古い本の記事-「光学脳を作成する方法」

みなさんこんばんは！

最近、本が私の手に落ちました。この本から私はとても興味をそそられ、それを急いでコミュニティと共有しました。 この本は古く、私が間違っていなければ、1986年のリリースです。 もちろん、この記事は典型的な科学的憶測です。注目を集めるための実証されていない仮説の公開ですが、興味をそそられました。

スキャナーから直接公開-1対1。 したがって、多くの文字。



オプティカルブレインの作成方法»V. M. ZAKHARCHENKO、G。V. SKROTSKY



近年の神経生理学の成功により、脳の原理が最も明確になりました-私たちに知られている最も複雑で神秘的な自然現象です。 有名なアメリカの科学者D. Hubelによると、過去10年間で、神経生物学は科学の最も活発な分野の1つになりました。 この結果は最近、発見と洞察の真の爆発となりました。」

一方、70年代は、マイクロエレクトロニクス、オプトエレクトロニクス、および光情報処理技術の急速な発展によって特徴付けられました。 したがって、現代の工学と技術の成果を使用して脳の機能をシミュレートし、これに基づいて根本的に新しい情報処理システムを作成しようとする試みは自然で規則的です。 このように、オプトエレクトロニクスの機能と光学情報処理のいくつかの方法を組み合わせることで、新しいアイデア、つまり光学的脳を作成するというアイデアを提案し、実証することができました。

ご存知のように、脳は神経細胞で構成されています-ニューロン、ニューロンのプロセスとニューロン間接続-シナプスによって相互接続されています。 最近のデータによると、脳には少なくとも5•10 ^ 14個のニューロンがあります。 膨大な数にもかかわらず、ニューロンの体は脳の総体積のわずか数パーセントしか占めていません。 残りのスペースは、ニューロン間接続-ミクロンとサブミクロンの厚さの神経線維で占められています。 大脳皮質の各ニューロンには、他のニューロンからの信号が届く数万個の接続があります。 これらの信号の合計効果がニューロンのしきい値を超えると、興奮して出力信号を生成します。 ニューロンの出口は1つしかありませんが、他のニューロンに向かう多くの接続に分岐します。 通信信号の伝送係数は同じではなく（値も符号も）、したがって、まったく異なる信号が他のニューロンに送られます。 ニューロンは、ニューロン間通信を介して到着する信号を受信および配信するコントロールセンターと比較できます。 脳には少なくとも10 ^ 14個のそのような接続があります。 シナプスが脳の主要な構造コンポーネントに属し、主にその機能特性を決定することを理解することは、神経生理学者によってなされた最も重要な結論の1つです。 これを支持して、有名な神経生理学者E. Candelの言葉を引用することができます：「多くの神経科学者は、最終的に各人のユニークな特性-感じ、考え、学び、記憶する能力-が脳ニューロン間の合成関係の厳密に組織化されたネットワークに囲まれていることを証明します」

1400 cm ^ 3のうちの約1000 cm ^ 3の大部分の脳は、大脳皮質で占められています。 プリーツがあり、厚さは約3 mmです。 皮質の領域全体は、視覚、聴覚、運動などの情報処理の機能領域に分割されます。次に、機能ゾーンは、数分の1平方ミリメートルの面積と皮質の厚さに等しい高さのモジュールに分割されます。 各モジュールは、特定の受容体、たとえば目の網膜の一部からの特定のタイプの信号を処理します。

感覚器官から脳に入る非常に多様な環境情報は、大脳皮質の多くのニューロンに表示されます。 着信信号のパラメータと空間内の位置に応じて、皮質の特定のセクションが励起されます。 皮質の組織は層状に垂直です。 1つの層の各ニューロンは、主に別の層のニューロンと接続されています。 1つの層の興奮したニューロンの集団は別の層に信号を送り、2番目の層では興奮したニューロンの集団も出現します。皮質の各モジュールは、情報を入力から出力に渡すローカルニューラルネットワークです。

脳のそのような単純化されたモデルでは、技術用語でその人工的な対応物を開発する問題は、2つの部分に分割できます：人工ニューロンの作成と、数十兆および数百兆のニューロン間接続の空間構造の実装です。

ニューロンのさまざまな電子モデルが開発されています。 最新の統合技術の助けを借りて、いつでも十分な量でそれらを作ることができます。 ニューロン接続の空間構造を再現することは、比類のない困難な作業です。 マイクロ電子回路の生産のための豊富な技術のコレクションには、システムを作成する方法がなく、その各要素はシステムの他の要素と数千から数万の接続を持っています。 そして、接続だけでなく、それぞれが独自の導電性を持っています。 膨大な数の織り交ぜられたリンクの複雑な空間構造を実現するには、根本的に新しいソリューションが必要です。

