Изот Литинецкий - Беседы о бионике

В умении человека отвлекаться от несущественного заложена основа нормальной деятельности его мозга. Ведь если бы зрительный анализатор человека был подобен телевизионной системе, не сортирующей передаваемую информацию по степени важности, то многообразие впечатлений внешнего мира быстро переполнило бы его мозг. В самом деле, зрительный нерв состоит примерно из 1 миллиона волокон. По ним с сетчатки в течение 0,1 сек поступает в мозг такое же количество сведений об элементах изображения, а за несколько минут эта цифра возрастет до десятков миллиардов и превысит общее число нейронов в коре больших полушарий. Таким образом, емкость всего мозга, а не только его зрительных отделов, была бы израсходована в течение нескольких минут.

Так в чем же состоит трудность моделирования процесса опознавания? Ведь уже теперь существуют машины с памятью огромной емкости, которые могли бы запомнить колоссальное количество признаков и сравнивать по ним образы, подлежащие опознаванию. Что же касается избыточности информации в образах, то конструктор мог бы, вероятно, придумать некое устройство, которое устраняло бы ее. Так и поступают, когда создается машина, которая должна решать какую-либо одну задачу или узкую совокупность задач. Однако наличие у машины большой памяти нисколько не может помочь при моделировании опознавания по той причине, что для работы любой вычислительной машины нужно составить программу, в которой задача опознавания была бы полностью формализована. Таким образом, едва ли не самую важную часть "работы по опознаванию" должен проделать в этом случае сам программист.

Далее, ограничивая объем поступающей в машину информации, исключая все "ненужное", мы опять-таки выполняем за нее часть работы и при этом ограничиваем ее возможности. Ведь то, что в одной ситуации несущественно, в другой может оказаться весьма существенным.

Итак, для моделирования процесса опознавания необходимо создать машину, которая сама составляла бы для себя программу, сама определяла бы, что существенно для решения данной задачи, и не обращала бы внимания на избыточную (для данной задачи) информацию. Иными словами, конструировать обучающуюся машину следует так, чтобы она могла, подобно человеку, накапливать в процессе обучения некоторый опыт и в соответствии с ним самостоятельно выбирать линию поведения и сортировать получаемую информацию по степени ее важности. Устройство, справляющееся с такими обязанностями, будет весьма близко к мозгу человека.

Однако моделирование психической деятельности человека — чрезвычайно трудная задача. Дело в том, что люди сами не знают достаточно подробно — а в этом случае именно подробности определяют успех дела, — как они учатся, как приобретают опыт, каким образом и какие именно признаки образов, хранящиеся в памяти человека, используются в процессе опознавания, как протекает этот процесс и т. д. Мозг функционирует "сам по себе", "автоматически", его работа проходит мимо нашего сознания, и ее очень трудно анализировать. Для того чтобы разобраться в деятельности мозга, необходимы обстоятельные физиологические и психологические исследования. Но уже тех сведений самого общего характера, которыми располагают специалисты сегодня, оказалось достаточно для создания первых, еще очень несовершенных, но тем не менее действующих обучающихся машин, которые могут опознавать образы. У нас и за рубежом уже построены машины, которые по окончании курса обучения могут уверенно опознавать рукописные знаки и простые геометрические фигуры, например круг и прямоугольник.

Рис. 11. Упрощенная схема перцептрона, поясняющая принцип его действия. Р — рецепторные (чувствительные) ячейки; A — ассоциирующие ячейки; Э — эффекторная ячейка

Одна из первых систем для опознавания геометрических образов была создана в США группой ученых под руководством доктора Розенблата. Система была названа перцептроном (от английского "perception" — восприятие), а ее первая модель — "Марк-1". Очень упрощенная схема модели представлена на рис. 11.

Электроннооптические преобразователи системы, воспринимающие световые сигналы от изображения и преобразующие их в электрические сигналы (эта часть системы воспроизводит функции светочувствительных элементов глаза — рецепторов), образуют матрицу из 400 рецепторов (фотоэлементов), каждый из которых имеет два выхода. При освещении фотоэлемента на одном из его выходов появляется положительный, а на другом — отрицательный сигнал. Каждый выход рецептора соединен с несколькими ассоциирующими ячейками (ячейками памяти), которых в системе 512. Эти соединения имеют совершенно случайный, беспорядочный характер: ведь физиологи, как известно, считают, что связи между ассоциирующими клетками мозга также организованы без определенной системы, случайно.

Таким образом, сигнал от одного рецептора, скажем Рз, возбуждает не отдельный ассоциирующий элемент, в котором накапливается определенная информация, а, как видно из рис. 11, большинство элементов памяти. Если алгебраическая сумма сигналов, поступающих в какую-либо ассоциирующую ячейку от рецепторных, больше нуля и превышает некоторую пороговую величину (в простейшем случае — положительное напряжение, снимаемое с соответствующего выхода рецептора), то такая ассоциирующая ячейка возбуждается и посылает сигнал в эффекторную (реагирующую) ячейку. Суммарная величина сигналов, поступающих в эффекторную ячейку, сравнивается в ней с заранее установленным пороговым значением, и, если она оказывается больше порога, эффекторная ячейка срабатывает.

При этом может произойти ложное срабатывание (учитывая случайный характер монтажных соединений, оно вполне возможно), т. е. эффекторная ячейка может сработать, когда предъявленный перцептрону объект не должен опознаваться. Тогда оператор, занимающийся "обучением" перцептрона, изменяет параметры ассоциирующих ячеек (служащих аналогами нейронов) и добивается от устройства правильной реакции. Таким же методом вырабатывается правильная реакция перцептрона и в противоположном случае, когда подлежащий опознаванию объект остается неопознанным. После некоторого периода "обучения" перцептрон в дальнейшем "самостоятельно" принимает правильные решения. Блок-схема перцептрона приведена на рис. 12.

Рис. 12. Блок-схема перцептрона. 1 — поле рецепторов; 2 — случайные соединения; 3 — блок ассоциирующих ячеек; 4 — эффекторные ячейки