Bajardi: Ne’matova Charos

Ulanish

Avgust oyida 2020 olimlar, deb bi-yo'naltirilgan ulanishlarni xabar yoki tezlashtirish va o'rtasida va modulli muomalani yaxshilashga mumkin, tegishli fikringiz ulanish qo'shiladi nerv tarmoqlari Miyaning ning bosh miya po'stlog'ining va ularning muvaffaqiyatli muloqot qilish uchun sal qolgan pasaytirishi. Ular rezonans juftligi o'rtasida qayta aloqa ulanishlarini qo'shish butun tarmoq bo'ylab bitta impuls paketining muvaffaqiyatli tarqalishini qo'llab-quvvatlashi mumkinligini ko'rsatdi.

Kamchiliklari
Neyron tarmoqlarning, xususan, robototexnika sohasidagi keng tarqalgan tanqidi shundaki, ular haqiqiy hayotda ishlash uchun turli xil o'quv namunalarini talab qiladi. Buning ajablanarli joyi yo'q, chunki har qanday o'quv mashinasi yangi holatlarni umumlashtirishga imkon beradigan asosiy tuzilmani qo'lga kiritish uchun etarli vakillik misollariga muhtoj. Din Pomerleau "Avtonom robotlarni boshqarish uchun sun'iy neyron tarmoqlarni bilimga asoslangan o'qitish" maqolasida taqdim etilgan tadqiqotida robotlashtirilgan transport vositasini bir nechta turdagi yo'llarda (bir qatorli, ko'p polosali, tuproqli) haydashga o'rgatish uchun neyron tarmoqdan foydalanadi. , va boshqalar.). Uning tadqiqotining katta qismi (1) bitta mashg'ulot tajribasidan bir nechta o'quv stsenariylarini ekstrapolyatsiya qilish va (2) tizimni haddan tashqari oshirib yubormaslik uchun oldingi mashg'ulotlarning xilma-xilligini saqlashga bag'ishlangan (masalan, agar u o'ngga bir qator burilishlar bilan taqdim etiladi - u doimo o'ngga burilishni o'rganmasligi kerak). Bu muammolar neyron tarmoqlarda keng tarqalgan bo'lib, ular turli xil javoblar orasidan qaror qabul qilishi kerak, lekin ularni bir necha usullar bilan hal qilish mumkin, masalan, o'quv misollarini tasodifiy aralashtirish, raqamli optimallashtirish algoritmidan foydalangan holda, juda katta qadamlar qo'ymaydi. misol bo'yicha tarmoq ulanishlarini o'zgartirish yoki misollarni mini-to'plamlarda guruhlash orqali.
Dyudni pozitsiyasining dalillari shundan iboratki, katta va samarali dasturiy ta'minot neyron tarmoqlarini amalga oshirish uchun ko'plab qayta ishlash va saqlash resurslarini sarflash kerak. Miya neyronlar grafigi orqali signallarni qayta ishlash vazifasiga moslashtirilgan uskunaga ega bo'lsa-da, Von Neumann texnologiyasida hatto eng soddalashtirilgan shaklni taqlid qilish neyron tarmoq dizaynerini o'z ulanishlari uchun millionlab ma'lumotlar bazasi qatorlarini to'ldirishga majbur qilishi mumkin - bu juda katta miqdorni iste'mol qilishi mumkin.
kompyuter xotirasi va ma'lumotlarni saqlash hajmi. Bundan tashqari, neyron tarmoq tizimlarining dizayneri ko'pincha ushbu ulanishlarning ko'pchiligi va ular bilan bog'liq bo'lgan neyronlar orqali signallarni uzatishni taqlid qilishi kerak bo'ladi
- bu ko'pincha aql bovar qilmaydigan miqdordagi CPU bilan mos kelishi kerak.ishlov berish kuchi va vaqti.
Neyron tarmoqlar ko'pincha samarali dasturlarni keltirib chiqaradigan bo'lsa-da , ular ko'pincha samaradorlik xarajati bilan amalga oshiradilar (ular ko'p vaqt va pul sarflashga moyil).
Dyudni pozitsiyasiga qarshi argumentlar shundan iboratki, neyron tarmoqlar ko'plab murakkab va xilma-xil vazifalarni, masalan, avtonom uchadigan samolyotlarni hal qilish uchun muvaffaqiyatli ishlatilgan.
Texnologiya yozuvchisi Rojer Bridgman Dyudnining neyron tarmoqlar haqidagi so'zlarini quyidagicha izohladi:
Masalan, neyron tarmoqlar nafaqat baland osmonga ko'tarilganligi uchun (nima yo'q?), balki siz uning qanday ishlashini tushunmasdan muvaffaqiyatli tarmoq yaratishingiz mumkinligi uchun ham dokda: uni ushlaydigan raqamlar to'plami. xatti-harakati, ehtimol, "shaffof, o'qib bo'lmaydigan jadval ... ilmiy manba sifatida qadrsiz" bo'ladi.
O'zining ilm-fan texnologiya emasligini qat'iy ta'kidlaganiga qaramay, Dyudni bu erda neyron tarmoqlarni yomon ilm deb baholaganga o'xshaydi, chunki ularni yaratuvchilarning aksariyati shunchaki yaxshi muhandis bo'lishga harakat qilishadi. Foydali mashina o'qishi mumkin bo'lgan o'qilmaydigan jadvalga ega bo'lishga arziydi.
Sun'iy neyron tarmog'i tomonidan o'rganilgan narsalarni tahlil qilish qiyin ekanligi haqiqat bo'lsa-da, biologik neyron tarmoq tomonidan o'rganilgan narsalarni tahlil qilishdan ko'ra buni qilish ancha oson. Bundan tashqari, so'nggi paytlarda AIning tushuntirilishiga urg'u berilgan neyron tarmoqlarni vizualizatsiya qilish va tushuntirish uchun usullarni, xususan diqqat mexanizmlariga asoslangan usullarni ishlab chiqishga yordam berdi. Bundan tashqari, neyron tarmoqlar uchun o'rganish algoritmlarini o'rganish bilan shug'ullanadigan tadqiqotchilar asta-sekin o'rganish mashinasining muvaffaqiyatli bo'lishiga imkon beruvchi umumiy tamoyillarni ochib berishadi. Masalan, Bengio va LeCun (2007) mahalliy va mahalliy bo'lmagan o'rganish, shuningdek, sayoz va chuqur arxitektura haqida maqola yozgan.
Ba'zi boshqa tanqidlar gibrid modellarga (neyron tarmoqlari va ramziy yondashuvlarni birlashtirgan) ishonuvchilardan keldi . Ular ushbu ikki yondashuvning aralashuvini yoqlaydilar va gibrid modellar inson ongining mexanizmlarini yaxshiroq qamrab olishiga ishonishadi.