この問題を解決する実際の実際的な方法は、神経構造の光学モデリングにあります。 光線は互いに相互作用しないため、光通信チャネルを使用した空間の飽和密度とその場所のジオメトリの制限は完全に削除されます。 このようなシミュレーションには、ホログラフィックメモリの開発プロセスで作成された手法を使用できます。 大きくまたは小さく変更すると、現在存在する多くのホログラフィックメモリオプションのほとんどすべてを使用できます。 たとえば、ニューラルネットワークの最初の実験モデルは、ガス放電レーザー、ビームデフレクター、および長方形のホログラムマトリックスを備えた最も一般的なホログラフィックメモリデバイスに基づいていました。 神経系の光学モデルを作成するための最も有望な技術は、マイクロおよびオプトエレクトロニクスの統合技術の機能を使用する技術です。 したがって、半導体レーザーのアレイに基づいたホログラフィックメモリを備えた光ニューラルネットワークを例として考えてみましょう。

このようなメモリ内の情報は、マトリックスに集められたホログラム（直径1 mmまで）で感光媒体に記録されます。 ホログラムのマトリックスの前には、半導体レーザーのマトリックスがあります。 ホログラムを通過したレーザービームは多くの光線に分割され、その位置と強度はホログラムに記録された情報に依存します。 ホログラムのマトリックスの後ろには、光信号を記録するフォトセルのマトリックスがあります。

ここで、各レーザーが特定のニューロンの出力であると想像してください。 その出力信号-ビーム-は、ホログラム内で次の層のニューロンの入力である光電池に向かう多くの光結合光線に分割されます。 光結合は、ビームの重量強度が異なります。 特定のニューロンに到達するすべての光信号は、出力信号が入力でのこの合計信号に比例するフォトセルによって合計されます。 したがって、ニューロンの入力はフォトセルであり、出力はレーザーに加えて、このニューロンと次の層のすべてのニューロンが記録されたホログラムの接続です。 入力と出力の間にしきい値要素を配置して入力を出力に接続し、ニューロンのモデルを取得します。

ホログラフィックフォトセルのマトリックスの隣にもう1つ配置して、最初のメモリのフォトセルの信号が2番目のメモリのマトリックスの放射を制御するようにします。 その背後に3番目のメモリなどを配置します。その結果、脳の一連の神経層に相当する周期構造が得られます。 ここで、脳の場合と同様に、入力で受信した情報はレイヤーからレイヤーに送信され、ますます高い処理段階を通過します。そのプログラムはホログラムに記録された結合の構造によってのみ決定されます。 これらの結合の密度は、ホログラム上の情報の記録密度に等しく、1 mm2あたり約104結合です。

接続システムを変更するには、ホログラムのブロックを別のものに置き換えるだけで十分です。 自然によって作成された脳でさえ、そのような技術的な利点はありません。 確かに、彼には別の利点があります。 脳のすべての介在ニューロンの接続は柔軟であり、人を訓練する過程、人生経験の蓄積で変化する可能性があります。 光脳は事前に訓練されており、その知識はすべて、ホログラムの取り外し可能なブロック、それらに記録された合成関係の構造に含まれています。 人間の脳の完全な類似物を作成するタスクを設定した場合、そのような違いはもちろん欠点です。 ロボットの連続生産とロボットの動作プログラムの迅速な変更の可能性が必要なロボット工学など、人工神経システムの技術的応用を念頭に置いておくと、これらの違いが利点になります。

説明したシステムには、もう1つの利点があります。構造のモジュール性であり、モジュールはホログラフィックメモリのブロックです。 そのようなモジュールの可能なパラメーターを検討してください。 ホログラム上の記録ボンドの密度は、平方センチメートルあたり10,000ボンドに達することがあります。 これは、面積1 cm2のプレートに1000個のホログラムを記録できることを意味します。各ホログラムには、1つの層のニューロンの1000出力と次の層のニューロンの1000入力を接続する1000接続があります。 最新の技術の能力により、1 cm2の面積に1000個のレーザーのマトリックスを製造することが可能になりました。 最新の統合技術のための1 cm2の面積に10個の太陽電池のマトリックスがすでに段階を通過しています。 もちろん、電力を除いて、レーザーマトリックスもフォトセルアレイも外部の電気接続を持たないという事実によって、タスクは容易になります。

