НЕЙРОКОМПЬЮТЕРЫ И НЕЙРОННЫЕ СЕТИ - Студенческий научный форум

VIII Международная студенческая научная конференция Студенческий научный форум - 2016

Личный портфель

НЕЙРОКОМПЬЮТЕРЫ И НЕЙРОННЫЕ СЕТИ

Ковалёв Е.К. 1, Колобова О.Л. 1
1МГТУ им. Г. И. Носова
 Комментарии
Текст работы размещён без изображений и формул.
Полная версия работы доступна во вкладке "Файлы работы" в формате PDF
Abstract.The problem of creation of neurocomputers — computers organic built of living neurons with which today it is possible to design a new generation of computing devices.

Keywords: neuronal, computer networks, neurocomputers properties, artificial systems.

Введение

Теоретическая и методологическая части учебных дисциплин, предметом которых являются учения об информатике, экономике сегодня не используют нейрокомпьютеры и нейронные сети, по той причине, что эта отрасль компьютерной инженерии (начавшая своё развитие ещё в XX веке), до сих пор не вышла на уровень массового потребления. Поэтому предметом нашего исследования мы выбрали тему нейрокомпьютеринга, которую считаем перспективной и весьма актуальной.

Нейрокомпьютеры как новая степень развития компьютерной инженерии

«Нейрон (биологический) — одна из 1015 клеток мозга, способная генерировать электрический импульс, в случае, когда суммарный потенциал превысит критическую величину. Соединяясь друг с другом, нейроны образуют сеть, по которой путешествуют электрические импульсы. Контакты между нейронами (синапсы), могут менять эффективность передачи сигналов (вес связи) от нейрона к нейрону. Самая популярная на сегодняшний день гипотеза основана на том, что именно нейронные сети мозга обрабатывают информацию. При этом «обучение» сети и запоминание информации базируется на настройке значений весов связей между нейронами» [2]. Именно так описывает нейрон Роберт Хехт-Нильсен [2].

Толчком к изучению нейрокомпьютеринга послужили исследования в сфере биологии. Из нейробиологии известно, что нервная система человека и животных состоит из отдельных клеток — нейронов. В мозге человека их число превосходит 1.0е10 – 1.0е12. Каждый нейрон связан с 1.0е3 – 1.0е4 другими нейронами, выполняя сравнительно простые действия. Время срабатывания нейрона — 2-5 мс. Совокупная работа всех нейронов мозга обуславливает работу мозга в реальном времени, который решает задачи в момент их постановки.

В последние годы эта проблема особенно активно развивается в зарубежных исследованиях. Этой проблеме посвящены работы следующих авторов: Utne L.[13], Tay O N.[12], Bailey J A.[7], Diorio C.[9], Elshafiey, Ibrahim Mohamed.[10], Watkins Steven Spencer.[14], Akbari Kazem.[6], Aikens Valentine Christopher.[5], Pechanek, Gerald George[11].

Особое место занимает исследование «Нейрокомпьютер: целенаправленное обучение в воплощенных культивируемых сетях» Чао Зенаса [8]. В котором он также затрагивает проблему развития нейрокомпьютера «Первый нейрокомпьютер состоял из двух «пиявка» нейронов, которые могли бы успешно выполнять арифметические суммы при кодировании чисел в инжекции тока. Однако, диапазон чисел, что система может кодировать был ограничен; считалось, что эта проблема может быть решена путем найма большего количества нейронов с более сложным узором подключения. Достижения в области биосовместимости материалов и электроники позволили вырастить нейроны непосредственно на устройствах, называемых многоэлектродные матрицы (МЭС), через которые можно стимулировать и записывать электрическую активность нейронов в сети. Культивированные нейронные сети на МЭС предлагают не только гораздо более сложные рисунки подключения, но также значительно-большую свободу для манипулирования и для доступа к динамику групп нейронов, и может стать одним из лучших кандидатов для следующего поколения нейрокомпьютеров» [8].

Современные отечественные исследователи также изучают проблему нейрокомпьютеринга: системы искусственного интеллекта и нейронные сети [3], нейропроцессор NeuroMatrix NM6403 [4].

