Искусственный нейрон. структура искусственного нейрона

Искусственный нейрон. Структура искусственного нейрона

Искусственный нейрон является структурной единицей искусственной нейронной сети и представляет собой аналог биологического нейрона.

Структура искусственного нейрона

Искусственный нейрон является структурной единицей искусственной нейронной сети и представляет собой аналог биологического нейрона.

С математической точки зрения искусственный нейрон — это сумматор всех входящих сигналов, применяющий к полученной взвешенной сумме некоторую простую, в общем случае, нелинейную функцию, непрерывную на всей области определения. Обычно, данная функция монотонно возрастает. Полученный результат посылается на единственный выход.

Искусственные нейроны (в дальнейшем нейроны) объединяются между собой определенным образом, образуя искусственную нейронную сеть.

Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены.

Обратите внимание

Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал поступает на синапсы следующих нейронов.

Каждый синапс характеризуется величиной синаптической связи или ее весом wi, который является эквивалентом электрической проводимости биологических нейронов.

Текущее состояние нейрона определяется, как взвешенная сумма его входов:

(1),

где w0 — коэффициент смещения нейрона (вес единичного входа)

Выход нейрона есть функция его состояния:

y = f(s)

Нелинейная функция f называется активационной и может иметь различный вид, как показано на рисунке ниже. Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция или сигмоид (т.е. функция S-образного вида):

(2),

При уменьшении α сигмоид становится более пологим, в пределе при α=0 вырождаясь в горизонтальную линию на уровне 0.5, при увеличении α сигмоид приближается по внешнему виду к функции единичного скачка с порогом T в точке x=0. Из выражения для сигмоида очевидно, что выходное значение нейрона лежит в диапазоне [0,1].

Следует отметить, что сигмоидная функция дифференцируема на всей оси абсцисс, что используется в некоторых алгоритмах обучения. Кроме того, она обладает свойством усиливать слабые сигналы лучше, чем большие, и предотвращает насыщение от больших сигналов, так как они соответствуют областям аргументов, где сигмоид имеет пологий наклон.

а) функция единичного скачка; б) линейный порог (гистерезис);
в) сигмоид — гиперболический тангенс; г) сигмоид — формула

Нейронным сетям присущ принцип параллельной обработки сигналов, который достигается путем объединения большого числа нейронов в так называемые слои и соединения определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно.

Как известно, существует огромное множество парадигм нейронных сетей. Все зависит от исследуемой задачи, для решения которой применяется аппарат ИНС.

Важно

Задача прогнозирования успешно решается при помощи многослойных персептронов, которые в свою очередь являются универсальными аппроксиматорами. Многослойная нейронная сеть с сигмоидными передаточными функциями является наиболее общей, универсальной сетевой архитектурой.

Имеются различные структуры многослойных сетей: с последовательными, перекрестными и обратными связями, с фиксированной переменной структурой (см. классификацию искусственных нейронных сетей).

искусственные нейронные сети искусственный нейрон

Источник: https://neuronus.com/theory/nn/150-iskusstvennyj-nejron.html

От биологических процессов мозга к нейровычислителям



This work is dedicated to questions of artificial intelligence systems parameters analysis and study of neuron nets properties. Structure schemes of biological and technical neurons were overviewed. Especial attention was paid to principles of neuron nets work and to comparison of their functioning to biological processes.

Keywords: artificial intelligence, neural networks, neurocalculations, neuromathematics

Первые труды с упоминанием нейронной сети датируются 1873 и 1890 годами в трудах Александра Бэна и Уильяма Джеймса [1, 2]. В них указано, что любая деятельность человека ведёт к активизации определённого набора нейронов. При повторении той же деятельности связи между конкретными нейронами усиливаются.

Это и ведет к формированию памяти. Научное сообщество того времени восприняло теорию скептически, поскольку следствием её являлось возникновение чрезмерного количества нейронных связей в мозге. Однако, в наше время уже очевидно, что мозг чрезвычайно сложен, его изучения посвящено большое число работ [3, 4].

Надо полагать, что, несмотря на все усилия, полностью принципы его работы вряд ли будут изучены в ближайшее время. Основу человеческого мозга составляют нервные клетки — нейроны. Количество нейронов в мозге достигает 1012, каждый из которых связан еще с тысячами и десятками тысяч других нейронов.

Взаимодействуя между собой, нейроны обмениваются электрическими сигналами, тем самым обеспечивая работу мозга.

Своеобразным проводником сигналов в пределах тела человека служит спинной мозг, обеспечивая передачу импульсов и взаимодействие организма с внешней средой посредством чувств, таких как осязание, обоняние и др.

Первые попытки человека сымитировать деятельность мозга имели место в середине ХХ века. А именно, в1956 годунаконференции в Дартмутском университетеДжон Маккарти в первый раз упомянул понятие искусственного интеллекта [5].