その結果、考慮されたモジュール、それをオプトニューロンと呼び、100万個のニューロン間接続を備えた1000個のニューロンの層に相当し、1000個の半導体レーザーのマトリックス、1000個の光電池のマトリックスを含み、1cmの辺を持つ立方体の形をしています。モジュール要素の応答時間は10 ^ -6以下ですs、およびその要素の数は、大脳皮質の神経モジュールの1つの層のニューロンの数にほぼ対応しています。 キューブなどのモジュールから、複雑な神経構造を追加できます。

5•10 ^ 10個のニューロンと5•10 ^ 13個のニューロン間接続を含む脳のオプトニューロンモデルのサイズを推定してみましょう。 このような光学的脳を構築するには、総体積50 m2の1000ニューロンの5 * 10 ^ 7モジュールが必要です。 機器一式を備えた最新のコンピューターのボリュームはほぼ同じです。 もちろん、約1.5リットルの容積を持つ人間の脳と比較すると、光学脳は約30,000回失われます。 要素の速度の観点から、したがって計算能力において、人間の脳よりも10 ^ 4-10 ^ 5倍優れていることを忘れないでください。

ここで別の問題を考えてみましょう。 視覚的な脳を作るだけでは十分ではありません。 彼に命を吹き込むには、情報の内容で満たす必要があります-光の接続の構造を決定します。 その後、光の脳が生き返り、そのつながりの性質によって決まる仕事をします。ロシア語から英語への翻訳、宇宙船の制御、視覚画像の分析など。しかし、脳のつながりの構造を決定することは、人工脳自体を作成するよりもはるかに困難です。 コンピュータ技術との直接的な類似性があります：コンピュータソフトウェアのコストは、マシン自体のコストよりも数倍高いです。

人工ニューラルシステムで情報処理アルゴリズムを作成するには、主に2つの方法があります。 1つ目は、神経生理学的手法を使用した脳内の情報処理の原理とパターンの研究が必要です。 この種の作業は進行中です。 一例は、1981年のノーベル医学賞を受賞したアメリカの科学者D.フーベルとT.ヴィーゼルによる脳内の視覚情報の処理原理の研究であり、別の方法は、個々の脳機能をモデル化するアルゴリズムの分析的導出です。 これらのアルゴリズムのうち最も単純なものには、たとえば、ほとんどの既存の情報検索システムで使用されているキーワード情報検索アルゴリズムが含まれます。

文書の検索画像用のオプトニューロン認識システムで開発され、実際に実装されているアルゴリズムの変形を検討してください。 単純であるにもかかわらず、このアルゴリズムは多くの点で、情報を検索するときに人が実行する知的操作に似ています。

たとえば、「トランジスタラジオの設計」など、特定のリクエストのライブラリカタログで文献を探しているとします。 あなたがどのように働くか見てみましょう。 もちろん、まず、クエリのテキストを読み、読み取りプロセス中に、文字のシーケンスを概念を表す単語に変換します。 これは情報処理の最初の段階です。 次に、意味の近い言葉を思い出します。 その結果、クエリ単語だけでなく、それらに関連する他の多くの単語や概念も頭の中に記録されます。 たとえば、カタログを見ると、「携帯無線機器の開発」という本にカードがあり、このカードにはリクエスト以外の単語が含まれていても、「開発」という単語は「デザイン」、「ポータブル」という単語に関連付けられているため、延期します「おそらく、装置が「トランジスタ」であることを意味します。そのため、リクエストの強化は情報処理の第2段階であり、トピックに関する知識を使用します。 最後に、処理の3番目の段階は、カタログカードの内容と要求の意味的な近接性の評価です。

人が情報を検索するプロセスを分析し、その中の3つの主要な段階を特定しました。 次に、この分析に基づいて、神経情報検索システムの構造を開発してみましょう。 情報を処理するためのスキームを作成します。文字-単語-関連する単語のセット-書籍の住所のカード。 ある形式から別の形式への移行における4つの形式の情報と3つの処理段階。 ニューラルシステムでは、レイヤーからレイヤーへの移行中に情報が変換されます。 つまり、オプトニューロンシステムには、4つの神経層と、3つの層間空間を埋めるニューロン間接続を備えた3つのホログラムマトリックスが含まれている必要があります。

最初のレイヤーは文字です。 最初の層の各ニューロンは、アルファベットの特定の文字に対応します（単語内の場所を考慮に入れて）。 2番目のレイヤーは単語です。 2番目の層の各ニューロンは、使用する辞書の特定の単語に対応しています。 3番目のレイヤーも単語です。 最後に、4番目のレイヤーは検索オブジェクト-カタログカードです。 各第4層ニューロンは、特定のカタログカードに対応しています。

