имеет два свойства, позволяющие ему эффективнее решать некоторые проблемы. Во-первых, человеческий мозг может принимать решения, не обладая законченными данными, а во-вторых, он может учиться.

Ученые разрабатывают компьютеры, которые могли бы выполнять эти действия человеческого мозга, конструируя их по его образу и подобию. В конце концов, заявляют некоторые исследователи, мозг, как и компьютер, является процессором электрических импульсов. Мозг состоит из биллионов специализированных клеток, в теле которых, нейроне, импульсы образуются, а затем путешествуют по аксонам.

На илл. внизу изображен один из видов нейрокомпьютеров. Он состоит из трех уровней (голубые сетки) нейроподобных клеток, соединенных тысячами аксоноподобных связок.

В только что построенной системе эти связки были слабыми и редкими, но по мере того как компьютер обучался выполнять задачи, эти связки выборочно усиливались, точно так же, как ведут себя электрические импульсы, которые постепенно прокладывают себе дорожки в мозге, когда человек накапливает знания.

Как учится нейрокомпьютер

На вводе нейрокомпьютер получает произносимое слово «пять». Он производит все менее редкие образцы на каждом из трех уровней искусственных нейронов и генерирует приблизительную версию символа «5». После тренировки он воспроизводит точный образ (нижний квадрат справа).

Читайте также:  Робот-друг. такое возможно?

Уровень ввода

Произносимое слово «пять» активизирует первый уровень клеток. Некоторые из этих крошечных процессоров посылают сигналы клеткам следующего уровня.

Средний уровень

Клетки следующего уровня подхватывают сигналы ввода и оценивают их. Некоторые посылают сигналы клеткам выводного уровня.

Уровень вывода

Возникает не завершенная, но приемлемая модель (сверху). Технический тренер нейрокомпьютера дает команду усилить связки, которые произвели образ. В следующий раз, когда нейрокомпьютер слышит звук, он производит улучшенную модель.

Связки обучения

Сначала все цепи нейрокомпьютера одинаково слабы (рис. снизу), но правильный ответ устанавливает несколько сильных дорожек (дальнее изображение справа) в сети, и теперь можно сказать, что компьютер обучился. Повторяемые время от времени учебные задания становятся памятью компьютера.

Нейроны человеческого мозга

В человеческом мозге нейроны соединены в частую сеть (слева). Электрические импульсы путешествуют от клетки к клетке вдоль синапсов (внизу), устанавливая дорожки для каждого нового кусочка знания. Нейрокомпьютер построен, чтобы имитировать эти клетки.

Обучение методом обратной связи

Для каждого приемлемого вывода технический тренер инструктирует машину усилить связки, которые произвели модель. Таким образом, цепи, по которым шли части правильной модели усиливаются, а оставшиеся за бортом области модели постепенно слабеют.

Источник: http://Information-Technology.ru/articles/20-it/92-chto-takoe-nejrokompyuter

Создан суперкомпьютер, имитирующий строение человеческого мозга

Ученые из Стэнфордского университета объявили о создании суперкомпьютера, имитирующего строение человеческого мозга. Используя сочетание аналоговых и цифровых компонентов, американские биоинженеры воплотили в микрочипе Neurogrid принципы взаимодействий между нервными клетками в мозгу.

Результат – процессор, работающий в 9000 раз быстрее обычного компьютера при энергозатратах, не превышающих таковые у планшета или ноутбука.

С развитием нейронаук в последние годы все больше внимания уделяется исследованиям природы передачи и обработки информации в человеческом мозгу. Для изучения «вычислений», которые ежесекундно выполняют наши нервные клетки, ученые используют сложные компьютерные модели их взаимодействий.

Однако строение мозга фундаментально отличается от строения современного компьютера. Работа ЭВМ основана на транзисторах – электронных компонентах, осуществляющих в микропроцессорах элементарные логические операции. В нейронах похожую, но не идентичную функцию выполняют синапсы – контакты между двумя клетками, по которым передается нервный сигнал.

