18_Nauka o mózgu.pdf
(
1023 KB
)
Pobierz
33644726 UNPDF
Rozdział 16
Sieci neuronalne
i sztuczne mózgi
Neurony, naczynia krwionośne, komory wypełnione
płynem – wszystko to zbudowane jest z błon lipidowych,
białek i dużej ilości wody - mózg to „mokra sprawa”.
Można go pomacać, obserwować w nim przepływ
krwi, pociąć mikrotomem na plasterki, wbić elektrody
w pojedyncze neurony. Mogłoby wyglądać, że
badanie mózgu to zajęcie ściśle związane z biologią
i medycyną, ale przyciąga ono też uwagę matematyków,
fizyków, inżynierów i informatyków. Zapisują oni
równania, tworzą modele komputerowe, a nawet
budują urządzenia, które naśladują działanie praw-
dziwych neuronów, jakie mamy w głowach. Carver
Mead, „guru” z krzemowej doliny w Kaliforni, dla
opisania transferu wiedzy z neurobiologii do
technologii ukuł termin „inżynieria neuromorficzna”
(ang. neuromorphic engineering).
Budowanie elektronicznych obwodów
neuronalnych
Około 50-80% energii zużywanej przez mózg wyko-
rzystywane jest na przewodzenie potencjałów czynnoś-
ciowych oraz transmisję synaptyczną. Dotyczy to
zarówno mózgów pszczół jak i człowieka. Jednak
w porównaniu do komputerów prędkość przewodzenia
impulsów w nerwach jest bardzo niska – zaledwie kilka
metrów na sekundę. W komputerach, taka prędkość
przewodzenia w systemie szeregowym uniemożliwiałaby
ich pracę. Biologiczne mózgi przetwarzają informację
w sposób równoległy – większość neuronów połączona
jest jednocześnie z tysiącami innych. By było to możliwe
mózg upakowuje wszystko w trójwymiarową strukturę
– warstwy komórek w zwoje i włókna w gęste wiązki.
Połączenie nawet niewielkiej liczby elektronicznych
neuronów jest ograniczone przez dwuwymiarową naturę
układów elektronicznych i płyt drukowanych. Możliwość
bezpośredniej komunikacji pomiędzy elektronicznymi
neuronami jest znacznie ograniczona. Jednak dzisiejsza
elektronika może zwielokrotnić liczbę impulsów
w krzemowych „neuronach". Możliwe jest też przesyłanie
wielu różnych informacji za pośrednictwem jednego
przewodu. Dzięki temu sieci elektroniczne mogą
zacząć naśladować sieci biologiczne.
Zainspirowani naturą inżynierowie przyjęli strategię
kodowania analogowego w miejsce cyfrowego. Kodują
informacje nie za pomocą zer i jedynek ale przez
zmiany napięcia – tak jak robią to neurony w stanie
podprogowym (patrz Rozdział 3). Elektroniczne neurony
zbudowane są z tranzystorów, które używane są
w zakresie działania podprogowego gdzie ich działanie
przypomina funkcjonowanie błony prawdziwych
neuronów. Aktywna przewodność tranzystora, pozwala
symulować zależne od napięcia i czasu prądy przepływające
jak przez prawdziwe kanały jonowe w błonie neuronu.
Dzięki temu obliczenia mogą być wykonane w krótszym
czasie. Analogowo łatwo przeprowadzić skomplikowane
dla maszyn cyfrowych operacje matematyczne:
dodawanie, odejmowanie, potęgowanie i całkowanie. Gdy
neuron – czy to prawdziwy czy krzemowy „policzy
decyzję” wysyła impuls aksonem by zawiadomić o tym
inne neurony. Ponieważ kodowanie za pomocą potencjałów
czynnościowych jest kosztowne energetycznie, należy
zmaksymalizować ilość informacji zawartej w porcji
potencjałów. Polega to także na zaprzęganiu do działania
jak najmniejszej liczby neuronów. Takie kodowanie
nazywane jest
kodowaniem
rozproszonym
(ang. sparse
coding) i jest wykorzystywane przy projektowaniu
sztucznych sieci neuronowych.