Поясняя такое определение, Маккарти констатировал, что основная проблема состоит в том, что не понятно, что именно представляют собой интеллектуальные процедуры. Понятна только вычислительная составляющая достижения поставленных перед нейронной сетью целей.

Другими словами, не существует четкого определения искусственного интеллекта.

Основным отличием в мышлении «машин» и людей является способность человека принимать решения в нестандартных ситуациях, а именно такое понятие как интуиция [6, 7]. Обладая интуицией, человек имеет определенное преимущество перед компьютером, но очевидно значительно проигрывает в скорости вычислений.

Совет

В данной статье представлены результаты анализа известных сведений о функционировании биологических нейронных сетей, сравнение устройства биологического и искусственного нейронов. Также в рамках статьи приведена классификация типов современной аппаратной реализации нейросетей и нейровычислителей, проанализированы тенденции развития областей их эффективного применения [8–17].

  1. Об адекватности моделей биологического нейрона ианализ противоречий нейробиологии.

Рассмотрим подробнее структуру нейрона. Как известно, основные части нейрона — это ядро, дендрит (разветвленный отросток, отвечающий за прием сигналов от аксонов), аксон (длинный отросток, по которому импульсы идут от клетки к клетке) (см.

рисунок 1.). На конце аксона находится синаптическое окончание, контактирующее с целевой клеткой. Импульсы передаются толчками от одного узла аксона (синапса) к другому (узлы называются перехватами Ранвье) со скоростью до 100 м/с [6, 7].

Рис. 1. Структура биологического нейрона

Искусственный нейрон (нейроподобный элемент) является упрощенной моделью естественного (биологического) нейрона. То есть лишь в чем-то напоминает биологический нейрон, а не копирует его. При этом не учитывается ряд биологических процессов, происходящих в нейронных сетях. Схема искусственного нейрона показана на рисунке 2 [1].

Рис. 2. Структура искусственного нейрона

На вход подается некоторое количество сигналов, после чего каждый из входов умножается на соответствующий вес. Здесь можно провести аналогию с биологической синоптической силой. Функция θ [h] — активационная характеристика, или передаточная функция нейрона.

В нейробиологии существует ряд противоречий. Во-первых, существуют две теории устройства мозга. Согласно одной из них каждая группа нервных клеток отвечает за конкретную функцию.

Вторая теория гласит, что в мозговой ткани протекают определенные процессы, важные для формирования поведения и организации психологического процесса [17].

В подтверждение последней теории выступают несколько фактов, в частности сохранение поведения после разрушения любой из частей мозга или реорганизация моторных функций.

Обратите внимание

Другое противоречие заключается в том, что в теории центральные (внутренние) нейроны подчиняются тем же правилам, что и экспериментально изученные периферийные (акцепторные, эффекторные) нейроны, но центральное возбуждение должно определяться получаемым индивидом опытом.

Таким образом, некоторые из перечисленных положений противоречат распространенным моделям нейронных сетей, некоторые же, наоборот, подтверждают их правильность. В таблице 1 приведены результаты сравнения биологического и искусственного нейронов.

Читайте также:  7 интересных применений для технологии виртуальной реальности (vr) помимо игр

Таблица 1

Отличия биологического нейрона от нейроподобного элемента

Биологический нейрон Искусственный нейрон
Процесс приема сигнала Происходит в результате химической реакции в области синаптической щели при участии усиливающих или тормозящих нейротрансмиттеров и нейромедиаторов Происходит в результате умножения входных сигналов на весовые коэффициенты
Процесс распространения сигнала Амплитуда и скорость сигнала зависит от диаметра нервного волокна, с расстоянием уменьшается амплитуда и скорость распространения импульсов Скорость и амплитуда сигналов одинакова в любой точке
Назначение нейронных соединений Могут служить не только для передачи нервных импульсов, но и для организации структур с медленно меняющимися потенциалами [16] Служат только для передачи сигналов
Тип сигналов Аналоговый Может быть как дискретным, так и аналоговым

Особенностью искусственной нейронной сети является наличие активационной (передаточной) функции. Выбор функции зависит от области применения разрабатываемой сети, характера моделируемой нелинейности. Наиболее распространенные типы активационных функций представлены в таблице 2.

Таблица 2

Основные виды активационных функций нейрона

Название Математическое представление Особенности
Пороговая Ө(h) = Применима в устройствах на базе логических элементов
Линейная Ө(h) = Область определения –(-∞;∞)
Сигмовидная Ө(h) = Дифференцируема на всей оси абсцисс
Гиперболический тангенс Ө(h) = Принимает как положительные, так и отрицательные значения, что является выгодным для ряда сетей

Наиболее распространенной передаточной функцией является сигмовидная функция, отличающаяся тем, что усиливает слабые сигналы лучше, чем сильные. Данная функция применяется в различных алгоритмах обучения нейросетей.

