Artificial Intelligence: investment trends and applications, H1 2016
Нейроморфные системы - будущее искусственного интеллекта
1. М. Бурцев
Кафедра Кибернетики,
НИЯУ МИФИ
Лаб. Нейроинтеллекта и
нейроморфных систем,
Курчатовский НБИКC-Центр
НИИ Нормальной физиологии
им. П.К. Анохина РАМН
Институт прикладной математики
им. М.В. Келдыша РАН
2. Что такое Искусственный
интеллект (ИИ)?
Искусственный интеллект -
интеллектуальные машины и область
компьютерных наук, которая стремится их
создать.
Основное свойство Homo sapiens человека
разумного – разум, может быть настолько
точно описан, что может быть
воспроизведен машиной.
3. Вычисления и интеллект
IBM Deep Blue (1997)
2 108 позиций в
секунду
11 GFLOPS
IBM Watson (2011)
2880 POWER7
processor cores
16 Tб of RAM
500 Гб/с
80 TFLOPS
8. Два пути
мозг можно искусственные
Нейроны передают
смоделировать нейронные
электрические сигналы
электрической схемой сети
Человеческий интеллект компьютер совершает
основан на манипуляции манипуляции с искусственный
с символами символами интеллект
9. История ИИ
• 1958, H. A. Simon and Allen Newell: "within ten years a digital
computer will be the world's chess champion" and "within ten years
a digital computer will discover and prove an important new
mathematical theorem."
• 1965, H. A. Simon: "machines will be capable, within twenty years,
of doing any work a man can do."
• 1967, Marvin Minsky: "Within a generation ... the problem of
creating 'artificial intelligence' will substantially be solved."
• 1970, Marvin Minsky: "In from three to eight years we will have a
machine with the general intelligence of an average human being."
12. А что же нейробиологи?
H. Markram
(104 нейронов, 108 синапсов)
Смоделирована
кортикальная
колонка
13. А что же нейробиологи?
E. Ижикевич
(1011 нейронов, 1015 синапсов)
Воспроизведены частоты
спайковой активности
различных типов корковых
нейронов.
Ритмы и волны
распространения спонтанной
активности по своим
параметрам похожи на
наблюдаемые in vivo.
Модельный фМРТ похож на
регистриуемый на человеке.
Пертрубация одного спайка (из
миллионов) ведет к
перестройки активности всей
сети за доли секунды.
15. Проблема
Интеллект человека
является очень сложным
объектом
Прямое создание
целостной теории очень
трудно
16. БУДУЩЕЕ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА?
ТРЕБУЕТСЯ ПЕРЕЗАГРУЗКА!
17. Нейроморфные системы
искусственного интеллекта
Как
самоорганизация
миллиардов
адаптивных
элементов приводит
к возникновению
системных
когнитивных
процессов?
•Искусственный интеллект
основанный на принципах
работы мозга
•Пути повышения
эффективности
естественного и
искусственного интеллекта
19. Модель эволюционного сиcтемогенеза
Эволюция нейросетевых агентов в среде с
иерархией целей
Задача: обучение цепочкам целенаправленных
действий в среде с конкурирующими целями
20. Модель эволюционного сиcтемогенеза
700
600
номер поведенческой стратегии
500
400
300
200
100
0
3000
приспособленность
2000
1000
0
0 1000 2000 поколения 3000 4000 5000
24. Обучение в теории функциональных систем
Генерация Реализация
(и фиксация) функции и
новой предсказание
функциональной результата
системы действий
Детекция рассогла-
сования
25. Обучение в теории функциональных систем
Теория функциональных систем Модели нейронных
Обучение происходит за счет сетей
формирования новых Обучение происходит за счет
функциональных систем изменения связей в сети
путем «надстройки»
имеющихся систем
Имеющиеся системы Имеющиеся связи
сохраняются нарушаются
На нейрональном уровне На нейрональном уровне
надстройка функциональной происходит изменение связей
системы выражается в между всеми активными
специализации нейронов нейронами
26. Обучение в теории функциональных систем
Распознавание образов (категоризация)
Требования
для эффективного обучения необходимо
формировать нейрональные группы уже при
однократном столкновении с проблемой
для сохранения памяти, новые группы не
должны нарушать работу старых
Построение конкуренции между
областями притяжения динамики
27. Генерация Реализация Рассогласование
Новые (значимые) признаки проблемной ситуации связываются с
действиями
История генерации ФС формирует новую память
Специализация нейронов позволяет сохранить имеющуюся
память
30. Генерация Реализация Рассогласование
Сравнение точности
категоризации с
аналогичным подходом
Вероятность
правильного отклика
сети в ответ на
зашумленный образ.
а) Предложенная модель
б)Ассоциативная сеть
Хопфилда.
Р1- вероятность молчания
активного нейрона
исходного паттерна
Р2 – вероятность
активации нейрона, не
принадлежащего
исходному паттерну.
31. Генерация Реализация Рассогласование
Для достижения результата в новых условиях
обычно необходима последовательность действий
Сформированная динамическая цепочка активаций
специализированных нейронов дает возможность
предсказания
32. Генерация Реализация Рассогласование
Системогенез нужен, когда одна из имеющихся систем не
может получить свой результат
Если системогенез происходит за счет специализации, то
откуда нейроны, которые могут подключиться к системе,
узнают, что пора специализироваться?
Знать о проблеме могут только клетки конкретного АРД.
Что это за клетки?
33. Динамическая модель ФС
Задача: обучение цепочкам целенаправленных
действий в среде с конкурирующими целями
Элементарная ФС
Активируется в проблемном состоянии для
выполнения необходимых действий
После достижения целевого состояния
деактивируется.
а) б)
Рис. а) Фазовая плоскость функциональной системы. б) Динамика функциональной
системы при воздействии управляющих импульсов
37. Эксперименты
Сравнение с обучением с подкреплением
Адаптация агента в нестационарной среде и конструкция
альтернативных цепочек действий
1111 1111 1111
1101 0111 1101 0111 1101 0111
или
1001 0011 1001 0011 1001 0011
0001 0001 0001
0000 0000 0000
50 % одно из красных ребер удалено в каждом опыте
(переход невозможен, среда нестационарная)
38. Эксперименты
Сравнение с обучением с подкреплением
Адаптация агента в нестационарной среде и конструкция
альтернативных цепочек действий
Количество элементарных действий до цели в зависимости от номера попытки. DS –
предложенная модель; Q – алгоритм обучения с подкреплением Q-learning при различных
параметрах фактора обучения (LF) и дисконтирующего фактора (DF).
39. Будущее искусственного
интеллекта
Алгоритмы интеллектуальных систем,
основанные на «грубой» вычислительной силе
катастрофично неэффективны
Вычислительных возможностей современных
компьютеров с лихвой достаточно для
обеспечения интеллектуального поведения
В любой момент может быть найден подход, на
порядки повышающий вычислительную
эффективность интеллектуальных систем
Одно из перспективных направлений поиска –
нейроморфные системы – системы основанные на
интеллектуальных алгоритмах «подсмотренных»
у живых систем.