В принципе, транзистор – это просто миниатюрное реле, устройство, позволяющее с помощью одного источника тока включать или выключать ток из другого источника. Допустим, транзистор подключен к токам А и Б. Если оба тока включены, то работает ток и на выходе из транзистора. Но если ток Б выключен, то ток А блокируется вне зависимости от состояния, и в результате на выходе тока нет.

Этот процесс можно рассматривать как логическую операцию. Представьте, что наличие тока – это сигнал «1», а отсутствие тока – «0». На транзистор подаются два таких сигнала (от токов А и Б), а выходит один.

Если оба входных сигнала – «1» (и А, и Б включены), то сигнал на выходе – тоже «1». Если хотя бы один из входных сигналов – «0» (либо А, либо Б, либо оба сигнала «молчат»), то сигнал на выходе – «0».

Описанный пример – простейшая операция умножения.

Важно

Таким образом, транзистор работает по дискретной схеме: и входящие, и исходящие сигналы либо включены, либо выключены – они не могут быть включены наполовину. Этот принцип лежит в основе работы всей цифровой электроники.

Ситуация с нейронами обстоит по-другому. В их работе есть «цифровой» компонент: нейрон, как и транзистор, может быть либо включен, либо выключен. Но если «активация» транзистора зависит всего от двух дискретных сигналов, то нейрон соединен одновременно с тысячами других нервных клеток, которые могут посылать ему свои сигналы.

Кроме того, синапс – контакт между нейронами – работает не по цифровому, а по аналоговому принципу: сигнал в форме специальных химических веществ должен «накопиться» и достигнуть определенного порогового значения, чтобы «перекинуться» с одной клетки на другую. Это создает более гибкие условия для обработки информации.

Например, один нейрон может влиять на чувствительность другого нейрона к сигналам третьего.

В принципе, все логические операции, совершаемые нейронами, можно описать простым двоичным кодом. Но при переводе с «нервного» на «цифровой» язык все операции значительно усложняются: то, что группа нейронов может «решить» в одну операцию, обычный микропроцессор будет решать в тысячу ходов.

Из-за этого все компьютерные симуляции мозговой активности требуют огромных вычислительных мощностей и, как следствие, потребляют колоссальное количество энергии. Причина такой неэффективности – не столько в фундаментальном превосходстве мозга над машиной, сколько в «трудностях перевода» из одной системы в другую.

Стэнфордские ученые решили облегчить жизнь нейробиологам и оптимизировать моделирование мозга. С этой целью они разработали процессор Neurogrid, состоящий не из транзисторов, а из «электронных нейронов» – ячеек, которые, как и нервные клетки, сочетают в себе цифровые черты (дискретность входящих и исходящих сигналов) с аналоговыми («накопление» сигнала, необходимого для его передачи).

Получившийся микрочип специально создан для симуляции нейронных контактов. По словам ученых, при выполнении «мозговых» задач он работает в тысячи раз быстрее обычного компьютера с его бинарной логикой.

Совет

При этом для работы Neurogrid требуется ничтожно мало энергии: если стандартные суперкомпьютеры «съедают» чуть ли не целые электростанции, то «нейронный» компьютер примерно соответствует по энергозатратам планшету iPad.

Пока Neurogrid не пригоден ни для чего, кроме специализированных биологических задач. Это неудивительно: все существующие информационные технологии основаны на бинарном коде.

Но в будущем «электронный мозг» может стать основой для принципиально новых компьютеров, осуществляющих немыслимые сегодня вычисления за секунды.

Разработчики обещают, что при массовом производстве «нейронный» чип станет вполне доступным: хотя сегодня его стоимость составляет около 40 тыс. долларов, в Стэнфорде утверждают, что эту сумму можно сократить, по крайней мере, в сто раз.

