知性をきっかけに

知性をきっかけに

人間の脳内のプロセスをシミュレートする最初の試み以来、科学は多くのステップを経てAIに近づきました。 しかし、人間の脳は、当分の間、感覚情報の流れを継続的に処理する、耐え難くて不十分な追跡作業を行っています。 人工ニューラルネットワーク（ANN）の進化の主要なマイルストーンを意味のあるものとして伝えようとします。



人はいつも自分の考えを理解したかっただけです。 そして彼は、分析、観察、実験などの標準的な科学手法をそのようなタスクに適用しました。 しかし、そのような研究では記述的な知識しか得られず、物理科学の厳密さには達しませんでした。 「私たちはどう思いますか？」という直接の質問から離れなければなりませんでした。そして、「人はどう思いますか？」という質問に対する答えを見つけてみてください。 全体が脳にあり、脳は同じタイプの神経細胞の多くであるニューロンであることが判明しました。 さらに、これらのセルは多数ありましたが、それらの間にはさらに多くの接続がありました。 実験的に観察されたニューロンの特性をモデル化すると、人間の思考の結果のいくつかの繰り返しが得られました。 これを、すでに生理学および心理学のレベルにある人の神経系全体の機能の写真に結び付けることが残っていましたが、問題が始まったのはここです。



最初のANNモデルは、フィードバックのない直接配信ネットワークです。 それらの出力は、センサーの現在の値と各ニューロンの各入力での係数（重み）によって完全に決定されました。 さらに、ネットワークが入力値のトレーニングセットに必要な結果から許容可能な偏差を生成するように、ニューロンの入力のスケールが調整されたときに、教師による指導方法が使用されました。 このような方法は生物学的に信じられません。



教師なしでネットワークを学習する問題を解決する最初の。 このようなトレーニングの基本原則は、送信ニューロンと受信ニューロンが同時にアクティブになると（出力= 1）、これらのニューロンの接続重みが増加することです。 ここで生物学的に受け入れられるのは、ニューロン自体の境界内でニューロンをトレーニングするロジックと、生物学的ニューロンの接続（シナプス）プロパティの繰り返しです。 ニューロンは、ANN内の不可欠な論理的自己組織化ユニットになりました。



2番目の方法では、ANN操作の結果に対するシーケンスの影響の問題を解決しました。最初に、ANNからの出力を着信信号（Hopfieldネットワーク）に単純に追加し、次に内部ニューロン（Elmanネットワーク）またはANN出力（Jordanネットワーク）からの接続を単一の遅延で追加することにより、リカレントANNに追加しました。 入力での再帰接続は通常、入力データのコンテキストと呼ばれます。 再帰的ANNは、移動オブジェクトの制御システムで既に使用でき、シーケンスの記憶にも使用できます。



記憶の次の特性は、同時可塑性と安定性でした。 安定性と可塑性の原則は、以前に記憶された画像が修正または忘れられないような方法で新しい画像が記憶されることです。 以前のタイプのANNはすべて、そのような特性を繰り返すことができませんでした。 この問題に対する科学の答えは、適応共鳴理論（ART）でした。 その意味は、ネットワークが着信セットがすでに記憶されているもののように見えないと判断した場合、新しいイメージ用にネットワークから別の出力を追加するという事実に要約されます。 ネットワークが選択された類似性の境界内の入力セットで既知のセットを認識した場合、追加の画像はネットワーク内で再トレーニングされます。 安定性-可塑性とARTの不一致は、認識されたセットにまだ変化があることです。 類似度の境界よりも小さい偏差を持つ入力セットの特別なシーケンスは、ANNを完全に再トレーニングできます。 しかし、ネットワークへの新しい出力、つまり新しいニューロンの追加により、私たちは生物学的ニューラルネットワークの繰り返しに近づき、生涯を通して、人間には新しいニューロンが形成されます。 新しい、または絶えず訓練された人間のスキルの原因となる脳の領域は、新しいニューロンで封印されています。



次の問題は、着信セットの位置に関係なく、画像認識でした。 このような問題は、コグニトロンとネオコグニトロンによって解決されます-マルチレベルの階層的自己組織化ネットワーク。 このようなネットワークの主な特性は、前のニューロン層からの入力の数による接続領域の制限であり、脳の視覚皮質の同様の構造につながります。 ニューロンの負の入力の存在と同様に、以前の負の接続はANNで使用されませんでしたが、そのような接続の存在は生体ニューロンで証明されています。 また興味深いのは、ANNトレーニングの完了を確認する方法です。 ネットワークは逆方向に開始し、1つの信号のみを出力の1つに供給するために、ANNは保存された画像を生成し、この出力がこの出力の原因であると認識します。



自己組織化ニューロンの接続領域を制限するという考え方は、トレーニング中にすべてを思い出そうとすると夢中になる可能性があるため、抽象化し、周囲のすべての現象とオブジェクトの最も一般的で重要なプロパティを強調して、最小限の出力を作成する必要があるのは当然ですニューロンの層から、次のレベルのニューロンの自己訓練にこれらの抽象化を再び使用します。