  1. Анализ особенностей обучение нейронных сетей.

Популярные в 60–80 годах XX века экспертные системы лишь пытались реализовать отдельные интеллектуальные действия. Их главной проблемой была малая схожесть с реальной архитектурой мозга человека.

Основной особенностью нейронных сетей является то, что они могут самообучаться. То есть, существует два режима работы нейросети: распознавание и обучение.

Процесс обучения зависит от параметров сети, таких как количество нейронов в сети, структура связей, функции активации и конечно значения весовых коэффициентов [7]. Задавая различные параметры (синаптические весовые коэффициенты, смещение нейрона и др.) сети можно производить так называемое обучение сети.

При этом в качестве учителя выступает какое-либо целевое значение, с которым сравнивается вычисленное сетью значение. Обучение сети является более правдоподобным при отсутствии учителя.

В этом случае обучающее множество состоит только из входных значений, что гораздо больше приближено к биологическому процессу. Алгоритм обучения при этом настраивает весовые коэффициенты так, чтобы при близких входных векторах на выходе сети получались одинаковые значения.

Человеческий мозг устроен так, что в нашем сознании постоянно строится модель окружающего мира.

Для каждого объекта внешней среды мы создаем в своей голове соответствующий ему образ, что позволяет в дальнейшем более адекватно воспринимать и обрабатывать информацию об объектах.

С помощью нейрокомпьютера такой подход организовать достаточно сложно. Это является одной из причин, почему все еще остается невозможным достаточно точно смоделировать мышление человека.

  1. Анализ вариантов технической реализации нейровычислителей.

Несмотря на все усилия по созданию нейрокомпьютеров, «машины» все еще не в состоянии обучаться так же эффективно, проблема научить «выделять главное» остается нерешенной [8, 9].

Однако ученые делают все возможное, чтобы больше узнать о принципах работы головного мозга. Инженеры в свою очередь не оставляют попытки создания устройств, принципы работы которых были бы максимально приближены к функционированию мозга человека.

Основные виды современной технической реализации нейронных сетей представлены на рисунке 3.

Рис. 3. Техническая реализация нейровычислителей

Важно

Технические устройства, использующие распараллеливание обработки информации можно разделить на 3 основныхтипа:

− нейроэмуляторы — реализующие типовые операции (например, взвешенное суммирование) на программном уровне;

− нейроускорители — вставляемые в слот расширения или соединяемые по определенным интерфейсам и шинам;

− нейрокомпьютеры — логически законченные устройства.

Реализация этих устройств может быть аппаратной (алгоритмы работы нейросети заданы с помощью электронных схем) или программно-аппаратной (алгоритмы работы хранятся в ПЗУ) [9]. При этом в устройствах на логических электронных схемах нейронные сети реализуют определенные булевы функции, а нейроподобные элементы выполняют логические операции конъюнкции и дизъюнкции.

Возможна также модель, при которой выходные значения нейросети являются случайными величинами, область значений передаточной функции непрерывна и соответствие результата тому или иному образу определяется по принадлежности определенному интервалу.

К недостаткам программной реализации нейронных сетей можно отнести малое быстродействие. Достоинствами данного способа является простота реализации, так как большинство языков программирования позволяют относительно легко описать алгоритмы функционирования сетей разной архитектуры.

  1. Анализ областей применения нейровычислителей.

Нейронные сети находят применение со временем все больше в самых разных областях [10–15].

Такие возможности нейросетей, как эффективное распознавание образов [10], приятие решений [13], финансово-экономическом анализе [11], активно применяются в робототехнике [12].

Возможность работы при наличии большого числа шумовых и малоинформативных входных сигналов находит применение в цифровой обработке сигналов и радиолокации.

Широко используются нейронные сети и в играх, таких как шахматы или считающаяся самой сложной интеллектуальной игрой — го. В 2016 году известный корейский игрок в го Ли Седоль сыграл с программой AlphaGo пять матчей и проиграл со счетом 1–4. Наиболее распространенные виды применения нейросетей представлены на рисунке 4.

Рис. 4. Применение нейровычислителей

Важно отметить, что искусственные нейронные сети, даже будучи лишь моделью естественных сетей, успешно применяются и способствуют развитию таких перспективных направлений, как космическая техника и др.

Вполне возможно, что именно совершенствование алгоритмов искусственных нейронных сетей приведут к прорыву в изучении работы мозга.

А такой прорыв просто необходим, для того чтобы, если не понять, то по крайней мере приблизиться к пониманию принципов функционирования самого сложного нейровычислителя.