Источник: http://mir-znaniy.com/sozdan-superkompyuter-imitiruyushhiy-stroenie-chelovecheskogo-mozga/

Нейрокомпьютер уже не за горами

Авторитетный психиатр Джулио Тонони из университета Висконсина-Мэдисона, который недавно присоединился к усилиям исследователей, корпящих над задачей создания «самообучающегося компьютера», утверждает, что задача не так сложна, какой кажется поначалу.

Тонони, профессор психиатрии в Университете медицины и здравоохранения Висконсина-Мэдисона, международный авторитет в области исследований человеческого мышления и сознания, входит в своеобразную «сборную» светил науки и техники, которым был выделен грант в $4.9 млн от Агентства по перспективным оборонным научно-исследовательским разработкам США (DARPA) на разработку  нейроморфной адаптивной электронно-вычислительной машины первого поколения (проект «Синапс»).

Тонони с ученым из Колумбийского университета и компании IBM будут заниматься разработкой программ для «думающего компьютера», в то время как специалисты по нанотехнологиям и суперкомпьютерам из Корнелла, Стэнфорда и Калифорнийского университета займутся созданием «железа». Руководитель проекта – индус Дхармендра Модха из компании IBM.

«Каждый нейрон в человеческом мозгу мгновенно узнает, что что-то изменилось, и сопоставляет условия возникновения ситуации», – разъясняет Тонони, – «именно поэтому кошка, однажды свалившись в ванну с водой, не только пулей выскочит из воды, но и на всю жизнь запомнит об опасности и в другой раз в воду не угодит»

По-настоящему способный мыслить компьютер должен уметь не только обрабатывать информацию по алгоритму, но и исследовать ее на предмет наличия причинно-следственных связей с целью накопления опыта и самостоятельного принятия решений, приводящих к желаемому результату.

Не исключено, что первый нейрокомпьютер величиной будет не меньше первой в истории обычной ЭВМ и займет несколько комнат. Однако в будущем ученые надеются получить нечто гораздо более компактное – величиной не больше человеческого мозга и потребляющее энергии столько же, сколько потребляет стоваттная лампочка накаливания.

«Человеческий мозг может адаптироваться к различным ситуациям, принимать решения и самообучаться, значит, такое в принципе возможно в природе», – говорит Тонони, – «Самое ценное качество человеческого мозга, ради которого стоит создавать нейрокомпьютер – это именно способность подобной системы не просто выполнять команды, но и накапливать опыт, подобно человеческому сознанию»

Хотя нейрокомпьютер будет спроектирован по образу и подобию настоящего человеческого мозга, Тонони отрицает возможность полной симуляции мозга человека вплоть до последнего нейрона, и даже считает такую затею не самым лучшим решением.

Читайте также:  Робот-саламандра был создан учеными из швейцарии

«Впереди у нас титаническая работа.

Предстоит определить, какие именно виды нейронов и участки головного мозга в целом являются ключевыми в процессе самообучения и аналитической деятельности, а какие можно будет не воссоздавать», – рассказывает профессор о предстоящих свершениях, – «а в основе любого обучения лежит принципы неравной ценности разных последствий и принцип награды или наказания, то есть желательного или нежелательного исхода операции»

Обратите внимание

В зависимости от срочности, с которой требуется принять то или иное решение, и числа одновременно выполняемых задач, изменяется и соотношение между задействованными и отдыхающими нейронами.

В секунды сильнейшего стресса нейроны в живом мозгу начинают обмениваться настоящими потоками «флуда» электрических сигналов, благодаря чему человек может вовремя скоординироваться и уклониться от брошенного в него ножа, хотя в обычных условиях решение подобной задачи заняло бы гораздо больше времени.

Тонони говорит, что идеальный искусственный мозг должен быть лабильным, то есть уметь менять для себя «правила игры» по мере накопления опыта, выучивать новые шаблоны поведения.

  Рукотворные (программно симулируемые) аналоги нейронов человеческого мозга будут общаться друг с другом таким же образом, каким настоящие нейроны общаются друг с другом посредством электрических сигналов.

