|
ФИО авторов: М.П.Мадреимов
Ассистент кафедры информационной безопасности Нукусского филиала Ташкентского университета информационных технологий имени Мухаммада аль-Хорезми, Нукус, Узбекистан
Б.К.Туремуратова
Студентка 2-курса по направлению «Компьютер инжиниринг»
Нукусского филиала Ташкентского университета информационных технологий имени Мухаммада аль-Хорезми, Нукус, Узбекистан
Название публикации: «ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ В МОДЕЛИРОВАНИИ КОЛЛЕКТИВНОГО СОЗНАНИЯ»
Аннотация: В данной статье рассматривается возможность применения искусственных нейронных сетей для моделирования коллективного сознания/коллективного бессознательного, а также рассматривать коллективы как некий аналог сети, что позволит подобрать тот или иной тип нейронной сети для моделирования.
Ключевые слова: Искусственные нейронные сети, коллективное бессознательное, коллективное поведение.
Искусственные нейронные сети все чаще применяются в задачах искусственного интеллекта, в поиске и анализе изображений, в работе современных поисковых систем. Несмотря на то, что часто используется название «нейронные сети», или
«нейросети», фактически речь идет об ИНС – искусственных нейронных сетях, то есть соответствующей математической модели, которая может быть симулирована с помощью программного обеспечения на компьютере или специальном аппаратном обеспечении. Идея нейронных сетей происходит из биологии, а точнее построения математической модели биологических объектов, а именно повторение организации, структуры и принципов функционирования
«настоящих» нейронных сетей, то есть сетей, образованных нервными клетками человека, или животного.
В задачах моделирования ИНС может быть представлено в виде соединенных и аналогично нейронам головного мозга взаимодействующих между собой простых процессоров (искусственных нейронов). По сравнению с современными CPU и GPU это простые устройства: каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам.
Искусственный нейрон – узел искусственной нейронной сети, являющийся упрощенной моделью естественного нейрона. Математически, искусственный нейрон обычно представляют как некоторую нелинейную функцию от единственного аргумента – линейной комбинации всех входных сигналов. Данную функцию называют функцией активации или функцией срабатывания, передаточной функцией. Полученный результат выдается на единственный выход. Такая аналогия полностью описывает и естественные нейроны (дендриты нервной клетки получают сигнал от аксонов других клеток, результат выдается в единственный аксон нервной клетки).
Искусственные нейроны отличаются друг от друга количеством входных сигналов и функцией срабатывания, в то время как коэффициенты связей между нейронами являются свойствами ИНС.
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения – одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искажённых данных.
Используемые архитектуры нейросетей по типу обучения:
обучение с учителем – перцептрон;
обучение без учителя – сети адаптивного резонанса, самоорганизующаяся карта Кохонена, нейронная сеть Кохонена, нейронная сеть Хопфилда, нейронная сеть Ворда;
смешанное обучение – сеть радиально-базисных функций.
Возможны и другие типы математических моделей ИНС, искусственных нейронов, их реализаций и алгоритмов их обучения. Таким образом искусственной нейронной сетью может быть любая совокупность математических моделей искусственных нейронов, построенная по любой архитектуре, постольку поскольку это соответствует поставленной задаче.
Рассмотрим задачу применения нейросетей для анализа коллективных организмов. Традиционно для описания муравьев или пчел применяются клеточные аппараты, мы же возьмемся рассмотреть вопрос: можно ли муравейник или пчелиный улей рассматривать как аналог нейронной сети, имеющей возможность обработки информации? Это не значит, что муравейник или улей является нейросетью, но среди своих прочих функций тоже в том числе может быть описан математической моделью нейронной сети. Если считать отдельных муравьёв или пчёл аналогами искусственных нейронов, то остаётся только определиться с архитектурой сети, вводимой и выводимой информацией, после чего можно приступать к подбору методов обучения.
Что мы знаем о «нейросетях» муравейников и ульев? Достоверно известно, что тип обучения их нейронной сети – исключительно без учителя, как и у любых других естественных нейронных сетей, существующих в природе. В таком случае открывается поле деятельности по выбору архитектуры нейросети, особенно если учесть специфику информационного взаимодействия нейросети с внешней средой. Например, ввод информации из внешней среды явно осуществляется любым нейроном, а не только специально выделенной для этого группой. Вывод информации нейросети не определён. Также, как и виды связей между нейронами и их группами.
Логично предположить, что выводимая информация представляет собой принимаемые нейросетью решения по управлению объектом (муравейником или
ульем). Можно попытаться применить подобную модель и к человеческом обществу, зная типы взаимодействия между людьми, такие, как например семья
– ячейка общества.
Можно начать строить предположения об архитектуре нейросети с этого утверждения. Например, разделить нейроны ИНС по группам, соответствующим семьям, рабочим коллективам и клубам (спортивным, музыкальным, политическим, развлекательным и др.) и сопоставить взаимодействия между реальными группами, существующими в обществе, аналогично взаимодействиям между группами нейронов. Выводимая информация нейросети по управлению человеческим обществом тоже в общих чертах известна (рассматривая механизмы реализации власти и начальства, «теории заговора» мы не рассматриваем). Отсюда можно предположить возможную архитектуру ИНС.
Список литературы:
Усманов Р.Н., Сеитназаров К.К., Отениязов Р.И. Моделирование сложных процессов и управление ими в условиях нечеткой информации, 2014 – Ташкент: «Fan va texnologiya», 2015, 300 стр. ISBN 978-9943-998-58-8.
Бессмертный И.А. Искусственный интеллект – СПб: СПбГУ ИТМО, 2010.
– 132 с.
Хамидов, Э. Х. Глубокое обучение: понятие и применение / Э. Х. Хамидов.
— Текст : непосредственный // Молодой ученый. — 2020. — № 37 (327).
— С. 8-11.
Do'stlaringiz bilan baham: |