Совет

Заключение.

Проанализировав структуру и принцип действия искусственных интеллектуальных систем, а также выявив сходства и различия естественного и искусственного интеллекта, можно сделать следующие выводы.

Как бы далеко не продвинулись технологии, и как бы много человек не накопил знаний о принципах работы нашего мозга, мечта о создании роботов, мыслящих в точности как люди, и спустя многие годы, скорее всего, будет все так же далека от реальности.

Однако эффективность применения интеллектуальных систем уже сейчас ни у кого не вызывает сомнений. Вычислительные способности нейронных сетей успешно используются на практике во многих областях науки и техники, и с развитием технологии построения компьютеров будут использоваться еще эффективнее.

Литература:

  1. Bain A. The Senses and the Intellect// 1894.
  2. James W. The Principles of Psychology// 1890.
  3. Сид Дейч. Модели нервной системы. М.: Мир. 1970. 328 с.
  4. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия—Телеком, 2001. 382 с.
  5. Маккарти Дж. Текст выступления на Дартмундской конференции // 1956.
  6. Нейронные сети: история развития теории. Под общей ред. А. И. Галушкина, Я. З. Цыпкина. — М., ИПРЖР, 2001.
  7. А. И. Галушкин. Нейронные сети. Основы теории. М., Горячая линия — Телеком, 2010. 496 с.
  8. Шахнов В. А., Власов А. И., Поляков Ю. А., Кузнецов А. С. Нейрокомпьютеры: архитектура и схемотехника. — Москва, 2000. Изд-во Машиностроение. Приложение к журналу «Информационные технологии». № 9. 64 с.
  9. Власов А. И. Аппаратная реализация нейровычислительных управляющих систем // Приборы и системы. Управление, контроль, диагностика. 1999. № 2. С. 61–65.
  10. Балухто А. Н., Булаев В. И., Власов А. И. и др. Нейрокомпьютеры в системах обработки изображений. Под ред. А. И. Галушкина и Ю. В. Гуляева — Москва, Изд-во ИРПЖР. 2003. Сер. Библиотека журнала «Нейрокомпьютеры: разработка. Книга 7. 192 с.
  11. Яковлев В. Л., Яковлева Г. Л., Власов А. И. Нейросетевые методы и модели при прогнозировании краткострочных и долгосрочных тенденций финансовых рынков // В сборнике: VI Всероссийская конференция «Нейрокомпьютеры и их применение» Оргкомитет: Председатель оргкомитета Галушкин А. И. 2000. С. 372–377.
  12. Vlasov A., Yudin A. Distributed control system in mobile robot application: general approach, realization and usage // Communications in Computer and Information Science. 2011. Т. 156 CCIS. С. 180–192.
  13. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере // Новосибирск: Наука, 1996. – 276 с.
  14. Барский А. Б. Нейронные сети — распознавание, управление, принятие решений // М: Финансы и статистика, 2004. – 179 с.
  15. Jackson P. Introduction to expert systems // Addison-Wesley, 1998. – 246 c.
  16. Hawkins J., Blakeslee S. On Intelligence // Times Books, 2004. – 272 c.
  17. Pribram K. Languages of the brain // Prentice-Hall, 1971. — 432 c.
Читайте также:  Восстанавливать работу башен сотовой связи будут роботы

Основные термины (генерируются автоматически): искусственный нейрон, сеть, биологический нейрон, искусственный интеллект, нейрон, принцип работы, техническая реализация нейровычислителей, нейроподобный элемент, внешняя среда, человеческий мозг.

Источник: https://moluch.ru/archive/120/33209/

Модель нейрона

Нейрон представляет собой единицу обработки информации в нейронной сети. На рисунке ниже приведена модель нейрона, лежащего в основе искусственных нейронных сетей.

В этой модели нейрона можно выделить три основных элемента:

  • синапсы, каждый из которых характеризуется своим весом или силой. Осуществляют связь между нейронами, умножают входной сигнална весовой коэффициент синапса, характеризующий силу синаптической связи;
  • сумматор, аналог тела клетки нейрона. Выполняет сложение внешних входных сигналов или сигналов, поступающих по синаптическим связям от других нейронов. Определяет уровень возбуждения нейрона;
  • функция активации, определяет окончательный выходной уровень нейрона, с которым сигнал возбуждения (торможения) поступает на синапсы следующих нейронов.

Модель нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, пропорциональный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона.

Хотя сетевые парадигмы весьма разнообразны, в основе почти всех их лежит эта модель нейрона. Здесь множество входных сигналов, обозначенныхпоступает на искусственный нейрон.

Эти входные сигналы, в совокупности обозначаемые вектором, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий веси поступает на суммирующий блок, обозначенный.