Oxirgi yangilanishlar
BCM nazariyasi kabi biofizik modellar sinaptik plastika mexanizmlarini tushunishda muhim ahamiyatga ega bo'lib , kompyuter fanida ham, nevrologiyada ham qo'llanilgan. Miyada qo'llaniladigan hisoblash algoritmlarini tushunish bo'yicha tadqiqotlar davom etmoqda, radial asosli tarmoqlar va ma'lumotlarni qayta ishlash mexanizmlari sifatida neyron orqa tarqalish uchun so'nggi biologik dalillar bilan .
CMOS'da ham biofizik simulyatsiya, ham neyromorfik hisoblash uchun hisoblash qurilmalari yaratilgan . Yaqinda olib borilgan sa'y-harakatlar juda katta miqyosdagi asosiy komponentlarni tahlil qilish va konvolyutsiya qilish uchun nanoqurilmalar yaratish va'dasini ko'rsatadi . Agar yangi davrning boshlanishidan dalolat edi muvaffaqiyatli, bu sa'y-harakatlar asab kompyuter raqamli hisoblash orqasida bir qadam bo'lib, bu bog'liq, chunki o'rganish o'rniga , dasturiy u tubdan chunki va analog o'rniga raqamli hatto birinchi namunasi da aslida CMOS raqamli qurilmalari bilan bo'lishi mumkin.
2009 va 2012-yillar orasida, davriy nerv tarmoqlari va chuqur feedforward asab tarmoqlari tadqiqot guruhiga ishlab Yurgen Schmidhuber da Shveytsariya AI Lab IDSIA sakkiz xalqaro musobaqalar g'olib qilgan namuna tan va mashina ta'lim . Masalan, koʻp oʻlchovli uzoq qisqa muddatli xotira (LSTM) 2009-yilda Hujjatlarni tahlil qilish va tan olish boʻyicha xalqaro konferentsiyada (ICDAR) bogʻlangan qoʻl yozuvini tanib olish boʻyicha uchta tanlovda gʻolib boʻlgan va bu uchtasi haqida oldindan maʼlumotga ega boʻlmagan. turli tillarni o'rganish kerak.
Variantlari orqa-targ'ibot algoritm shuningdek nazorat qilib usullari Geoff Hinton va hamkasblari Toronto universiteti chuqur, juda nochiziqli asab me'moriy o'rgatish uchun foydalanish mumkin.
Radial asosli funktsiya va to'lqinli tarmoqlar ham joriy qilingan. Ularni eng yaxshi yaqinlashtirish xususiyatlarini taklif qilish va chiziqli bo'lmagan tizimni identifikatsiyalash va tasniflash ilovalarida qo'llanilishi mumkin.
Chuqur o'rganishning oldinga yo'naltirilgan tarmoqlari bir nechta sof tasniflash qatlamlari bilan qoplangan konvolyutsion qatlamlar va maksimal birlashtiruvchi qatlamlarni o'zgartiradi.
Ushbu yondashuvning GPU- ga asoslangan tezkor tatbiqlari naqshlarni aniqlash bo'yicha bir nechta tanlovlarda, jumladan, IJCNN 2011 Traffic Sign Recognition Competition va ISBI 2012 Segmentation of Neyronal Structures in Electron Microscopy Stacks tanlovida g'olib chiqdi . Bunday nerv tarmoqlari, shuningdek, inson-raqobatbardosh yoki hatto ajoyib tomosha erishish uchun birinchi sun'iy namuna tanıyıcılarının edi. Bunday transport belgisi tan olinishi sifatida turuvchi (2012 IJCNN) haqida, yoki MNIST qo'lyozma raqam muammo Yann LeCun va hamkasblari daNYU .
Xulosa
Neyron tarmoqlardan turli sohalarda foydalanish mumkin. Sun'iy neyron tarmoqlari qo'llaniladigan vazifalar odatda quyidagi keng toifalarga kiradi:

• 
  Funktsiyani yaqinlashtirish yoki regressiya tahlili , shu jumladan vaqt seriyalarini bashorat qilish va modellashtirish.
  
• 
  Tasniflash , shu jumladan naqsh va ketma-ketlikni aniqlash, yangilikni aniqlash va ketma-ket qaror qabul qilish.
  
• 
  Ma'lumotlarni qayta ishlash , jumladan, filtrlash, klasterlash, ko'r signallarni ajratish va siqish .
  

ANNni qo'llash sohalariga chiziqli bo'lmagan tizimni identifikatsiyalash va boshqarish (avtomobilni boshqarish, jarayonni boshqarish), o'yin o'ynash va qaror qabul qilish (nard, shaxmat, poyga), naqshni aniqlash (radar tizimlari, yuzni identifikatsiyalash , ob'ektni tanib olish), ketma-ketlikni aniqlash kiradi. (imo- ishora, nutq, qo'lda yozilgan matnni aniqlash ), tibbiy diagnostika, moliyaviy ilovalar, ma'lumotlarni qidirish (yoki ma'lumotlar bazalarida bilimlarni topish, "KDD"), vizualizatsiya va elektron pochta spamlarini filtrlash. Masalan, ob'ektni tanib olishga o'rgatilgan rasmlardan foydalanuvchi qiziqishlarining semantik profilini yaratish mumkin.
Foydalanilgan adabiyotlar

1.