Нейрокомпьютинг - научное направление, которое занимается
разработкой вычислительных систем шестого поколения -
нейрокомпьютеров, состоящих из большого числа параллельно
работающих простых вычислительных элементов (нейронов). Элементы
связаны между собой, образуя нейронную сеть. Они выполняют
единообразные вычислительные действия и не требуют внешнего
управления. Большое число параллельно работающих вычислительных
элементов обеспечивают высокое быстродействие. Нейрокомпьютеры
позволяют с высокой эффективностью решать целый ряд
интеллектуальных задач, причем заданный алгоритм для этого
совершенно не нужен. Поэтому нейрокомпьютеры - настоящая находка
для многих сфер. Так, например, они активно используются на
финансовых биржах, помогая предсказывать колебания валют и
акций.
Особенности
Прошло более 55 лет с того момента, когда появилась первая ЭВМ.
За это время сменилось уже несколько поколений вычислительных
машин. Менялись элементная база, конструктивные решения, языки
программирования, программное обеспечение, но основы
архитектуры, заложенные при создании машин первого поколения,
практически без изменения перешли на машины последующих и
успешно работают до настоящего времени. Многочисленные элементы,
размещаемые в системном блоке, всё те же: центральный процессор,
память, шина, блок питания, многочисленные аналого-цифровые и
цифровые преобразователи (АЦП и ЦАП). Нет сомнений, что идеи
машин первого поколения ещё послужат человеку.
Нейрокомпьютеры отличаются от ЭВМ предыдущих поколений не просто
большими возможностями. Принципиально меняется способ
использования машины. Место программирования занимает обучение -
нейрокомпьютер учится (!) решать задачи. После обучения сеть
может применять полученные навыки к новым входным сигналам, для
этого уже не понадобится стандартный алгоритм. Причем все
встроенные «нейроны» действуют только в системе - решение слабо
зависит от неисправности отдельного компонента.
При переходе от программирования к обучению повышается
эффективность решения интеллектуальных задач. В нейронной сети
нет локальных областей, в которых запоминается конкретная
информация. Вся информация фиксируется во всей сети.
Параллельная работа очень большого числа простых вычислительных
устройств обеспечивает быстроту совершаемых действий.
История
Толчком к развитию нейрокомпьютинга послужили биологические
исследования. По данным нейробиологии, нервная система человека
и животных состоит из отдельных клеток - нейронов. Каждый нейрон
связан с другими нейронами и выполняет сравнительно простые
действия. Время срабатывания нейрона - 2-5 мс.
Совокупная работа всех нейронов обуславливает работу мозга,
который в реальном времени решает сложнейшие задачи.
Биологический нейрон имеет тело, совокупность отростков -
дендридов, по которым в нейрон поступают входные сигналы, и
отросток - аксон, передающий выходной сигнал нейрона другим
клеткам. Точка соединения дендрида и аксона называется синапсом.
По такому же принципу устроена и система нейрокомпьютера. В
основу искусственных нейронных сетей положены следующие черты
живых нейронных сетей, позволяющие им хорошо справляться с
нерегулярными задачами:
простой обрабатывающий элемент - нейрон;
очень большое число нейронов участвует в обработке информации;
один нейрон связан с большим числом других нейронов (глобальные
связи);
изменяющиеся веса связей между нейронами;
массированная параллельность обработки информации.
Чтобы создать нейронную сеть для решения какой-либо конкретной
задачи, мы должны выбрать, каким образом следует соединять
нейроны друг с другом, и соответствующим образом подобрать
значения весовых параметров на этих связях.
Теоретические основы нейроматематики были заложены в начале 40-х
годов. В 1943 году У. Маккалох и его ученик У. Питтс
сформулировали основные положения теории деятельности головного
мозга. Ими были получены следующие результаты:
разработана модель нейрона как простейшего процессорного
элемента, выполняющего вычисление переходной функции от
скалярного произведения вектора входных сигналов и вектора
весовых коэффициентов;
предложена конструкция сети таких элементов для выполнения
логических и арифметических операций;
сделано основополагающее предположение о том, что такая сеть
способна обучаться, распознавать образы, обобщать полученную
информацию.
Несмотря на то, что за прошедшие годы нейроматематика ушла
далеко вперед, многие утверждения Макклоха остаются актуальными
и поныне. Серьезное развитие нейрокибернетика получила в работах
американского нейрофизиолога Френсиса Розенблата (Корнелльский
университет). В 1958 году он предложил свою модель нейронной
сети. Алгоритм обучения выглядит следующим образом:
системе предъявляется эталонный образ;
если выходы системы срабатывают правильно, весовые коэффициенты
связей не изменяются;
если выходы срабатывают неправильно, весовым коэффициентам
дается небольшое приращение в сторону повышения качества
распознавания.
В 70-е годы интерес к нейронным сетям значительно упал, однако
работы по их исследованию продолжались. Начало современному
математическому моделированию нейронных вычислений было положено
работами Хопфилда в 1982 году, в которых была сформулирована
математическая модель ассоциативной памяти на нейронной сети.
Применение
Большинство сегодняшних нейрокомпьютеров представляют собой
просто персональный компьютер или рабочую станцию, в состав
которых входит дополнительная нейроплата. К их числу относятся,
например, компьютеры серии FMR фирмы Fujitsu.
Нейрокомпьютеры хорошо подходят для распознавания образов и
решения задач классификации, оптимизации и прогнозирования. Ниже
приведен перечень возможных промышленных применений нейронных
сетей, на базе которых либо уже созданы коммерческие продукты,
либо реализованы демонстрационные прототипы.
Банки и страховые компании:
автоматическое считывание чеков и финансовых документов;
проверка достоверности подписей;
оценка риска для займов;
прогнозирование изменений экономических показателей.
Административное обслуживание:
автоматическое считывание документов;
автоматическое распознавание штриховых кодов.
Нефтяная и химическая промышленность:
анализ геологической информации;
идентификация неисправностей оборудования;
разведка залежей минералов по данным аэрофотосъемок;
анализ составов примесей;
управление процессами.
Военная промышленность и аэронавтика:
обработка звуковых сигналов (разделение, идентификация,
локализация);
обработка радарных сигналов (распознавание целей, идентификация
и локализация источников);
обработка инфракрасных сигналов (локализация);
обобщение информации;
автоматическое пилотирование.
Промышленное производство:
управление манипуляторами;
управление качеством;
управление процессами;
обнаружение неисправностей;
адаптивная робототехника;
управление голосом.
Служба безопасности:
распознавание лиц, голосов, отпечатков пальцев.
Биомедицинская промышленность:
анализ рентгенограмм;
обнаружение отклонений в ЭКГ.
Телевидение и связь:
адаптивное управление сетью связи;
сжатие и восстановление изображения.
Представленный перечень далеко не полон. Можно найти еще
области, где оправданно применение нейросистем.
В настоящее время наиболее массовым направлением
нейрокомпьютинга является моделирование нейронных сетей на
обычных компьютерах, прежде всего персональных. Моделирование
сетей выполняется для их научного исследования, для решения
практических задач, а также при определении значений параметров
электронных и оптоэлектронных нейрокомпьютеров.
Нейрокомпьютеры являются перспективным направлением развития
современной высокопроизводительной вычислительной техники, а
теория нейронных сетей и нейроматематика представляют собой
приоритетные направления российской вычислительной науки.