Каждый вес соответствует «силе» одной биологической синаптической связи. Множество весов в совокупности обозначается вектором. Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход.

Далеепоступает на вход функции активации, определяя окончательный сигнал возбуждения или торможения нейрона на выходе. Этот сигнал поступает на синапсы следующих нейронов и т. д.

Рассмотренная простая модель нейрона игнорирует многие свойства своего биологического двойника. Например, она не принимает во внимание задержки во времени, которые воздействуют на динамику системы.

Входные сигналы сразу же порождают выходной сигнал.

И, что более важно, данная модель нейрона не учитывает воздействий функции частотной модуляции или синхронизирующей функции биологического нейрона, которые ряд исследователей считают решающими.

Несмотря на эти ограничения, сети, построенные на основе этой модели нейрона, обнаруживают свойства, сильно напоминающие биологическую систему. Только время и исследования смогут ответить на вопрос, являются ли подобные совпадения случайными или следствием того, что именно в этой модели нейрона верно схвачены важнейшие черты биологического прототипа.

Источник: http://www.aiportal.ru/articles/neural-networks/model-neuron.html

Искусственный нейрон :: PhD Blog – Блог молодого ученого

Основным блоком искусственной нейронной сети является искусственный нейрон, имеющий своим прототипом биологический нейрон.

Биологический нейрон является особой биологической системой, предназначенной для передачи и обработки информации в живых организмах. Предполагается, что мозг человека состоит из 1011 нейронов. Это приблизительно столько же, сколько звезд в нашей Галактике.

Упрощенная схема строения нейрона представлена на рисунке 1.

Рисунок 1 – Схема строения биологического нейрона

Основными элементами биологического нейрона являются: – синапсы (от греч. synapsis – соединение) – места соединения дендритов и аксонов нейронов;

– дендриты (от греч. – dendron – дерево) – ветвящиеся отростки нейрона, воспринимающие сигналы от других нейронов и передающие нервные импульсы проводят нервные импульсы к телу нейрона. Каждый нейрон имеет от 103 до 104 дендритов.

– тело нейрона (от греч. soma – тело) – включает в себя ядро и именно в нем реализуются основные функции, связанные с генетическими и метаболическими механизмами, необходимыми для жизнедеятельности, а также информационные функции. – аксон (от греч. axon – ось), или нейрит (осевой цилиндр) – отросток нейрона, проводящий нервные импульсы от тела клетки к иннервируемым органам или другим нервным клеткам; аксон разветвляется на большое число волокон с концевыми утолщениями; Процесс функционирования биологического нейрона можно описать следующим образом. Сома получает сигналы от других нейронов через синаптические соединения и преобразует его в последовательность нервных импульсов. Преобразование сигнала в соме, в общем случае, имеет нелинейный характер. Выходной сигнал передается вдоль разветвляющегося аксона к синапсам других нейронов. Упрощенно можно считать, что в процессе функционирования биологический нейрон может находиться в одном из трех состояний: – покоя, при котором не наблюдается передача сигнала (импульса) от тела клетки по аксону к синапсам других нейронов; – возбуждения, при котором происходит генерация импульса и передача его от тела к синапсам; – восстановления, то есть переходного состояния между возбуждением и покоем. В 1943 году У. Маккалох и У. Питтс предложили модель искусственного нейрона, которая впоследствии была модифицирована и в настоящее время представляет собой многовходовый нелинейный преобразователь с взвешенными входными сигналами (рисунок 2).

Рисунок 2 – Классическая модель искусственного нейрона

На входы j – го нейрона поступает n сигналов x1, x2,…, xn, которые взвешиваются усилителями, реализующими синаптические веса, после чего взвешенные значения wj1x1 ,wj2x2,…,wjnxn вместе с пороговым значением Θj, именуемым также сигналом смещения, подаются на сумматор ∑, в результате чего формируется внутренний сигнал uj. Сома биологического нейрона моделируется с помощью некоторой нелинейной функции Ψ(uj), называемой в теории искусственных нейронных сетей либо активационной, либо передаточной функцией формального нейрона. Таким образом, математическая модель искусственного нейрона может быть записана как

{y_j} = psi left( {sumlimits_{i = 1}^n {{w_{ji}}{x_i} + { heta _j}} }
ight),

или

{y_j} = psi left( {sumlimits_{i = 0}^n {{w_{ji}}{x_i}} }
ight),

где wj0=Θ, x0=1. В матричном виде модель искусственного нейрона можно переписать в виде

{y_j} = psi left( {w_j^Tx}
ight),где

{w_j} = {({w_{j0}},{w_{j1}},…,{w_{jn}})^T} – вектор синоптических весов;
x = {(1,{x_1},…,{x_n})^T} – вектор входов.