Если ученые одолеют поставленную перед ними задачу, то первый нейрокомпьютер по обучаемости и абстрактно-аналитическим не будет уступать мозгу небольшого млекопитающего, сохраняя всю вычислительную мощь суперкомпьютера при проведении линейных операций, не требующих принятия решений и анализа обстоятельств, либо предлагающих готовые, запрограммированные человеком шаблоны поведений (например, традиционный AI в играх, где принятие решения виртуальным противником сводится к ограниченному числу вариантов, а триггером для инициации той или иной схемы поведения является какое-то типичное действие игрока, однако истинного мышления и аналитических операций в этом случае компьютер не выполняет).

Ирония человеческой природы – любые предсказуемые, линейные вычисления и расчеты протекают в нашем мозгу внутри своеобразного «эмулятора», работающего внутри «операционной системы» , состоящей из сознания и подсознания.

Человеческий мозг не может просто хранить числа и величины в виде последовательностей нулей и единиц и оперировать с ними подобно калькулятору. Точнее, возможность такая имеется, но природой она не задействуется.

Вместо этого наш мозг занимается куда более сложным делом – поддерживает работу сложнейшего «программного обеспечения», способного обучаться и познавать.

Важно

  Сложение двух трехзначных чисел в нашей памяти осуществляется не простым переключением «реле» и «тумблеров» в нашем мозгу, но вовлекает в себя миллионы сложнейших операций. Поэтому человек и уступает кремниевым чипам в математике.

Однако любые операции, где линейный подход не годится для успешного решения задачи, – например, распознавание «кода защиты от спама» при регистрации на форуме или скачивании файла с хостинга, – выполняются живым мозгом гораздо быстрее и успешнее любого из существующих суперкомпьютеров, какой бы вычислительной мощью они ни обладали. По этой же причине ничтожные, по сравнению с компьютером, вычислительные возможности живого мозга не мешают шахматистам-гроссмейстерам обыгрывать даже самые мощные ЭВМ.

Там, где компьютер пытается достичь победы просчетом всех возможных вариантов развития событий, – зачастую это многие миллионы или даже миллиарды различных последовательностей действий, – человеческий мозг безошибочно, без малейшего волевого усилия, выделяет три-четыре наиболее удачных решения, после чего человек сознательно выбирает самое, на его взгляд, удачное. В случае ошибки, если выбранное решение все-таки приводит к неудаче, человеческий мозг извлекает необходимый опыт и в следующий раз вероятность ошибки многократно уменьшается. Традиционному компьютеру такое не под силу независимо от его вычислительной мощности.

Однако нейрокомпьютер, – если, конечно, ученым посчастливится его создать, – превзойдет и живой мозг, и ЭВМ. Ведь, помимо обучаемости и абстрактно-аналитических способностей, такой агрегат сохранит невероятные вычислительные способности на самом низком уровне системы, подобно любому настольному ПК.

Не исключено, что нечто подобное испытывают некоторые аутисты-гении, перемножающие без малейших усилий одиннадцатизначные числа и извлекая из полученных результатов корни третей или четвертой степени.

При этом никаких усилий они не предпринимают – зачастую ответ появляется в их сознании сам по себе, причем в образе некоего объекта со своим запахом, структурой, текстурой, формой и цветом, который безошибочно интерпретируется «человеком-компьютером» как совершенно определенное число.

Именно в таком образе предстают ответы на немыслимые математические задачи в мозгу математика-аутиста Дэниэля Таммета.

Похоже,  его мозг занимается вычислениями не внутри «эмулятора», в роли которого выступает наше сознание, а на самом низком, «аппаратном» уровне.

Совет

Если нечто подобное, – симбиоз самообучающегося сознания и мощной низкоуровневой системы для выполнения формальных, линейных операций, – удастся создать ученым, то есть обучить компьютер думать по-человечески, то следующим шагом может стать  исследование, направленное на раскрытие «компьютерных» возможностей мозга человека.