Д.В. Власов, А.Н. Дайнеко, А.В. Фадеев в своей работе «Оптические процессоры» рассматривают основные отличия нейрокомпьютеров от вычислительных устройств, предыдущих поколений:

  • параллельная работа очень большого числа простых вычислительных устройств обеспечивает огромное быстродействие;

  • нейронная сеть способна к обучению, которое осуществляется путем настройки параметров сети;

  • высокая помехо-отказоустойчивость нейронных сетей;

  • простое строение отдельных нейронов позволяет использовать новые физические принципы обработки информации для аппаратных реализаций нейронных сетей [1].

Нейрокомпьютеры отличаются от ЭВМ предыдущих поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи.

Таким образом, развитие нейрокомпьютеринга положительно сказывается на производительности и стабильности выполнения задач, поставленных человеком компьютеру. Нейрокомпьютеры в скором времени займут свою нишу в информативно-социальной жизни человека, заменяя нынешние ЭВМ.

Нейронные сети как способ решения сложнейших задач

В основу искусственных нейронных сетей положены следующие черты живых нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами:

  • простой обрабатывающий элемент — нейрон;

  • очень большое число нейронов участвует в обработке информации;

  • один нейрон связан с большим числом других нейронов (глобальные связи);

  • изменяющиеся веса связей между нейронами;

  • массированная параллельность обработки информации [1].

Прародителем искусственного нейрона послужил биологический нейрон головного мозга. Рассмотрим строение биологического нейрона, опираясь на работу Д. В. Власова, А. Н. Дайнеко, А. В. Фадеева «Оптические процессоры» [1].

Биологический нейрон имеет тело, совокупность отростков-дендридов, по которым в нейрон поступают входные сигналы, и отросток-аксон, передающий выходной сигнал нейрона другим клеткам. Точка соединения дендрида и аксона называется синапсом. Упрощенно функционирование нейрона можно представить следующим образом:

  1. нейрон получает от дендридов набор (вектор) входных сигналов;

  2. в теле нейрона оценивается суммарное значение входных сигналов. Однако входы нейрона неравнозначны. Каждый вход характеризуется некоторым весовым коэффициентом, определяющим важность поступающей по нему информации. Таким образом, нейрон не просто суммирует значения входных сигналов, а вычисляет скалярное произведение вектора входных сигналов и вектора весовых коэффициентов;

  3. нейрон формирует выходной сигнал, интенсивность которого зависит от значения вычисленного скалярного произведения. Если оно не превышает некоторого заданного порога, то выходной сигнал не формируется вовсе — нейрон "не срабатывает";

  4. выходной сигнал поступает на аксон и передается дендридам других нейронов.

Поведение искусственной нейронной сети зависит как от значения весовых параметров, так и от функции возбуждения нейронов. Известны три основных вида функции возбуждения:

  1.  

    • пороговая;

    • линейная

    • сигмоидальная.

Для пороговых элементов выход устанавливается на одном из двух уровней в зависимости от того, больше или меньше суммарный сигнал на входе нейрона некоторого порогового значения. Для линейных элементов выходная активность пропорциональна суммарному взвешенному входу нейрона.

Для сигмоидальных элементов в зависимости от входного сигнала, выход варьируется непрерывно, но не линейно, по мере изменения входа. Сигмоидальные элементы имеют больше сходства с реальными нейронами, чем линейные или пороговые, но любой из этих типов можно рассматривать лишь как приближение [1].

В заключении хотелось бы сказать, что нейронная сеть представляет собой совокупность большого числа сравнительно простых элементов — нейронов, топология соединений которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, мы должны выбрать, каким образом следует соединять нейроны друг с другом, и соответствующим образом подобрать значения весовых параметров на этих связях. Может ли влиять один элемент на другой, зависит от установленных соединений. Вес соединения определяет силу влияния.

Заключение

Таким образом, нейрокомпьютеры и нейронные сети очень скоро займут свою нишу в информационном обществе. Обосновать это можно их быстродействием и производительностью, способностью параллельно решать сложнейшие задачи. Их применение возможно и не будет массовым, но вполне вероятно, что через некоторое время они войдут в индустрию экономики, медицины, астрологии и математики и многие другие. Разработка нейрокомпьютеров началась достаточно давно, но именно в последнее время о них стало известно всё больше и больше. Это уникальное изобретение, которое выдвинет вычислительные измерения на новый уровень.