Первоначально в модели нейрона У. Маккалоха и У. Питтса в качестве активационной функции использовался бинарный ограничитель (функция Хэвисайда). В настоящее время используется множество других.

Источник: http://phdblog.org.ua/m/Iskusstvennyj_nejron.html

На пути к искусственному интеллекту

Искусственные нейроны – это структурные единицы, из которых состоят нейронные сети [1]. И прин­цип их работы схож с принципом фун­к­ци­о­ни­ро­ва­ния нейронов в че­ло­ве­чес­ком мозгу. Поэтому они так и на­зы­ва­ют­ся! Они способны пе­ре­да­вать и получать друг от друга сигналы. Только в данном случае – это элек­трон­ный сигнал [2].

Что, к со­жа­ле­нию, является проблемой! Обус­лов­лен­ной высокими энер­го­зат­ра­та­ми во время пе­ре­да­чи ин­фор­ма­ции [3]. Но по­с­коль­ку ис­кус­ст­вен­ные нейроны являются единст­вен­ной из­вест­ной тех­но­ло­гией ис­кус­ст­вен­но­го ин­тел­лек­та [4], от­ка­зы­вать­ся от неё нельзя.

Вот почему проблему высоких энер­го­зат­рат пытаются решать! И надо сказать, не без­ре­зуль­тат­но [5].

Тут важно заметить, что современные нейронные сети и искусственный интеллект ка­чест­вен­но раз­ли­ча­ют­ся. Точно так же, как раз­ли­ча­ют­ся рогатка и АК-47. Принцип работы, в общем-то, оди­на­ко­вый. Но есть нюансы! Именно поэтому ис­кус­ст­вен­ные нейроны в сов­ре­мен­ных нейронных сетях являются просто струк­тур­ным эле­мен­том ком­пью­тер­но­го кода [6].

Обратите внимание

Его ар­хи­тек­ту­ра упрощённо пред­с­тав­ле­на входными, про­ме­жу­точ­ны­ми и выходными нейронами, между ко­то­ры­ми пе­ре­да­ют­ся сигналы с прис­во­ен­ным им весом [7].

Читайте также:  Роботы проявили альтруизм в процессе эволюции

Например, как рас­поз­на­ют­ся цвета? Нейроны передают сигналы с разным весом красного, зелёного и синего цвета, из которых на выходе, в за­ви­си­мос­ти от веса каждого сигнала, со­би­ра­ет­ся оп­ре­де­лён­ный цвет [8].

Нейронные сети способны обучаться. Их можно делать с разной ар­хи­тек­ту­рой и раз­ви­вать их точность [9]. В общем, это со­вер­шен­но за­ме­ча­тель­ная тех­но­ло­гия. Она перс­пек­тив­на. Она раз­ви­ва­ет­ся. Поз­во­ля­ет решить массу задач и, по всей видимости, в бли­жай­шем будущем мы увидим её всё более и более широкое применение.

Но если вы хотите создать ис­кус­ст­вен­ный ин­тел­лект, вам нужно не только прог­рам­мное обес­пе­че­ние [10]. Вам нужно «же­ле­зо»! Потому что без фи­зи­чес­кой ис­кус­ст­вен­ной ней­рон­ной сети не­воз­мож­но решить проблему высоких энер­го­зат­рат [10], [11].

Вот давайте и посмотрим, как эту проб­ле­му пытается решить сов­ре­мен­ная наука!

Искусственные нейроны

Современные искусственные нейроны называются мемристорами. Их делают из ком­пле­мен­тар­ных ме­тал­ло­ок­сид­ных-по­лу­про­вод­ни­ков (КМОП). По сути, они пред­с­тав­ля­ют собой ячейки памяти, способные изменять своё элек­т­ри­чес­кое соп­ро­тив­ле­ние под воз­дей­ст­ви­ем силы тока. Но их ис­поль­зо­ва­ние связано с боль­ши­ми затратами энер­гии.

Вот почему учёные активно пытаются их чем-то заменить или до­ра­бо­тать. И 21 февраля 2018 года в Nature появилась статья с пред­ло­же­ни­ем по решению данной проблемы [10]. В ней было пред­ло­же­но ус­тройст­во под наз­ва­ни­ем мем­тран­зис­тор – смесь мем­рис­то­ра и тран­зис­то­ра.

Делают его из од­но­слой­но­го по­лу­про­вод­ни­ко­во­го ди­суль­фи­да мо­либ­де­на (MoS2).

Мемтранзистор решает главную проблему мемристора. Он позволяет соединять каждый элемент системы со мно­жест­вом других эле­мен­тов. Точно так же, как со­е­ди­ня­ют­ся нейроны в мозгу. То есть данное ус­трой­ст­во ими­ти­ру­ет не только нейроны, но и поз­во­ля­ет ими­ти­ро­вать синапсы.