Сохраняя здравый разум и хорошее чувство юмора, человек сможет запоминать терабайты текстовой и цифровой информации, производить сложнейшие расчеты и вытворять прочие математические трюки, где требуется последовательное, занудное следование алгоритму.

Учиться на собственном опыте и понимать абстрактные концепты мы умеем от природы, и это куда сложнее и затратнее любой математики. Поэтому вполне реально научить человека трюкам, которые пока умеют делать только компьютеры и отдельные аномальные представители рода Homo Sapiens. Но прежде предстоит создать искусственный мозг, научив компьютер трюкам человеческого сознания.

Источник: https://hi-tech.mail.ru/review/neyrokompyuter_uzshe_ne_za_gorami/

Блоги / IBM создала нейросинаптический компьютерный чип второго поколения, который копирует работу одного миллиона нейронов мозга

Когнитивные вычисления являются одним из самых интересных научно-технических направлений последних лет. Ведь идея того, что однажды кто-то сможет построить компьютер, который будет таким же мощным и эффективным, как человеческий мозг, действительно не может не впечатлять. И новейший разработанный чип компании IBM ставит нас ближе к этой цели.

Big Blue (так нередко называют IBM) «поженила» нейробиологию с производством суперкомпьютеров и создала новый компьютерный чип размером с почтовую марку. Чип копирует работу одного миллиона нейронов мозга и потребляет при этом очень мало электричества (около 70 милливатт).

Чип, получивший название TrueNorth, относится ко второму поколению чипов для когнитивных вычислений, разработкой которых последнее десятилетие занимается IBM.

Для того чтобы понять, насколько далеко продвинулись ученые в развитии направления когнитивных вычислений, вам следует знать, что первое поколение чипов от компании IBM имитировало работу всего 256 нейронов. И по тем временам, когда этот чип был создан, это было невероятным прорывом.

Первое поколение чипа имело 262 144 программируемых синапса, новый чип обладает уже 256 миллионами. Первое поколение чипа имело всего одно нейросинаптическое ядро, новый чип имеет 4096 таких ядер.

Такое невероятное продвижение вперед в развитии этого направления обещает невероятные возможности в будущем: технология будет одинаково полезна, например, как при производстве устройств, которые смогут вернуть зрение людям, так и при производстве роботов, которые будут применяться при поисково-спасательных операциях в ходе чрезвычайных ситуаций.

Существует гипотеза, по которой человечество теоретически получит возможность решить на первый взгляд невыполнимую задачу в строительстве компьютеров таких же мощных, как человеческий мозг, к 2020 году.

Обратите внимание

Но даже несмотря на колоссальную проделанную работу компании IBM, создавшей новую архитектуру, объединяющую память, вычислительные процессы и коммуникационные возможности для оптимизации скорости работы, вероятность достижения вышеоговоренной цели в поставленные сроки кажется маловероятной.

В долгих планах компании значится разработка нейросинаптической системы чипов с десятью миллиардами нейронов и размером не больше двухлитровой бутылки содовой.

Доктор Дхармендра С.

Модха, глава проекта по разработке компьютерных систем, имитирующих работу человеческого мозга в IBM, видит в развитии этого направления более конкретную пользу, которая откроется перед нами в будущем: «Чипы, созданные на основе модели человеческого мозга, могут трансформировать мир мобильной электроники таким образом, что у вас на руках будут находиться устройства, которые позволят выходить в интернет даже без наличия Wi-Fi. Для этого будут использоваться специальные сенсорные и интеллектуальные приложения».

об авторе Пользователь пока ничего не написал о себе.

Источник: https://www.playground.ru/blogs/other/ibm_sozdala_nejrosinapticheskij_kompyuternyj_chip_vtorogo_pokoleniya_kotoryj_kopiruet_rabotu_odnogo_milliona_nejronov_mozga-107773/

Ссылка на основную публикацию
Adblock
detector