Искусственные нейронные сети (далее по тексту – нейронные сети или НС) – это одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести техническими средствами свойства нервной системы человека. А именно: способность нервной системы обучаться и исправлять ошибки, что должно позволить смоделировать, хотя и достаточно грубо, работу человеческого мозга.
Пытаясь понять как работает мозг человека нейробиологи достигли значительного прогресса. Усердно изучая структуру и функции нервной системы человека, они многое поняли в «электропроводке» мозга. В процессе накопления ими знаний выяснилось, что мозг имеет ошеломляющую сложность. Сотни миллиардов нервных клеток (нейронов), каждый из которых соединен с сотнями или тысячами других, образуют систему, далеко превосходящую наши самые смелые мечты о суперкомпьютерах.
Базисный элемент мозга, биологический нейрон – это специальная клетка, которая структурно состоит из ядра, тела клетки и отростков. Одной из ключевых задач нейрона является передача электрохимического импульса по всей нейронной сети через доступные связи с другими нейронами. Притом, каждая связь характеризуется некоторой величиной, называемой силой синаптической связи. Эта величина определяет, насколько ослабится электрохимический импульс при передаче его дендриту, т. е. сила синаптической связи определяется электрической проводимостью синапса (величиной, обратной электрическому сопротивлению).
Принятые синапсом входные сигналы подводятся к телу нейрона. Здесь они суммируются. Когда суммарное возбуждение в теле нейрона превышает некоторый порог («сон-бодрствование»), нейрон возбуждается, посылая по аксону сигнал другим нейронам. Это предельно упрощенная схема взаимодействия естественных нейронов, тем не менее большинство искусственных нейронных сетей моделируют лишь эти простые свойства.
Строго говоря, говоря о «силе» электрохимического импульса в мозгу человека мы имеем в виду некую интегральную характеристику, зависящую не только от создаваемой разности потенциалов, но и от частоты следования импульсов от нейрона к нейрону, т. к. нейрон, «решая вопрос» о степени возбуждения принимает во внимание не только амплитуду приходящих от других нейронов импульсов, но и их частоту, т. е. в локальном временном масштабе обладает способностью «накапливать» возбуждение. При построении моделей мозга, т. е. искусственных нейронных сетей, эти частотно-временные нюансы как правило игнорируются и считается, что искусственные нейроны взаимодействуют друг с другом путем передачи постоянных потенциалов.
Следует отметить, что в реальном мозгу помимо возбуждающих связей между нейронами имеются также и тормозящие (т. е. чем интенсивнее импульсная активность в такой связи, тем менее активным становится нейрон-получатель импульсов). Не вдаваясь в детали внутреннего устройства нейрона, будем в таких случаях условно считать, что тормозящий синапс обладает инвертирующим свойством, т. е. меняет полярность входных импульсов, хотя в действительности этот механизм значительно сложнее.
Биологическая нейронная сеть обладает высокой степенью связности: на один нейрон может приходиться несколько тысяч связей с другими нейронами. Но, это приблизительное значение и в каждом конкретном случае оно разное. Передача импульсов от одного нейрона к другому порождает определенное возбуждение всей нейронной сети. Величина этого возбуждения определяет реакцию нейронной сети на какие-то входные сигналы.
Мозг человека обладает способностью организовывать работу нейронов, так, чтобы они могли выполнять конкретные задачи (такие как распознавание образов, обработку сигналов органов чувств, моторные функции) во много раз быстрее, чем могут позволить самые быстродействующие современные компьютеры. Примером такой задачи обработки информации может служить обычное зрение. В функции зрительной системы входит создание представления окружающего мира в таком виде, который обеспечивает возможность взаимодействия с этим миром. Более точно, мозг последовательно выполняет ряд задач распознавания (например, распознавание знакомого лица в незнакомом окружении). На это у него уходит около 100-200 миллисекунд, в то время как выполнение аналогичных задач даже меньшей сложности на компьютере может занять несколько дней.
Другим примером может служить локатор летучей мыши, представляющий собой систему активной акустической локации. Кроме предоставления информации о расстоянии до нужного объекта этот локатор предоставляет информацию об относительной скорости объекта, о его размерах и размерах его отдельных элементов, а также об азимуте и высоте движения объекта. Для выделения этой информации из получаемого сигнала крохотный мозг летучей мыши проводит сложные нейронные вычисления. Эхо-локация летучей мыши по своим характеристикам качества и быстродействия превосходит самые сложные приборы, созданные инженерами.
У нейронных сетей много важных свойств, но ключевое из них – это способность к обучению. Обучение нейронной сети в первую очередь заключается в изменении «силы» синаптических связей между нейронами. В классическом опыте Павлова, каждый раз непосредственно перед кормлением собаки звонил колокольчик. Собака достаточно быстро научилась ассоциировать звонок колокольчика с приемом пищи. Это явилось следствием того, что синаптические связи между участками головного мозга, ответственными за слух и слюнные железы, усилились. И в последующем возбуждение нейронной сети звуком колокольчика, стало приводить к более сильному слюноотделению у собаки.
