XI Международная студенческая научная конференция Студенческий научный форум - 2019

Нейронная сеть - это последовательность нейронов, соединенных между собой синапсами. Структура нейронной сети пришла в мир программирования прямиком из биологии. Благодаря такой структуре, машина обретает способность анализировать и даже запоминать различную информацию. Нейронные сети также способны не только анализировать входящую информацию, но и воспроизводить ее из своей памяти.

 

Другими словами, нейросеть это машинная интерпретация мозга человека, в котором находятся миллионы нейронов передающих информацию в виде электрических импульсов.

Разновидность сетей

Обычно сеть состоит из множества сенсорных элементов (входных узлов), которые образуют входной слой; одного или нескольких скрытых слоев вычислительных нейронов и одного выходного слоя нейронов.
- Первый слой сети:
как младенец, видит свет и цвет, и расплывчатые силуэты.
- Второй слой сети:
может различать элементы и текстуры.
- Третий слой сети:
различает механизмы, части тела людей и животных.
- Четвертый слой сети:
уже классифицирует объекты и понимает, что ему показывают.

Начало было положено еще в 40-х годах XX века. Как научное направление, теория искусственных нейронных сетей была обозначена в классической работе Уоррена Мак-Каллока и Уолтера Питтса, заложившей основы двух направлений исследований нейронных сетей .

Первый был ориентирован на изучение биологических процессов в головном мозге, второй - на применений россети для создания искусственного интеллекта. В конце 40-х годов Дональд Хебб выдвинул свою теорию обучения искусственных нейронных сетей на основе механизма нейронной пластичности, впоследствии нашедшую применение в работе вычислительных моделей в машинах Алана Тьюринга. В 1962 году американский ученый Фрэнк Розенблатт для решения проблемы классификации символов предложил использовать особый тип ИНС (искусственно нейронная сеть), который получил название «Перцептрон». И уже в 1958 году им же был создан первый нейрокомпьютер «Марк-1»на основе перцептрона. Но и советские ученые не стояли на месте. Так, в 60-х годахАлександр Петров и Михаил Бонгард начали заниматься изучением перцептрона, конкретно -задач, которые он не был способен решить. А в 1969 году уже американские ученые Марвин Ли Минскии Сеймур Паперт опубликовал и доказательство того, что возможности перцептр она имеют существенные ограничения. После появления этой работы большинство исследования в области ИНС были приостановлены на полтора десятилетия. Однако в1982 году американец Джон Джозеф Хопфилд сумел достичь двусторонней передачи информации между нейронами и изобрел ассоциативную нейронную сеть. Специализация узлов, предложенная Хопфилдом, позже нашла применение в первых гибридных нейронных сетях. С середины 80-х годовтеория нейронных сетейполучила «технологический импульс», вызванный появлением новых доступных и высокопроизводительных персональных компьютеров. Самых значительных достижений в данном вопросе достигла американская компания IBM(англ. InternationalBusinessMachines). Первые результаты исследований были продемонстрированы14 ноября 2009 года. Компания представила на суд общественности успешно смоделированныймозгкошки. Правда, следует отметить, что тогда егоработа была в 643 раза медленнее реального времени. Следующей вехой в развитии ИНС можно считать 18августа 2011 года, когда IBMсоздали передовой на тот момент нейронный процессор, которыйсодержал256 нейронов и 262144синапсов.15 ноября 2012 г. на конференции «Supercomputing 2012» этой компанией были продемонстрированы итоги долгой работы над симуляцией нейрокомпьютера, который можно было бы сопоставить с мозгом человека (он «состоял» из 530 миллиардов нейронов и 137 триллионов синапсов). Эта симуляция, осуществлявшаяся на базе суперкомпьютера «Sequoia», проводилась в 1542 раза медленнее реального времени, в процессе работыбыли задействованы 1572864 ядер и 1,5 петабайта памяти.7августа 2014 г. произошло знаковое событие для научно-технического сообщества: компания IBMв рамках программы SyNAPSE (англ. Systemsof Neuromorphic Adaptive Plastic Scalable Electronics; рус. Системы Нейроморфической Адаптивной Пластически Масштабируемой Электроники) представила нейросинаптический процессор для архитектуры TrueNorth. На сегодняшний день это-последняя обнародованная разработка в данном направлении.Вот каких результатов удалось достичь разработчикам IBM: TrueNorth насчитывает 1 миллион программируемых нейронов, объединенных в 4096 нейросинаптических вычислительных ядер,256 миллионов синапсов и имеет колоссальное число транзисторов –5,4 миллиарда, что является рекордным количеством для чипов, основанных на традиционной CMOS-логике (англ. CMOS, complementarymetal-oxide-semiconductor; рус.КМОП, комплементарная структура металл-оксид-полупроводник).

