|
Mavzuning maqsadi:sun’iy intellektli mantiqiy neyro’n to’rlarining ishlash mexanizmi va ulardan foydalanish jarayonida hosil bo’ladigan afzalliklarni o’rganish hamda amaliyotga tadbiq etish.
Mavzuning dolzarbligi:Hozirgi axborot texnologiyalari asrida neyron to’rlari orqali kutilgan natijalar tez fursatlarda aniqlanmoqda.Ulardan foydalanish qator qulayliklarni tug’dirdi. Neyron tarmoq nafaqat faoliyatni, balki inson asab tizimining tuzilishini ham taqlid qiladi. Bunday tarmoq ko'p sonli individual hisoblash elementlaridan ("neyronlar") iborat. Ko'pgina hollarda, har bir "neyron" tarmoqning ma'lum bir qatlamiga ishora qiladi. Kirish ma'lumotlari tarmoqning barcha qatlamlarida ketma-ket qayta ishlanadi. Har bir "neyron" ning parametrlari kirish ma'lumotlarining oldingi to'plamlari bo'yicha olingan natijalarga qarab o'zgarishi mumkin, shu bilan butun tizimning tartibini o'zgartiradi.
II.Asosiy bo’lim: Neyro’n to’rlarining hosil bo’lishi va umumiy koʻrinish
Biz bir vaqtning o'zida neyron tarmoq uslubida o'rganish va klassik AI uslubidagi fikrlash qobiliyatiga ega bo'lgan yangi mantiqiy neyron tarmog'ini (LNN) ishlash prinsplari ishlab chiqildi. LNN mantiqiy formulalar tizimiga 1 dan 1 gacha mos keladigan yangi neyron tarmoq arxitekturasi bo'lib, unda neyronlar qat'iy belgilangan vaznli real qiymat yoki klassik birinchi tartibli mantiq tushunchasini modellashtiradi. Bu g'oya, shubhasiz, sun'iy neyron tarmoqlari haqidagi birinchi maqola tafakkuriga allaqachon xos bo'lgan, unda MakKullok va Pitts miyaning asosiy neyron birliklarini mantiqiy eshiklar sifatida ko'rish mumkinligini taklif qilishgan. Biroq, keyingi mualliflar bu talqinni sezilarli darajada ta'qib qilmadilar va o'rniga boshqa jihatlarga e'tibor qaratdilar, natijada zamonaviy chuqur o'rganishga olib keldi.Ma'lumki, standart og'irlikdagi sun'iy neyronlar og'irliklarning ma'lum sozlamalari uchun "VA" yoki "OR" kabi mantiqiy eshiklar kabi harakat qilishi mumkin. Ushbu g'oya bilan ishlaydigan LNN KBANN yoki CILP ga o'xshash neyron tarmoq strukturasidan foydalanadi, unda har bir neyron mantiqiy bayonotning bir qismini - mantiqiy bog'lovchini (masalan, "VA" yoki " YOKI”, ta’kidlanganidek) yoki tushuncha (masalan, bilimlar grafigidagi tugun) rasmda ko‘rsatilganidek.
1.1-rasm: uchta qoidani modellashtiruvchi mantiqiy neyron tarmoq tuzilishiga misol.
KBANN va CILP singari, LNN neyronlari kirish sifatida taqdim etilgan domen bilimlari tomonidan berilgan mantiqiy formulalar tizimining sintaksis daraxtlariga muvofiq joylashtirilgan. LNN oldingi neyro-ramziy usullardan tashqariga chiqadi, ammo u: 1. Mashg'ulot paytida neyron og'irliklariga ma'lum mantiqiy cheklovlarni qo'llash orqali uning mantiqiy eshiklarining klassik yoki haqiqiy qiymatini saqlab qolgan holda mashg'ulotlarga ruxsat beradi; 2. Har bir formulaning atomidan uning ildiziga va aksincha haqiqat qiymatlarini targʻib qiluvchi koʻp yoʻnalishli xulosani amalga oshiradi va shu bilan klassik xulosa chiqarish qoidalarini modellashtiradi, jumladan modus ponens , modus tollens va konyunktiv sillogizm va boshqalar. 3. Har bir neyronda, yaʼni mantiqiy subformulalarda haqiqat qiymatlari boʻyicha ham pastki, ham yuqori chegaralarni saqlab qoladi va shu bilan baʼzi mantiqiy bayonotlar haqiqati maʼlum boʻlmagan yoki isbotlanmaydigan boʻlsa ham toʻgʻri boʻlishi mumkinligi haqidagi ochiq farazga imkon beradi. Ushbu yangiliklarni hisobga olsak ham, LNN oddiy neyron tarmoqlarning alohida holati bo'lib qolmoqda va PyTorch kabi standart ramkalarda amalga oshirilishi mumkin. LNN standart neyron tarmog'i kabi nazorat ostida tasniflashni amalga oshirishi mumkin - LNNlarda o'quv ma'lumotlari atom faktlari (odatda barg tugunlari) sifatida taqdim etiladi, ular ko'proq mavhum predikatlar (odatda ichki tugunlar) va bashorat qilinayotgan sinf sinf o'zgaruvchisining ma'lum bir qiymatga o'rnatilishi gipotezasini ifodalovchi tugunning haqiqat qiymati. Trening standart neyron tarmog'idagi kabi optimallashtirishdan iborat, lekin tugunlarning mantiqiy ma'nosini ta'minlash uchun og'irliklar bo'yicha cheklovlarni o'z ichiga oladi va mantiqiy qarama-qarshilikni minimallashtiradigan yoki ichki mantiqiy izchillikni maksimal darajada oshiradigan yangi yo'qotish funktsiyasidan foydalanadi. Standart neyron tarmoq qatlamlari o'rniga, LNN-larda tugunlar mantiqiy bayonotlar to'plamidan kelib chiqadi - bunday bayonotlarning eng keng tarqalgan tabiiy manbai DBpedia kabi bilimlar grafigi bo'lib, tavsif mantiqidagi bayonotlar to'plamidir. (Hech qanday ma'lum ma'noga ega bo'lmagan qo'shimcha tugunlar ham LNNga qo'shilishi mumkin; biz buni kelajakdagi ishimizda to'liqroq o'rganamiz.) Mantiqiy formulalar tizimlari bilan 1 ga 1 yozishmalari tufayli LNNni real qiymatli mantiqdagi mantiqiy bayonotlar to'plami sifatida ham ko'rish mumkin (bu erda haqiqat qiymatlari faqat 0 va 1 bilan cheklanmaydi, lekin har qanday joyda yotishi mumkin). orasida). Alohida, juda fundamental ishda biz LNN mansub bo'lgan kattaroq mantiq sinfi klassik mantiq uchun ko'rsatilgan darajada to'g'ri va to'liq (ya'ni to'g'ri va puxta) fikr yuritishga qodir ekanligini ko'rsatdik : haqiqiy qiymatli mantiqiy asoslar blogi]. Shunday qilib, fizikaning mashhur "to'lqin-zarracha ikkiligi" singari, LNN bir vaqtning o'zida butunlay neyron tarmoqlari va butunlay mantiqiy bayonotlar to'plami sifatida ko'rilishi mumkin va shu bilan statistik AI va ramziy AI dunyolarining imkoniyatlaridan foydalanishi mumkin.
Do'stlaringiz bilan baham: |
