Русская Википедия:Импульсная нейронная сеть
Импульсная нейронная сеть (ИмНС, Шаблон:Lang-en, PNN) или Спайковая нейронная сеть (СНН, Шаблон:Lang-en, SNN) — третье поколение искусственных нейронных сетей (ИНС)[1], которое отличается от бинарных (первое поколение) и частотных/скоростных (второе поколение) ИНС тем, что в нем нейроны обмениваются короткими (у биологических нейронов — около 1—2 мс) импульсами одинаковой амплитуды (у биологических нейронов — около 100 мВ). Является самой реалистичной, с точки зрения физиологии, моделью ИНС[2][3][4].
История
Истоки
Первая научная модель импульсной нейронной сети была предложена Аланом Ходжкином и Эндрю Хаксли в 1952 году. Эта модель описывала как потенциалы действия возникают и распространяются. Импульсы, однако, как правило, не передаются непосредственно между нейронами. Связь требует обмена химическими веществами, которые называются нейротрансмиттерами, в синаптической щели[5].
С точки зрения теории информации, проблема заключается в отсутствии модели, которая бы объясняла, как кодируется информация и декодируются серии последовательностей импульсов, то есть потенциалы действия. Для нейробиологии всё еще открытым является вопрос: нейроны связываются с помощью частотного или временного кодирования[6]? С помощью временного кодирования один импульсный нейрон может заменять сотни скрытых элементов частотной нейронной сети[1].
Современные исследования
В настоящее время существует два направления исследования ИмНС[2]:
- создание компьютерных моделей, точно повторяющих модели функционирования нейронов реального мозга, благодаря чему станет возможным как объяснение механизмов его работы, так и диагностика/лечение заболеваний и травм ЦНС;
- создание компьютерных моделей, абстрактно повторяющих модели функционирования нейронов реального мозга, что позволит использовать все преимущества реального мозга, таких как помехозащищенность и энергоэффективность, при анализе больших объемов данных.
Устройство
Принцип работы
Сеть получает на входы серию импульсов и выдаёт импульсы на выходе. В каждое мгновение каждый нейрон имеет некоторое значение (аналог электрического потенциала у биологических нейронов) и, если это значение превышает пороговое, то нейрон посылает одиночный импульс, после чего его собственное значение падает до уровня ниже среднего значения (аналог процесса реабилитации у биологических нейронов, так называемый рефрактерный период) на 2-30 мс. При выведении из состояния равновесия потенциал нейрона начинает плавно стремиться к среднему значению. Существует всего два параметра весовых связей импульсного нейрона — время задержки и величина веса[7].
Модели нейронов
Шаблон:Main Способы моделирования нейронов ИмНС можно разделить на две группы[4][8]:
- модели проводимости — подобны процессу работы ионных каналов;
- модели порогового значения — порождают импульс при определенном уровне напряжения.
Представление информации
В частотных ИНС используется сигнал, который принимает значение, зависящее от частоты порождения импульсов определенной группой нейронов (веса нейронов, собственно, и являются формой представления этой частоты)[3]. Тем не менее, средняя частота импульсов в последовательности является довольно плохим вариантом представления информации, так как различные виды стимуляции могут приводить к одинаковой средней частоте импульсов[9].
Для избавления от этого недостатка в импульсных ИНС используются следующие виды представления информации[3][8][10][4]:
- фазовый (временной) — информация о сигнале задается точным (или в пределах некоторого окна) положением импульсов во времени (относительно какого-либо общего опорного ритма головного мозга);
- синхронный (позиционный/пространственный/популяционный) — информация о сигнале задается синхронной активностью различных групп нейронов, и, как следствие, синхронным (или в пределах некоторого окна) появлением импульсов на определенных выходах сети (например, реагирующие на высокие и низкие частоты слуховые рецепторы улитки уха находятся в разных зонах);
- время до появления первого импульса — информация о сигнале задается временем появления первого импульса на каком-либо выходе;
- порядковый — информация о сигнале задается порядком получения импульсов на выходах сети;
- интервальный (задержковый) — информация о сигнале задается расстоянием между импульсами, получаемыми на выходах сети;
- резонансный — информация о сигнале задается плотной последовательностью импульсов (очередью), приводящей к возникновению резонанса (одиночные импульсы затухают и не вносят никакого вклада в передачу информации).
Помимо этого, существуют виды представления информации, являющиеся смешанной формой нескольких простых видов представления информации, например:
- пространственно-временной — информация задается не только определенной последовательностью импульсов во времени, но они еще и должны исходить от определенной группы нейронов;
- популяционно-частотный — информация задается повышением частоты порождения импульсов определенной группой нейронов.
Устройство
Архитектуры ИмНС можно разделить на следующие группы[8]:
- Шаблон:Нп5 (НПР) — данные передаются строго в одном направлении: от входов к выходам, обратные связи отсутствуют, а обработка может проходить по множеству слоев;
- Рекуррентная нейронная сеть (РНС) — отдельные нейроны/популяции нейронов взаимодействуют друг с другом, то есть имеется обратная связь. ИНС такого вида обладают собственной динамикой и высокой вычислительной способностью;
- Шаблон:Нп5 — внутри ИНС некоторые популяции нейронов относятся к виду НПР, а некоторые — к РНС. Взаимодействие между популяциями может быть как однонаправленным, так и взаимным.