3
1
Prawdziwy mózg doskonale przystosowuje się do nowych
sytuacji. Potrafi rozpoznać nigdy wcześniej nie widziane
pismo albo zrozumieć mowę obcej osoby. Działa sprawnie
przez całe życie, pomimo, że komórki ciągle obumierają
i nawet w podeszłym wieku mózg ciągle potrafi się uczyć.
Jeśli poznamy jego działanie będziemy mogli zbudować
bardziej zaawansowane sieci neuronowe, które będą
zachowywać się jak prawdziwy mózg.
Mózg zbudowany jest z sieci neuronalnych, zawiera około
100 miliardów komórek nerwowych, 3.2 miliona kilometrów
„okablowania", milion miliardów połączeń, a zajmuje objętość
1.5 litra, waży około 1.5 kg i zużywa zaledwie 10 watów.
Gdybyśmy spróbowali zbudować elektroniczny mózg
używając układów elektronicznych, zużywałby on 10
megawatów (tyle mocy pobiera nieduże miasto). Co gorsze,
taki elektroniczny mózg wydzielałby tak wysoką
temperaturę, że szybko uległby stopieniu! Wyzwanie
polega na tym, by zrozumieć, na jakich zasadach
prawdziwy mózg działa tak wydajnie i tak ekonomicznie,
a potem użyć tych zasad do budowania „mózgopodobnych”
urządzeń.
2
Twój mózg to 100 000 000 000 komórek,
3 200 000 kilometrów przewodów
i 1 000 000 000 000 000 (ta liczba
nazywa się biliard – przyp. tłum.)
połączeń synaptycznych – wszystko
to waży 1.5 kg i zajmuje objętość
około 1.5 litra. A zużywa mniej
energii niż lampka nocna.
44
Rozdział 16
Elektroniczna siatkówka
Skonstruowano sztuczną wersję sieci wzrokowej.
Składa się on z elektronicznej siatkówki, która
rejestruje obraz. Siatkówka jest połączona z dwoma
elektronicznymi neuronami, które, podobnie jak
prawdziwe neurony w korze wzrokowej, mają za zadanie
ekstrahowanie informacji o kątach nachylenia linii
i kontrastach w obrazie siatkówkowym.
Neurony użyte w tym prototypie to neurony typu
„sumuj i strzelaj” (ang. integrate-and-fire). Dodają
one (z różnymi współczynnikami) napięcia przychodzące
na ich synapsy i generują potencjał czynnościowy,
jeżeli zsumowane napięcie przekroczy ustalony próg.
Ten mały system elektroniczny jest punktem wyjścia
do dużo bardziej skomplikowanych sztucznych
układów wzrokowych. Układ ten potrafi wskazać
orientację linii w obrazie i jest wykorzystywany przez
naukowców do badań i w celach dydaktycznych.
Sztuczne sieci pracują w rzeczywistym świecie,
rzeczywistym czasie i zużywają bardzo mało energii.
Sztuczne sieci neuronalne
Sztuczne sieci neuronalne (SSN) są często wykorzysty-
wane w badaniach nad uczeniem się i pamięcią.
Najprostszą formą SSN jest
sieć jednokierunkowa
(ang. feedforward associator), zbudowana z połączonych
ze sobą warstw komórek wejściowych i wyjściowych.
Pamięć skojarzeniowa zakodowana jest przez siły
połączeń pomiędzy neuronami w taki sposób, aby
odpowiedzią na prezentowany wzorzec wejściowy był
skojarzony z nim wzorzec wyjściowy (patrz
łamigłówka
matematyczna
na następnej stronie). Bardziej
skomplikowane są
rekurencyjne sieci neuronalne
.
Składają się one z jednej warstwy, w której wszystkie
neurony są połączone i pełnią równocześnie funkcje
wejściowe i wyjściowe. Taki układ sieci pozwala na
zapamiętywanie całych wzorców, a nie tylko par
obiektów. Dekodowanie tego rodzaju sieci dokonuje
się przez rekurencyjne poszukiwanie zapamiętanych
wzorców. Wykazano, że sieć zbudowana z 1000
komórek może zapamiętać około 150 wzorców.