Таким образом, всего за три года был совершен скачок от 256 нейронов и 262144 синапсов до 1 миллиона и 256 миллионов соответственно. Разработанный процессор соответствует всем главным признакам и особенностям нейросетей: в процессе своей работы онспособен самообучаться, анализировать и приходить разными путями к решению нестандартных или нечетко сформулированных задач. Отдельного рассмотрения заслуживает описание режима энергопотребления TrueNorth. IBMудалось достичь в этом направлении значительных результатов:во время работы в режиме реального времени потребляемая мощностьсоставила всего 70 МВт, что на несколько порядков меньше затрат энергии, требующейся процессорам традиционной архитектуры. При этом производительность нового чипа составляет 46 миллиардов синаптических операций в секунду на один ватт. Для сравнения: человеческий мозг насчитывает более85миллиардов нейронов и более 100триллионов синапсов. Теоретически, имея 85тысячпроцессоровTrueNorth, можно воссоздать человеческий мозг. Безусловно, такой опыт позволит современной науке вплотную приблизиться к пониманию одной из величайших загадок современности - человеческому сознанию.
Нейронные сети используются для решения сложных задач, которые требуют аналитических вычислений подобных тем, что делает человеческий мозг. Самыми распространенными применениями нейронных сетей является:

Классификация - распределение данных по параметрам. Например, на вход дается набор людей и нужно решить, кому из них давать кредит, а кому нет. Эту работу может сделать нейронная сеть, анализируя такую информацию как: возраст, платежеспособность, кредитная история и тд.
Предсказание - возможность предсказывать следующий шаг. Например, рост или падение акций, основываясь на ситуации на фондовом рынке.
Распознавание - в настоящее время, самое широкое применение нейронных сетей. Используется в Google, когда вы ищете фото или в камерах телефонов, когда оно определяет положение вашего лица и выделяет его и многое другое.
Хоть и нейросеть представляет собой упрощенную модель человеческого мозга, она весьма успешно используются при решении самых различных задач.

Большинство сфер человеческой деятельности нуждаются в постоянном совершенствовании.

Возьмем в пример Экономику. С каждым годом стремительно увеличиваются объём информации и скорость её изменения. Обработка и управление таким количеством данных человеческим интеллектом является малоэффективным, а использование традиционных вычислений становится трудоемким процессом. Поэтому на помощь приходят современные информационные технологии. Для того чтобы предприятие могло функционировать более эффективно, создаются множество статистических методов и моделей, а также специализированные программные обеспечения. Однако большинство методов имеют существенный недостаток - линейность, то есть возможность описать большинство процессов линейной зависимостью, а также однозначность стационарного решения в системе линейных уравнений, что делает ее недостаточно корректной.

Нейронные сети целесообразно использовать для решения плохо формализованных задач (которые требуют трудоёмких вычислений). К таким задачам относятся:

Прогнозирование. Это первый класс экономических задач, которые можно решить, применяя искусственные нейронные сети. Именно их способность к обобщению и выявлению скрытых зависимостей внутри элементов сети позволяет справиться с подобными задачами. Примерами могут служить:

прогнозирование уровня спроса на новый товар или услугу;

прогнозирование объёмов продаж;

прогнозирование поведения клиентов;

анализ надёжности фирмы и определение вероятности её банкротства;

предсказание изменения стоимости акций в определённый период времени;

прогнозирование целесообразности внедрения инновационных проектов и их экономической эффективности;

оценка платёжеспособности клиента и риска предоставления ему кредита.