Список использованных источников

  1. Власов Д.В., Дайнеко А.Н., Фадеев А.В. Оптические процессоры. [Электронный ресурс]. URL: http://dfe.petrsu.ru/koi/posob/optproc/ne ucom.html.

  2. Роберт Хехт-Нильсен. Открытые системы. [Электронный ресурс]. URL: http://www.osp.ru/os/1998/04/179534.

  3. Системы искусственного интеллекта и нейронные сети. [Электронный ресурс]. URL: http://bourabai.ru/einf/chapter134.htm.

  4. Студопедия. Нейропроцессор NeuroMatrix NM6403 [Электронный ресурс]. URL: http://studopedia.ru/3_174439_ neyroprotsessor-NeuroMatrix-NM.html.

  5. Aikens Valentine Christopher. A generic sum of products parallel processor for neural networks and digital signal processing. — Ann Arbor: State University of New York at Binghamton 1997. — 126 p. URL: http://search.proquest.c om/pqdt/docview/304404431/8B94F35B25B84AFFPQ/10?accountid=164707.

  6. Akbari Kazem. A new neurocomputing approach: Software and hardware designs. — Ann Arbor: Case Western Reserve University 1995. — 246 p. URL: http://search.proquest.com/pqdt/docview/304185582/8B94F35B25B84 AFFPQ/9?accountid=164707.

  7. Bailey J A. Towards the neurocomputer: an investigation of VHDL neuron models. — Ann Arbor: University of Southampton (United Kingdom) 2010. — 190 p. — URL: http://search.proquest.com/pqdt/docview/1314567182/8B94F3 5B25B84 AFFPQ/5? accountid=164707.

  8. Chao Zenas C. Toward the neurocomputer: Goal-directed learning in embodied cultured networks. — Ann Arbor: Georgia Institute of Technology 2007. — 260 p. — P. 1-3. URL: http://search.proquest.com/pqdt/ docview/304876283/abstract/230743FFAEDB4152PQ/1? accountid=164707.

  9. Diorio C. Neurally inspired silicon learning: From synapse transistors to learning arrays. — Ann Arbor: California Institute of Technology 1997. — 107 p. URL:http://search.proquest.com/pqdt/docview/304363659/abstract/8B94F35 B25B84AFFPQ/7?accountid=164707.

  10. Elshafiey, Ibrahim Mohamed. Computational aspects of electromagnetic NDE phenomena. — Ann Arbor: Iowa State University 1994. — 204 p. URL: http://search.proquest.com/pqdt/docview/304137981/8B94F35B25B84AFFPQ/6?accountid=164707.

  11. Pechanek, Gerald George. PLAN: Pyramid Learning Architecture Neurocomputer. — Ann Arbor: State University of New York at Binghamton 1991. — 326 p. URL: http://search.proquest.com/pqdt/docview/303994538 /8B94F35B25 B84AFFPQ /2?accountid=164707.

  12. Tay O N. The use of cache memory in neurocomputer design. — Ann Arbor: University of Essex (United Kingdom) 1994. — 230 p. — URL: http://search. proquest.com/pqdt/docview/301467456/8B94F35B25B84AFFPQ/4?accountid=164707.

  13. Utne L. Design of a reconfigurable neurocomputer performance analysis by implementation of recurrent associative memories. — Ann Arbor: Universitetet i Trondheim (Norway) 1995. — 210 p. — URL: http://search.proquest.сom/pqdt/docview/304215938/8B94F35B25B84AFFPQ/3?accountid=164707.

  14. Watkins Steven Spencer. Reduced complexity VLSI circuits for radial basis function neural networks. — Ann Arbor: University of California, San Diego 1995. — 131 p. URL: http://search.proquest.com/pqdt/docview/304193 444/8B94 F35B25 B84AFFPQ/8?accountid=164707.

 

8

 

Просмотров работы: 1175