Podobieństwo SSN do mózgu leży w sposobie, w jaki
przechowują one i przetwarzają informacje. „Wiedza”,
jest w sieci. Nie ma oddzielnego miejsca na pamięć,
jak jest w komputerach. W SSN informacja przecho-
wywana jest w tzw. wagach połączeń, analogicznie do
sposobu, w jaki zmienia się siła połączeń synaptycznych
w czasie uczenia. Nie jest też tak, że SSN tworzone
są by realizować jakąś konkretną procedurę. Każdy
neuron jest cichy i po prostu odpowiada zależnie od
ważonej sumy wartości wejściowych. Sieć można
jednak nauczyć inteligentnych działań.
Reguły uczenia
,
według których sieci są trenowane, poprzez zmianę
wag połączeń między neuronami, opierają się na
porównywaniu odpowiedzi otrzymanej na wzorzec
wejściowy, z pożądanym wzorcem wyjściowym. Każdy
„błąd” porównania wykorzystywany jest do poprawienia
wag połączeń, aby następnym razem otrzymać wzorzec
wyjściowy bliższy do pożądanego. Sieć stopniowo
redukuje błąd do minimum - uczy się, ale powoli.
Pomyłki są ważne – uczenie jest niemożliwe, gdy sieci
nie pozwoli się na popełnianie błędów. Przeuczone sieci,
które nie popełniają błędów potrafią odpowiadać tylko
na jeden rodzaj danych wejściowych. Takie sieci nazywane
są metaforycznie „babciowymi” (ang. grandmothered) –
w odniesieniu do hipotetycznych „neuronów babci” (ang.
grandmother cells), które miałyby odpowiadać tylko wtedy,
gdy w polu widzenia pojawi się czyjaś babcia i nie mogą
nigdy się pomylić! (Jako pierwszy koncepcję „jednostek
gnostycznych” wysunął znakomity polski biolog Jerzy
Konorski w swej książce w 1967 roku. – przyp. tłum.)
W praktyce takie rozwiązanie jest bezużyteczne, bo
każda rzecz, której mamy się nauczyć wymagałaby
oddzielnej sieci. Współczesne sieci SSN mają zdolność
do uogólniania i dostosowywania się do wzorców
wejściowych, których nigdy nie spotkały w czasie
treningu. Widzą powiązania, kojarzą i odkrywają pewne
regularności we wzorcach. Są też odporne na błędy –
tak jak prawdziwe mózgi. Potrafią wciąż odpowiadać
poprawnie, nawet, gdy informacja wejściowa jest
zniekształcona lub niekompletna. Dzisiejsze roboty
doskonale radzą sobie w wykonywaniu określonego
zakresu czynności, do którego zostały zaprojektowane
(jak na przykład zbudowanie fragmentu samochodu),
ale są znacznie mniej odporne na błędy. Mózg jest
odporny na błędy – to bardzo pożądana cecha, a SSN
także ją posiadają.
Soczewka obiektywu znajduje się przed silikonową siatkówka.
45
Rozdział 16
Paradoks współczesnej
technologii obliczeń
Paradoks współczesnych sztucznych sieci neuronalnych
polega na tym, że ich działanie jest symulowane na
komputerach. To ogranicza ich wykorzystywanie
w sytuacjach praktycznych – symulacje są długotrwałe
i sieci takie nie mogą działać w czasie rzeczywistym.
Sztuczne sieci neuronalne mogłyby dobrze sprawdzać
się np. przy prowadzeniu samochodu, czy samolotu, bo
są wydajne w przypadku zaburzeń informacji, i potrafią
działać nawet wtedy, gdy pewne elementy sieci zawiodą.
Obecnie używane w automatycznych pilotach, systemy
to standardowe komputery cyfrowe i z przyczyn
bezpieczeństwa zawsze potrzebują dublowania. Gdy
tylko w samolocie zaczyna dziać się coś nieprzewidzianego,
systemy takie nie radzą sobie i kontrolę musi przejąć
człowiek. Dzisiejsze algorytmy uczenia sieci neuronalnych
są zbyt wolne. Gdyby elektroniczne neurony mogły
szybko się uczyć wiele takich problemów odeszłoby
w zapomnienie.