Интерес к использованию искусственных нейронных сетей в экономике растёт с каждым днём. Они хорошо зарекомендовали себя в решении многих прикладных финансово-экономических задач. Искусственные нейронные сети являются незаменимыми при качественной обработке колоссальных потоков данных, без чего очень сложно, а порой и невозможно адекватно оценить ситуацию на рынке и принять верное решение. Всё это свидетельствует о необходимости дальнейшего изучения, развития и внедрения аппарата искусственных нейронных сетей на практике. Использование нейронных сетей весьма обширно.

Сегодня нейронные сети умеют, даже, играть в 3D игры просто глядя на монитор. Т.е. всю информацию из игры они получает посредством зрения через камеру.

Еще один удивительный факт! В марте 2016 года нейронная сеть Deepmind обыграла в логическую настольную игру Го лучшего игрока в мире [1], хотя еще 20 лет назад многие эксперты сомневались, что искусственный интеллект сможет когда-нибудь обыграть человека даже в относительно простые шахматы. Между тем игра Го считается многократно сложнее шахмат.

Однако не только в играх преуспела нейронная сеть Deepmind. Осенью 2016 года компания объявила, что их искусственный интеллект научился реалистично имитировать речь человека (с помощью алгоритма WaveNet) [4]. Возникает вопрос, чем может быть полезна эта технология? На самом деле сфер применения очень много. Например, если среди нас есть любители аудиокниг, то можно было бы заставить читать ИИ (искусственный интеллект) любое произведение с нормальной интонацией. Т. е. ИИ можно будет использовать в качестве диктора. А если совместить эту технологию с технологией распознавания речи и с технологией перевода иностранных слов, которые тоже постоянно совершенствуются. То уже в очень недалеком будущем, общаясь с иностранцем по Skype, вам не надо будет знать его языка, так как за долю секунды ИИ будет все переводить и озвучивать. Так же, человек сможет мгновенно получать перевод с озвучкой иностранных роликов на YouTube.

В ноябре 2016 года компания Google объявила, что их искусственный интеллект научился читать по губам человека. Через нейросеть просто пропустили 5 тысяч часов записи различных программ и телеканалов. В результате этого ИИ научился читать по губам, даже, в тех случаях, когда человек проглатывает части слов. В данный момент нейросетьDeepmind на 30% лучше справляется с чтением по губам, чем любой профессионал среди людей. Потенциал применения разработки огромен.
Плюсы нейронной сети.

Совершенно очевидно, что свою силу нейронные сети черпают, во-первых, из распараллеливания обработки информации и, во-вторых, из способности самообучаться, т.е. создавать обобщения. Под термином обобщение понимается способность получать обоснованный результат на основании данных, которые не встречались в процессе обучения. Эти свойства позволяют нейронным сетям решать сложные (масштабные) задачи, которые на сегодняшний день считаются трудноразрешимыми. Однако на практике при автономной работе нейронные сети не могут обеспечить готовые решения. Их необходимо интегрировать в сложные системы. В частности, комплексную задачу можно разбить на последовательность относительно простых, часть из которых может решаться нейронными сетями.

Итак, приведем некоторые преимущества и достоинства нейронных сетей перед традиционными вычислительными системами.

1. Решение задач при неизвестных закономерностях

Используя способность обучения на множестве примеров, нейронная сеть способная решать задачи, в которых неизвестны закономерности развития ситуации и зависимости между входными и выходными данными. Традиционные математические методы и экспертные системы в таких случаях пасуют.

