Анализ нейрокомпьютерных систем Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.032.26

АНАЛИЗ НЕЙРОКОМПЬЮТЕРНЫХ СИСТЕМ

С. О. Курашкин Научный руководитель - Е. А. Юронен

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева

Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: scorpion_ser@mail.ru

Описываются принципы работы, области применения и особенности создания и использования нейрокомпьютерных систем.

Ключевые слова: нейрокомпьютерные системы, нейронные сети.

ANALYSIS OF NEUROCOMPUTER SYSTEMS

S. O. Kurashkin Scientific Supervisor - E. A. Yuronen

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: scorpion_ser@mail.ru

The principles of work, range of application andfeature of création and use of neurocomputer systems are described.

Keyword: neurocomputer systems, neuronic networks.

На сегодняшний день с развитием компьютерных технологий, стали широко распространены различные нейрокомпьютерные системы для различных задач. Универсальных моделей нейрокомпьютеров на рынке мало потому, что большинство из них реализованы для спецприменений. Примерами нейрокомпьютеров являются нейрокомпьютер Synapse (Siemens, Германия) и процессор NeuroMatrix. В настоящее время проводятся ежегодные конференции по нейрокомпьютерам. С технической точки зрения сегодняшние нейрокомпьютеры - это вычислительные системы с параллельными потоками одинаковых команд и множественным потоком данных (MSIMD-архитектура) [6].

Нейрокомпьютерные системы (нейронные сети) способны обучаться распознаванию образов, пониманию речи, предсказанию погоды и управлению системами различной сложности. Эта новая технология должна сыграть важную роль в управлении энергетическими системами, индустриальными объектами, интеллектуальными роботами и во многих других практически важных приложениях. В частности нейронные сети интересны как основа для разработки параллельных архитектур [1].

Нейронные сети - новая модель параллельных и распределенных вычислений, один из основных архитектурных принципов построения машин 6-го поколения. В основу искусственных нейросе-тей положены следующие черты живых нейросетей, позволяющие им справляться с нерегулярными задачами [7]:

1) простой обрабатывающий элемент - нейрон;

2) участие огромного числа нейронов в обработке информации;

3) каждый нейрон связан с большим числом других (глобальные связи);

4) изменяющиеся по весу связи между нейронами;

5) массовый параллелизм обработки информации.

Сети, обладающие этими свойствами, принадлежат к классу коннекционистских моделей обработки информации. Основная их черта - использование взвешенных связей между обрабатывающими элементами как средства запоминания информации. Обработка ведется одновременно большим числом элементов, где каждый нейрон связан с большим числом других, поэтому нейронная сеть устойчива к неисправностям и способна к быстрым вычислениям. Задать нейронную сеть для решения конкретной задачи - значит определить [7]:

Секция «Информационно-управляющие системы»

1) модель нейрона;

2) топологию связей;

3) веса связей.

Применение нейронных сетей очень распространено, выделяют следующие основные направления [5]:

1) управление в реальном времени, например:

а) самолётами и ракетами;

б) технологическими процессами непрерывного производства (в энергетике, металлургии и др.);

в) сварочным аппаратом;

2) распознавание образов:

а) изображений, человеческих лиц, букв и иероглифов, отпечатков пальцев в криминалистике, речи, сигналов радара и сонара;

б) элементарных частиц и происходящих с ними физических процессов (эксперименты на ускорителях или наблюдение за космическими лучами);

3) прогнозирование в реальном времени:

а) погоды;

б) курса акций (и других финансовых показателей);

в) политических событий (результатов выборов и др.);

4) оптимизация - поиск наилучших вариантов:

а) при конструировании технических устройств;

б) при выборе экономической стратегии;

5) обработка сигналов при наличии больших шумов;

6) протезирование («умные протезы») и усиление естественных функций, в том числе - за счёт прямого подключения нервной системы человека к компьютерам (нейрокомпьютерный интерфейс);

7) психодиагностика;

8) информационная безопасность.

Обучение нейронной сети можно сравнить с обучением маленького ребенка. Например, мы хотим обучить её русскому алфавиту. Мы показываем изображение буквы «А» и ждем ответа, ответ может быть как верный, так и нет. Нам известен верный (желаемый) ответ - в данном случае нам хотелось бы, чтобы на выходе нейронной сети с меткой «А» уровень сигнала был максимален. И так мы много раз предъявляем одну и ту же букву (а также различные изображения одной и той же буквы) нейронной сети, пока не добьемся правильного ответа.

В качестве примера нейронной сети можно рассмотреть программу Neural Doodle, она сделана на основе свёрточной нейросети, представляет собой скрипт doodle.py, который генерирует изображения, принимая три-четыре картинки в качестве входных параметров. В том числе на вход подаётся простенький набросок (то, что авторы называют «каракулями») и образец стиля с его наброском [3].

Простой набросок преобразуется в красивую картину

Конструкция нейросети описана в научной работе автора «Semantic Style Transfer and Turning Two-Bit Doodles into Fine Artworks», которую он подготовил для конференции nucl.ai Conference 2016. Нейросеть использует алгоритм синтеза изображений, который предложен исследователями Чуан Ли (Chuan Li) и Майклом Вандом (Michael Wand) в научной работе «Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis» [3].

Библиографические ссылки

1. Аляутдинов М. А., Галушкин А. И., Казанцев П. А., Остапенко Г. П. Нейрокомпьютеры: от программной к аппаратной реализации. М.: Горячая линия - Телеком, 2008. 152 с.

2. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сиб. изд. фирма РАН, 1996. 276 с.

3. Нейросеть превращает каракули в художественные шедевры [Электронный ресурс]. URL: https://geektimes.ru/post/272430/ (дата обращения: 29.03.2016).

4. Turn your two-bit doodles into fine artworks with deep neural networks! An implementation of Semantic Style Transfer [Электронный ресурс]. URL: https://github.com/alexjc/neural-doodle (дата обращения: 29.03.2016).

5. Нейрокомпьютер. [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Нейрокомпьютер/ (дата обращения: 29.03.2016).

6. Миркес Е. М. Нейрокомпьютер. Проект стандарта/ под ред В. Л. Дунина-Барковского. Новосибирск : Наука, 1999. 337 с.

7. Нейрокомпьютерные системы [Электронный ресурс]. URL: http://www.intuit.ru/studies/ courses/61/61/lecture/20434 (дата обращения: 29.03.2016).

© Курашкин С. О., 2016