Практическое применение нейросетевых технологий

В России сформировались три крупные научные школы в области нейротехнологий.

1. Центр нейрокомпьютеров РАН (А.И. Галушкин). Широкую извест­ность он получил благодаря изданию 28-томной серии книг «Нейрокомпью­теры и их применение», а также регулярно проводимым Всероссийским конференциям с одноименным названием.

2. Научная школа нейротехнологий МГУ (А.В. Чечкин). Известность получили разработанные в ее рамках нейромодели сенсорных и языковых систем человека, относящиеся к бионическому направлению в нейрокомпь­ютинге.

3. Научная школа нейротехнологий в Красноярском государственном университете (А.Н. Горбань). Ученые этой школы развивают оригинальные алгоритмы обучения нейросетей и проводят международные конференции по нейрокомпьютингу.

Потенциальными сферами применения нейротехнологий являются все плохо формализуемые предметные области, в которых классические математические моде­ли и алгоритмы оказываются мало эффективными по сравнению с челове­ком, демонстрирующим успешное решение задач. К областям использова­ния нейротехнологий, в которых уже получены значимые практические ре­зультаты, относятся: обработка изображений, реализация ассоциативной памяти, системы управления реального времени, распознавание образов и речи, системы безопасности, выявление профилей интересов пользователей Internet, системы анализа финансового рынка и др. Сегодня можно уверенно говорить о том, что нейротехнологии становятся неотъемлемым компонен­том нвых информационных технологий (НИТ).

Одной из характерных черт нейротехнологий является обучение ней­росеmи на пpuмepax. Эта же «технология» служит основой развития ребен­ка, который в первые годы жизни проходит гигантский путь формирования интеллекта и языковой системы, обучаясь на примерах. Мозг состоит из различных типов клеток. Большинство нейрофизио­логов считает, что объяснить феномены работы мозга можно, изучая функ­ционирование объединенных в единую сеть клеток, называемых нейронами.

Мозг включает 10¹⁰-10¹¹ нейронов. Количество связей между ними может достигать 10²¹. Поэтому отображающие и моделирующие возможности ней­росети огромны.

Объем информации, хранящейся в мозге человека и других млекопи­таюшихся, превышает объем генетической информации, закодированной в ДНК. Строение мозга отражает его эволюцию. Наиболее древние участки мозга, доставшиеся человеку от рыб и амфибий, ответственны за поддержа­ние жизнедеятельности (гомеостазис) и размножение. Другие отделы мозга (рептильный комплекс) возникли несколько сот миллионов лет назад и обеспечивают ориентацию в пространстве. Третий слой – лимбическая система - сформировался около 150 млн. лет назад и отвечает за эмоцио­нальную сферу. Наконец, кора больших полушарий, возникшая несколько миллионов лет назад, обеспечивает функции речи и логического мышления.

Обычно лишь 2...3 % нейронов мозга активны. Поэтому мозг облада­ет огромным запасом «прочности» и «пластичности», позволяющих ему ра­ботать даже при серьезных повреждениях и приспосабливаться к значитель­но меняющимся внешним условиям.

Нейрофизиологи в высшей нервной системе (ВНС) человека явно различают три типа нейронных структур: сенсорные, внутренние и эффекторные. Первые обеспечивают по­ступление в мозг информации из внешнего мира, поддерживая шесть чувств: зрение, слух, вкус, обоняние, осязание и чувство равновесия. Но ес­ли первые пять сенсорных систем «вынесены наружу», то вестибулярный аппарат изолирован и скрыт от непосредственного наблюдения. Внутренние нейроны воспринимают информацию от сенсорных систем, перерабатывают ее и передают на эффекторные нейроны. Последние управляют мышцами, внутренними органами, сосудами и пр.

Качественное различие компьютерной обработки символьной и об­разной информации заключается в малом числе разрядов цифрового пред­ставления символа. Поэтому для символов в принципе можно комбинаторно описать любой способ их обработки. Для образов (из-за комбинаторного взрыва) это в принципе невозможно за исключением ряда типовых преобра­зований, поддающихся формализации и реализуемых в графических уско­рителях, пакетах обработки изображений и т. д. В общем случае операции с образами формализуемы не полностью, для их обработки применяются эв­ристические алгоритмы. Главный механизм обработки образов – обучение на множестве примеров (обучающем множестве).

С учетом сказанного парадигма нейрокомпьютинга формулируется следующим образом: алгоритмы, порождаемые данными в универсальном процессе обучения, специализированные для данного класса операций с об­разами, адаптированные под конкретные информационные задачи.

В отличие от памяти ЭВМ память человека адресуется по содержа­нию, является ассоциативной, распределенной, робастной (способность системы восстанавливаться при возникновении ошибок и сбоев) и активной. Полушария мозга человека имеют разное назначение. Левое полуша­рие отвечает за работу с абстрактными представлениями, математические вычисления и логический вывод, речь, письмо, восприятие времени. Эти процессы связаны с пошаговой обработкой информации. Правое полушарие оперирует с образами конкретных объектов. Все виденное нами в жизни хранится в правом полушарии, а все имена - в левом. Правое полушарие способно учиться узнавать предметы при их предъявлении, а не по описани­ям, как левое. У правого полушария данные и метод составляют единое це­лое. Оно также отвечает за воображение и интуицию. Это более древние механизмы мозга по сравнению с логическим мышлением. Правое полуша­рие поддерживает параллельную обработку информации, оно же отвечает за творчество.

К феноменам мозга относят:

. кодирование (представление) информации о внешнем мире;

. кратковременное и долговременное запоминание, хранение и из­влечение информации;

. ассоциативный поиск и самоорганизацию памяти;

. оперирование информацией в процессе решения мыслительных задач;

. симультанное (мгновенное) распознавание (например, узнавание человека, с которым не было встреч много лет);

. неожиданное творческое озарение (инсайт) и др.

Конструктивного научного объяснения этим феноменам до сих пор не найдено.

Структура работ в области нейрокибернетики приведена на рис. 8.