- Шаблон:Нп5 — представляет собой многослойную цепь, в которой импульсная активность может распространяться в виде синхронной волны передачи пачек импульсов от одной популяции к последующей;
- Шаблон:Нп5 — резервуарная ИНС состоит из резервуара, исполненного по рекуррентному виду, и выходных нейронов.
Методы обучения
Методы обучения ИмНС делятся на три группы[10][8][11]:
Качественные характеристики
Преимущества
Импульсные ИНС имеют ряд преимуществ над нейросетями предыдущих поколений[12]:
- ИмНС являются динамическими, а значит отлично подходят для работы с динамическими процессами (распознавание речи и динамических изображений)[2];
- ИмНС обладают многозадачностью, ведь входные данные обрабатываются в нейронной сети с обратными связями, а разные группы считывающих нейронов могут быть обучены на решение разных задач;
- ИмНС способны осуществлять распознавание с предвидением (то есть не обязательно обладать полной информацией об объекте или знать результат процесса);
- ИмНС просто обучать, так как достаточно обучить только выходные считывающие нейроны;
- ИмНС имеют повышенную продуктивность обработки информации и помехоустойчивость, так как используют временно́е представление информации;
- ИмНС требует меньшего числа нейронов, так как каждый нейрон импульсной нейронной сети заменяет два нейрона (возбуждающий и тормозящий) классической ИНС;
- ИмНС имеют высокую скорость работы и большой потенциал распараллеливания, так как для передачи импульса необходимо отправить 1 бит, а не непрерывную величину, как в частотных ИНС[13];
- ИмНС могут обучаться в процессе работы[14].
Недостатки
- ИмНС нецелесообразно использовать в системах с малым числом нейронов;
- Не существует совершенного алгоритма обучения.
Реализации
Списки
Список нейроморфного программного и аппаратного обеспечения.
Программные
Программное обеспечение, которое используется, в основном, для имитации импульсных нейронных сетей и используемые биологами для изучения их работы, свойств и характеристик. Позволяет моделировать с высоким уровнем детализации и точности, но требуют большого времени моделирования.
Программное обеспечение, которое может использоваться для решения реальных, а не теоретических задач. Моделирование в них проходит очень быстро, но не позволяет моделировать сложные, то есть биологически реалистичные, модели нейронов.
Программное обеспечение, которое работает достаточно эффективно для того, чтобы моделирование проходило быстро, иногда даже в режиме реального времени, но, в то же время, оно способно использовать нейронные модели, которые подробно описаны и биологически правдоподобным. Все это очень удобно для задач обработки информации.
Аппаратные
Использующее существующую архитектуру пользователя:
Использующее свою, специализированную, архитектуру:
Применение
Протезирование
Зрительные и слуховые нейропротезы, использующие последовательности импульсов для подачи сигналов в зрительную кору, и возвращающие больным возможность ориентироваться в пространстве, существуют уже сейчас, а работа над механическими двигательными протезами активно ведется. Также, импульсные последовательности могут подаваться в мозг через вживленные в него электроды и, тем самым, устранять симптомы болезни Паркинсона, дистонии, хронических болей, МДП и шизофрении[2].
Робототехника
Brain Corporation из Сан-Диего разрабатывает роботов, использующих ИмНС, а SyNAPSE создает нейроморфические системы и процессоры[2][8].
Компьютерное зрение
Существуют перспективы применения ИмНС в компьютерном зрении (автоматическом анализе видеоинформации). Цифровой нейрочип IBM TrueNorth включает в себя миллион программируемых нейронов и 256 миллионов программируемых синапсов, что позволяет симулировать работу нейронов зрительной коры. Данный нейрочип состоит из 4096 ядер, содержит 5.4 миллиарда транзисторов, но при этом обладает серьезной энергоэффективностью — всего лишь 70 милливатт[2].
Телекоммуникации
Qualcomm занимается исследованием возможности применения ИмНС в телекоммуникационных устройствах[2].
Примечания
Шаблон:Примечания Шаблон:Машинное обучение
- ↑ 1,0 1,1 Шаблон:Статья
- ↑ 2,0 2,1 2,2 2,3 2,4 2,5 2,6 Шаблон:Cite web
- ↑ 3,0 3,1 3,2 Шаблон:Cite web
- ↑ 4,0 4,1 4,2 Шаблон:Книга
- ↑ Шаблон:Статья
- ↑ Шаблон:Книга
- ↑ Шаблон:Cite web
- ↑ 8,0 8,1 8,2 8,3 8,4 Шаблон:Статья
- ↑ Шаблон:Статья
- ↑ 10,0 10,1 Коденко Никита Игоревич, Методы обучения импульсных нейронных сетей
- ↑ Шаблон:Статья
- ↑ Шаблон:Книга
- ↑ Шаблон:Книга
- ↑ Шаблон:Книга
- ↑ Roadmap p.11 «Given the complexities and conceptual issues of consciousness we will not examine criteria 6abc, but mainly examine achieving criteria 1‐5.»