А синапсы и являются эле­мен­том связи между ней­ро­на­ми, обес­пе­чи­ва­ю­щим нор­маль­ную скорость про­хож­де­ния сигналов между ними [12]. И именно эко­но­мия времени на про­хож­де­нии сигналов между ис­кус­ст­вен­ны­ми ней­ро­на­ми может решить проблему вы­со­ких энер­го­зат­рат. А решает её ма­те­ри­ал, из которого делают мем­тран­зис­то­ры.

Он од­но­слой­ный, поэтому его ис­поль­зо­ва­ние поз­во­ля­ет свободно под­со­е­ди­нять эле­мен­ты между собой [10].

Искусственные синапсы

Итак, создание настоящего искусственного интеллекта зак­лю­ча­ет­ся в фи­зи­чес­кой, а не прог­рам­мной имитации нервной системы [11]. Просто потому, что только фи­зи­чес­кая ими­та­ция может позволить системе функ­ци­о­ни­ро­вать с при­ем­ле­мы­ми зат­ра­та­ми энергии.

Пос­коль­ку ней­рон­ные сети, ра­бо­та­ю­щие на обычных ком­пь­ю­те­рах, ещё более энер­го­зат­рат­ные, чем уже су­щест­ву­ю­щие фи­зи­чес­кие имитации. Хотя прин­цип работы у них кон­цеп­ту­аль­но иден­ти­чен.

Их обу­ча­ют! А пос­коль­ку скорость обу­че­ния зависит от объёма об­ра­ба­ты­ва­е­мой ин­фор­ма­ции, су­щест­ву­ет не­об­хо­ди­мость в боль­шом ко­ли­чест­ве синапсов. И «их есть у меня»!

Важно

Производят искусственные синапсы из халь­ко­ге­нид­но­го стекла, спо­соб­но­го крис­тал­ли­зи­ро­вать­ся под воз­дей­с­т­ви­ем тепла. Ну и вот пос­редст­вом кри­с­тал­ли­за­ции и осу­щест­в­ля­ет­ся обучение фи­зи­чес­кой нейронной сети. Но проблема в том, что при об­ра­бот­ке большого массива ин­фор­ма­ции могут воз­ни­кать ошибки, тре­бу­ю­щие пе­ре­заг­руз­ки системы.

В ре­зуль­та­те чего их обучать сложнее, чем прог­рам­мные нейронные сети. Но эту проб­лему удалось решить бла­го­да­ря внед­ре­нию двух типов синапсов: крат­ко­сроч­ной и дол­го­сроч­ной памяти.

Таким образом, обу­че­ние нейронная сеть проходит с помощью ис­кус­ст­вен­ных си­нап­сов крат­ко­сроч­ной памяти, а ре­зуль­тат обучения затем за­пи­сы­ва­ет­ся с помощью си­нап­сов дол­го­сроч­ной памяти [11].

Заключение

  1. Искусственные нейроны являются ячей­ка­ми памяти ней­рон­ных се­тей. И в за­ви­си­мос­ти от ти­па ней­рон­ной се­ти они мо­гут быть прог­рам­мны­ми или фи­зи­чес­ки­ми.

  2. Современные нейронные сети яв­ля­ют­ся прог­рам­мной си­му­ля­цией био­ло­ги­чес­кой це­реб­раль­ной сис­те­мы, но для соз­да­ния нас­то­я­ще­го ис­кус­ст­вен­но­го ин­тел­лек­та нуж­ны фи­зи­чес­кие ис­кус­ст­вен­ные ней­рон­ные се­ти. И их уже раз­ра­ба­ты­ва­ют!

P.S.

Бла­го­да­рим за вни­ма­ние! На­де­ем­ся, что ста­тья бы­ла ин­те­рес­на и поз­на­ва­тель­на. Ес­ли у вас ос­та­лись ка­кие-ли­бо воп­ро­сы, есть за­ме­ча­ния или вы хо­ти­те выс­ка­зать сло­ва бла­го­дар­нос­ти, то для все­го это­го мож­но вос­поль­зо­вать­ся фор­мой ком­мен­та­ри­ев ни­же.

Оце­ни­вай­те ста­тью, де­ли­тесь ею с друзь­я­ми в со­ци­аль­ных се­тях, до­бав­ляй­те сайт в из­бран­ное и бо­ри­тесь с мра­ко­бе­си­ем во всех его про­яв­ле­ни­ях, аминь!