2. Устойчивость к шумам во входных данных

Возможность работы при наличии большого числа неинформативных, шумовых входных сигналов. Нет необходимости делать их предварительный отсев, нейронная сеть сама определит их малопригодность для решения задачи и отбросит их.

3. Адаптирование к изменениям окружающей среды

Нейронные сети обладают способностью адаптироваться к изменениям окружающей среды. В частности, нейронные сети, обученные действовать в определенной среде, могут быть легко переучены для работы в условиях незначительных колебаний параметров среды. Более того, для работы в нестационарной среде (где статистика изменяется с течением времени) могут быть созданы нейронные сети, переучивающиеся в реальном времени. Чем выше адаптивные способности системы, тем более устойчивой будет ее работа в нестационарной среде. При этом следует заметить, что адаптивность не всегда ведет к устойчивости; иногда она приводит к совершенно противоположному результату. Например, адаптивная система с параметрами, быстро изменяющимися во времени, может также быстро реагировать и на посторонние возбуждения, что вызовет потерю производительности. Для того чтобы использовать все достоинства адаптивности, основные параметры системы должны быть достаточно стабильными, чтобы можно было не учитывать внешние помехи, и достаточно гибкими, чтобы обеспечить реакцию на существенные изменения среды.

4. Потенциальное сверхвысокое быстродействие

Нейронные сети обладают потенциальным сверхвысоким быстродействием за счет использования массового параллелизма обработки информации.

5. Отказоустойчивость при аппаратной реализации нейронной сети

Нейронные сети потенциально отказоустойчивы. Это значит, что при неблагоприятных условиях их производительность падает незначительно. Например, если поврежден какой-то нейрон или его связи, извлечение запомненной информации затрудняется. Однако, принимая в расчет распределенный характер хранения информации в нейронной сети, можно утверждать, что только серьезные повреждения структуры нейронной сети существенно повлияют на ее работоспособность. Поэтому снижение качества работы нейронной сети происходит медленно.

Минусы нейронной сети

Несмотря на широкий спектр возможностей нейронной сети, решению задач с их помощью сопутствует ряд недостатков:

-       большинство подходов для проектирования являются эвристическими и часто не приводят к однозначным решениям;

-       для построения модели объекта на основе нейронных сетей требуется выполнение много цикловой настройки внутренних элементов и связей между ними;

-       проблемы, возникающие при подготовке обучающей выборки, связанные с трудностями нахождения достаточного количества обучающих примеров;

-       обучение сети в ряде случаев приводит к тупиковым ситуациям;

-       продолжительные временные затраты на выполнение процедуры обучения зачастую не позволяют применять нейронные сети в системах реального времени;

-       поведение обученной нейронной сети не всегда может быть однозначно предсказуемо, что увеличивает риск применения их для управления дорогостоящими техническими объектами;

-      большинство известных коммерческих продуктов схемотехнической реализации нейронной сети, выполняются в виде сверхбольших интегральных схем (СБИС), которые сегодня трудно назвать широкодоступными.
Вывод

Даже самые сложные нейросети, гораздо проще биологического мозга.
К примеру бражник-мотыль, любящий цветочки, 30 тысяч его рецепторов ловят запахи и передают в антенную долю, где 60 клубочков нейронов ловят их и распознают, дальше код передается грибовидное тело, где 4000 специальных клеток превращают запахи в воспоминания.

В ходе обучения выделяется гормон октопамин, который помогает закреплять информацию. На финальном уровне внешние нейроны переводят сигнал в действие, и насекомое летит вверх.

Естественный и простой интеллект мотыля гораздо умнее чем самый совершенный искусственный.

Но иногда машинам все же удается скопировать биологический мозг.
Интернет-ресурсы:
1).https://scienceforum.ru/2017/article/2017036929дата обращения:01.11.2018; Время:22:41.
2).https://habr.com/post/312450/дата обращения:01.11.2018; Время:22:41.
3).http://www.aiportal.ru/articles/neural-networks/advantages.htmlдата обращения:01.11.2018; Время:22:41.

Код для цитирования: Скопировать