Łamigłówka matematyczna
Pamięć rozproszona przywoływana zawartością
Wyobraź sobie sieć zbudowaną z czterech przewodów
biegnących poziomo przecinających się z czterema
biegnącymi pionowo, z przełącznikami w miejscach ich
skrzyżowań (ryc. A). Ta matryca będzie pamięcią.
Informacja prezentowana jest matrycy w postaci liczb
dwójkowych takich jak 0011 i 0110; ustawiamy włącznik
w pozycję ON za każdym razem, gdy 1 w poziomym przewodzie
spotka się z 1 pionowym (co pokazano na niebiesko na
ryc. B). Zapisana jest tu informacja o parowaniu się
tych dwóch liczb. Matryca może jednak równocześnie
przechowywać informacje o innych liczbach, takich jak
1010 i 0110. Końcowy stan matrycy będzie mieć 7 włączni-
ków w pozycji ON, tak jak pokazano na ryc. C. Gdy
matrycy w końcowym stanie znów zaprezentować
(w poziomych przewodach) pierwszy numer – 0011
– i włączyć prąd w pionowych przewodach zawsze, gdy
przełącznik jest w pozycji ON (ryc D), wynikiem będą
prądy w pionowych przewodach o wartościach
proporcjonalnych do 2120. To nie jest numer, z którym
liczba 0011 była początkowo skojarzona
.
Ale gdy
podzielić w sposób całkowity 2120 przez łączną liczbę
jedynek w liczbie wejściowej (0+0+1+1=2) otrzyma się
na końcu 1010. Tak, więc matryca „zapamiętała”, że
0011 idzie w parze z 1010, pomimo tego, że została do
niej dopisana dodatkowa informacja. Możesz łatwo
sprawdzić, że to zadziała także dla drugiej pary liczb.
A
B
C
D
NOMAD to ruchliwy i zmyślny prototyp myślących maszyn
przyszłości. Ma około 60 cm wzrostu, cylindryczny
„tułów”, chwytliwe „ramiona”, „oczy”, „uszy” i inne czujniki,
które pomagają mu w nawigacji. To, co odróżnia NOMADa
od innych robotów, to to, że działa on bez zakodowanych
instrukcji, czy reguł. Zamiast tego ma symulowany
komputerowo mózg zbudowany z 10 000 neuronów z ponad
milionem wzajemnych połączeń, który odbiera sygnały
z otoczenia i na nie reaguje. Radzi sobie z nowymi
sytuacjami i uczy się na błędach, wędrując po swoim
„wybiegu” usianym pomalowanymi klockami. Niektóre
klocki są w paski i przewodzą prąd, co sprawia, że są
„smaczne”. Inne są w kropki i nie przewodzą tak dobrze,
co sprawia, że smakują gorzej. Patrząc na klocki
i „próbując” ich czujnikami elektrycznymi na swoich
wysięgnikach, NOMAD uczy się omijać klocki w kropki
i sięgać po smaczne klocki w paski.
Sądzimy, że jest to rodzaj pamięci, jakim posługuje się
mózg. Nie przechowuje on informacji w specyficznych
miejscach – jak komputer PC. Informacja jest rozprze-
strzeniona w sieci, zapisana jako zmiany wag synaptycznych,
i może być przywołana przez odwołanie się do jej zawartości.
Problem polega na tym, że ten rodzaj pamięci wysyca się
bardzo szybko. Jednakże z tysiącem par przewodów,
matryca może, bez zbyt wielkich zakłóceń, pomieścić
wiele nakładających się par informacji
.
46
Znasz angielski? - Polecane strony internetowe: www.artificialbrains.com
http://www.ini.unizh.ch/
Plik z chomika:
ska73
Inne pliki z tego folderu:
23_Nauka o mózgu.pdf
(1282 KB)
22_Nauka o mózgu.pdf
(1350 KB)
21_Nauka o mózgu.pdf
(864 KB)
20_Nauka o mózgu.pdf
(558 KB)
19_Nauka o mózgu.pdf
(1740 KB)
Inne foldery tego chomika:
Artykuły
Fale mózgowe-rytmy EEG
Schematy
Zgłoś jeśli
naruszono regulamin