Источники

[1] ncbi.nlm.nih.gov/pmc/articles/PMC5818638/

[2] ncbi.nlm.nih.gov/pmc/articles/PMC5075856/

[3] ncbi.nlm.nih.gov/pmc/articles/PMC4928881/

[4] ncbi.nlm.nih.gov/pmc/articles/PMC4295533/

[5] ncbi.nlm.nih.gov/pmc/articles/PMC5786439/

[6] sciencedirect.com/science/article/abs/pii/S0731708599002721

[7] ncbi.nlm.nih.gov/pmc/articles/PMC5664380/

[8] sciencedirect.com/science/article/pii/S0924271618300352

[9] sciencedirect.com/science/article/pii/S2214317317302159

[10] nature.com/articles/d41586-018-02025-x

[11] nature.com/articles/d41586-018-05297-5

[12] ncbi.nlm.nih.gov/pmc/articles/PMC3243741/

[свернуть]

Загрузка…

Источник: https://pop-science.ru/iskusstvennye-nejrony

1.1 Структура искусственного нейрона

Економіко-математичне обґрунтування підвищення ефективності виробництва МКВП “Дніпроводоканалу”

Організаційна структура – один з основних елементів керування організацією. Вона характеризується розподілом цілей і задач керування між підрозділом і працівниками організації…

Задачи линейного программирования

1.2 Метод искусственного базиса

Как уже говорилось выше, часто бывают проблемы с выделением единичного базиса. В таком случае предпочтительным является метод искусственного базиса. Наряду с исходной задачей, рассматривается расширенная задача…

Инструментальные средства управления территориально распределенными потоками заявок на транспортное обслуживание

3. СТРУКТУРА ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ

До того, как начать работать с программой моделирования и формирования оптимальных планов транспортного обслуживания, необходимо провести серьезную работу по сбору и подготовке исходных данных. Прежде всего, это данные…

Інформаційна система для аналізу фінансової стійкості

1.4.5. Структура інформаційних масивів

При організації раціонального варіанта внутрішньо-машинної інформаційної бази даних, яка найбільш повно відбиває специфіку обєкта управління, перед розробниками постають вимоги до організації масивів, які можуть бути суперечливими…

Математические методы в экономике

§3. «Метод искусственного базиса»

Если ограничения исходной задачи содержат единичную матрицу порядка М, то при неотрицательности правых частей уравнений определен первоначальный план, из которого с помощью симплекс – таблиц находится оптимальный план…

Математическое моделирование экономических процессов на железнодорожном транспорте

3.2 Решение задачи симплекс – методом с использованием искусственного базиса

1. Необходимо составить оптимальную диету, запустив три вида продуктов В1, В2, В3 с заданными ценами С1, С2, С3…

Моделирование деятельности гостиницы для животных “Друг”

5.1 Структура организации

9 Размещено на http://www.allbest.ru/ Рис.№3…

5.2 Структура программы

Структурно данную программу можно разделить на блоки. Каждый блок может быть отнесен к одной из функциональных групп: 1. Построение интерфейса; 2. Реализация алгоритмов, представленных в разделе 4. Следовательно…

1. Базовые понятия искусственного нейрона

Оптимизация работы предприятия ООО “Техсервис” по критерию прибыли за счет инноваций технологии и экономии ресурсов

1.2 Организационная структура предприятия

Руководство предприятием осуществляет директор, назначаемый Собранием учредителей. Структурно предприятие делится на администативно-управленческий персонал и производственный участок…

Применение статистических методов при анализе интенсивности развития транспорта Кировской области

3.1. Динамика численности ППП и его структура

Расчет по абсолютным показателям. Для проведения данного анализа воспользуемся основными показателями работы отрасли. На основе исходных данных рассчитаем такие показатели динамики…

Разработка системы конкурентно-оптимального прогноза управления предприятием на основе динамической модели олигополии

2.3 Коалиционная структура

(2.5) где R – множество индексов, например, управлений, М – множество индексов вектора показателей, где – это множество индексов коалиций. Показатель каждой коалиции принимает, как правило, один из двух видов: (2.6) , , , (2…

Розвиток теорії надання банківських послуг на прикладі ДФ АБ “Правексбанк”

1.2 Організаційна структура ДФ АБ “Правексбанк”

Внутрішня організаційна структура Дніпропетровської філії АБ “Правексбанк” складається з декількох відділів, кожен з яких має своє призначення та тісно взаємопов`язаний з іншими. Очолює Банк директор…

Системный анализ методов принятия решений по выдаче кредита

3.1 Общая структура модели

Поставленная задача должна решить следующие проблемы: · Повысить надежность существующей кредитной политики банка и снизить кредитный риск…

Экономико-математическая модель оптимизации распределения трудовых ресурсов

2.1.2 Производственная структура предприятия

В настоящие время на предприятии существует 3 строительных участка, участок складского хозяйства и участок транспортного хозяйства. Координация проведения работ, лицензирование работ…

Источник: http://em.bobrodobro.ru/3000

Ссылка на основную публикацию
Adblock
detector