次に、介在ニューロンの通信を検討します。 まず、第1層と第2層の結合。 対応する文字が対応する単語に含まれている場合、第2層のニューロンは第1層のニューロンに関連付けられます。 2番目と3番目の層の光学的接続-人間の脳内の単語間の関連性のある接続の表示 2つの単語の間に関連性がある場合、第2層の対応するニューロンは、特定の強度の光接続によって第3層の対応するニューロンと接続されます。 単語と検索オブジェクト間のリンクの3番目のセットは、カードに含まれるキーワードのセットを反映しています。 カードにキーワードがある場合、3番目の層のそのニューロンは、光ビームによって4番目の層のこのカードのニューロンに接続されます。

ニューロン間接続を使用してホログラムを記録したので、システムメモリに必要な情報を入力しました。 それでは、その仕組みを見てみましょう。 クエリワードを構成する文字を入力すると、最初の層の対応するニューロンが興奮します。 この場合、これらのニューロンの出力のレーザーがオンになります。 ホログラムは、レーザー放射を多数のビームに分割し、ニューロン間接続のスキームに従って、2番目の層のニューロンの入力に進みます。 ニューロンは興奮し、その入力はニューロンの動作のしきい値を超える合計信号を受信しました。 2番目の層の励起ニューロンのアンサンブルは、クエリワードのセットに対応します。 この層のニューロンの軽い結合は、第3層のニューロンに落ち、それらのいくつかを励起します。 3番目の層の励起ニューロンのアンサンブルは関連する単語セットに対応し、4番目の層の励起ニューロンのアンサンブルはクエリに一致するカタログカードに対応します。 この層のニューロンの出力でオンになったレーザーは、見つかったカードを示します。

現代のコンピューティング技術の能力、人間の脳と光の脳を比較しましょう。 比較は、情報処理速度とメモリサイズの2つの主要なパラメーターに基づいています。 デジタル情報処理メカニズムを使用するコンピューターの場合、これらのパラメーターは1秒あたりの算術演算数とビット単位のメモリー量によって決まります。 他の原則に取り組んでいる脳にとって、これらのパラメーターは定義されていません。したがって、脳の計算能力はその仕事をシミュレートするために必要なコンピューターの能力に等しく、メモリの量は脳の神経接続に保存された情報を記録できるコンピューターのバイナリメモリに等しいと仮定します。ニューラルシステムをモデリングするための主要なツールは現在、コンピューターテクノロジーであるため、これはすべて自然です。ニューロン間の各接続の終了アドレスと開始アドレス、その重み、ニューロンの興奮のしきい値などは、マシンのメモリに記録されます。

通信チャネルの出力の信号は、入力信号とチャネルの伝送係数の積に等しくなります。したがって、介在ニューロン通信を介して信号を送信する場合、1つのアナログ乗算操作が実行されます。次に、信号はニューロンの入力で残りと加算されます。これは、介在ニューロン通信を介した信号伝送の各行為に対して、1つのアナログ乗算操作と1つの加算操作があることを意味します。脳全体の動作中に脳で同時に実行される加算と乗算の動作の数は、そのニューロン間接続の数に等しく、脳の合計計算能力は、ニューロン間接続の数に信号繰り返し周波数を掛けた値に等しくなります。コンピューターで脳の動作をシミュレートする場合、これらのすべての操作はデジタルで実行されます。必要なコンピューター処理能力は、脳の計算処理能力以上です。脳内のニューロン間接続の数が10 ^ 14であると仮定した場合信号の繰り返し率が100 s ^ -1の場合、脳の同等の処理能力は1秒あたり10 ^ 16操作です。

メモリの量は、リンクのアドレスをエンコードする2進数の容量と、リンクの総数によって決まります。 10 ^ 14接続の場合、各接続の開始と終了のアドレスの幅は50ビットのオーダーになり、合計メモリ容量は10 ^ 16ビットになります。少なくとも10 ^ 6 s-1 :: 1秒あたり約10 ^ 20操作の信号周波数を持つ光電子モジュールから構築された人工脳の計算能力。従来のコンピューターの計算能力は1秒あたり10 ^ 9操作のオーダーです。1秒あたり10 ^ 9と10 ^ 20操作の間の値は、量的な違いだけでなく、情報処理の技術と技術における大きな質的飛躍です。自然によって作成された並列情報処理アルゴリズムを実装するには、根本的に異なる技術的手段が必要であり、既存のものよりも数億倍強力です。

これらの要件は、光学脳を作成するというアイデアによって満たされます。なぜ光学的ですか？ホログラフィとオプトエレクトロニクスは、脳のニューロン間接続の複雑な空間構造をモデリングする唯一の現実的な手段であるためです。また、光学的脳の創造は、明日の能力ではなく、現代のエンジニアリングとテクノロジーの能力の限界内にあるためです。