Вокруг Света - Журнал "Вокруг Света" №4 за 2004 год

Так что создание универсальных систем не за горами, и уже в ближайшем будущем появятся комбинированные электронно-вычислительные комплексы, сочетающие в себе достоинства обычных ЭВМ и гибкость нейрокомпьютеров. Эти системы, видя клиента насквозь, будут различать его язык, национальность, возраст, пол, социальный статус, образовательный ценз и многое другое, даже не обращаясь к данным, записанным на индивидуальном идентификационном микрочипе. А вот насколько человеку будет приятно общение со столь проницательным электронным визави, в данном случае будет зависеть не от архитектуры нейросетей искусственного мозга, а от той программы поведения, которую заложат программисты, а также от возможностей ее самообучения в процессе живого общения с подопечным или хозяином.

Сегодня вряд ли кто-нибудь усомнится в том, что нейросети удачно дополняют традиционные программные методы в целом ряде компьютерных приложений. А также позволяют существенно повысить производительность при решении высокоинтеллектуальных задач, по распознаванию, классификации, предсказанию и оптимизации всего и вся.

Современная нейросеть, или нейрокомпьютер, состоит из нескольких слоев элементарных нейронов. Первый слой — это многоканальный вход, поставляющий подлежащую обработке информацию в цифровом или аналоговом виде. Затем следует один (или несколько) скрытых слоев, анализирующих эту информацию. Ее обработка может идти либо строго последовательно (без обратных связей), либо посредством возвращения уже обработанной информации на вход системы. Последний, внешний, слой нейронов формирует выходные данные в удобном для работающего в связке с нейросетью компьютера формате. И обработка информации, и выдача результата могут происходить и в цифровом виде (когда все и вся кодируются последовательностью нулей и единиц), и в аналоговом (когда именно электрическое напряжение является анализируемой величиной).

Автоматизация производства

Оптимизация режимов производственного процесса, комплексная диагностика качества продукции (с помощью ультразвука, оптики, гамма-излучения), мониторинг и визуализация многомерной диспетчерской информации, предупреждение аварийных ситуаций, робототехника

Медицина

Обработка изображений, мониторинг состояния пациентов, диагностика, анализ эффективности лечения, очистка показаний приборов от шумов. Вычислительная система, представляющая собой модель биохимических процессов, протекающих в нервных тканях

Экономика и бизнес

Предсказания рынков, банкротств, оценки риска невозврата кредитов и стоимости недвижимости, автоматическое рейтингование, оптимизация товарных и денежных потоков, автоматическое считывание чеков и форм

Безопасность и охранные системы

Идентификация личности, распознавание голосов, лиц в толпе, автомобильных номеров, анализ аэрокосмических снимков, мониторинг информационных потоков, обнаружение подделок

Авиация

Автоматическое пилотирование, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета. Условия, в которых работают авиаприборы, накладывают сильные ограничения на их размер, быстродействие и помехозащищенность

Связь

Сжатие видеоинформации, быстрое кодирование/декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов. Особые требования здесь предъявляются к возможности создания автономных, мобильных решений, допускающих встраивание в переносные видеокамеры, сотовые телефоны и тому подобное

Математическая статистика, логика и вычислительная техника

Вычислительная система, автоматически формирующая описание характеристик случайных процессов, имеющих сложные функции распределения. Нейрокомпьютер, алгоритм работы которого представлен логической сетью элементов частного вида (нейронов) с полным отказом от классических логических операций. Вычислительная система, в которой процессорный элемент однородной структуры упрощен до уровня нейрона, резко усложнены связи между элементами и программирование перенесено на изменение весовых коэффициентов связей между процессорными элементами

1904— испанский ученый-гистолог Сантьяго Рамон-и-Кахаль доказал, что нервная система состоит из нейронов –– особых нервных клеток. Спустя два года он и его учитель Камилло Гольджи получили Нобелевскую премию в области физиологии и медицины за изучение нервной системы

1943— выход в свет работы Дж. Мак-Каллока и У. Питтса «Логическое исчисление идей, относящихся к нервной деятельности», в которой были впервые сформулированы основные принципы построения искусственных нейронов и нейронных сетей

1957— В.И. Арнольд и А.Н. Колмогоров решили 13-ю проблему Гильберта, доказав, что любую непрерывную функцию многих переменных можно представить в виде суперпозиции непрерывных функций одной переменной и функции сложения

1959— публикация статьи Дж. Мак-Каллока «О чем глаза лягушки говорят мозгу лягушки», где впервые было введено понятие нейрона-детектора, определенным образом реагирующего на внешние раздражители

1962— нейрофизиолог Ф. Розенблатт создал модель однослойной нейронной сети, названной персептроном, которая была использована для попыток предсказания погоды, анализа электрокардиограмм и распознавания рукописных и печатных текстов и букв

1969— выход критической работы М. Минского, в которой доказывалась невозможность использования однослойных сетей типа персептрона для многих классов задач, из-за чего эта область науки стала непопулярной на долгие годы

1970-е— над исследованием нейросетей продолжали работать очень немногие кибернетики (Т. Кохонен, С. Гроссберг, Дж. Андерсон, Г. Бриндли, Д. Мар, В. Дунин-Барковский, А.Фролов). Прогнозы Минского оказались чрезмерно пессимистичными — многие из неразрешаемых, по его мнению, задач успешно решались многослойными нейросетями

1982— американский биофизик Дж. Хопфилд предложил интересную модель сети, получившей его имя, а позднее были разработаны: сеть встречного потока (Р. Хект-Нейлсен), двунаправленная ассоциативная память (Б. Коскоу)

Середина 1980-х— возникновение настоящего нейросетевого бума по причине возрастающего интереса людей к изучению работы нервной системы и возникновению ряда новых нейромоделей

1986— выход работы Д.Е. Румельхарта, Дж. Е. Хинтона, Р. Дж. Уильямса, в которой был предложен эффективный способ обучения многослойных нейросетей, методом обратного распространения ошибки