ЭВОЛЮЦИЯ РАЗВИТИЯ НЕЙРОННЫХ СЕТЕЙ: ПРОШЛОЕ, НАСТОЯЩЕЕ, БУДУЩЕЕ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004

Аксентов В.А.

студент 4 курса САФУ Северный (Арктический) федеральный университет (Россия, г. Архангельск)

ЭВОЛЮЦИЯ РАЗВИТИЯ НЕЙРОННЫХ СЕТЕЙ: ПРОШЛОЕ, НАСТОЯЩЕЕ, БУДУЩЕЕ

Аннотация: статья предлагает обзор истории развития искусственных нейронных сетей с их начала в 1943 году до современных инноваций. Рассматриваются ключевые моменты, такие как введение метода обратного распространения ошибки, появление сверточных и рекуррентных сетей, а также роль генеративных моделей. Акцент делается на универсальности применения нейронных сетей в различных областях и их перспективах.

Ключевые слова: нейронные сети, развитие, история, исследование, обучение, изучение.

Искусственные нейронные сети являются одной из самых захватывающих областей исследований в мире искусственного интеллекта. С момента своего зарождения в 1943 году они прошли долгий путь эволюции и трансформации, приведший к созданию сложных архитектур и мощных методов обучения [1]. Давайте рассмотрим ключевые временные промежутки в истории развития нейронных сетей.

Перцептрон Фрэнка Розенблатта [2] стал первой попыткой создать нейронную сеть способную обучаться на данных. Эта однослойная модель имела ограничения в решении сложных задач, но она подразумевала возможность создания более глубоких архитектур в будущем.

Самым революционным моментом в развитии нейронных сетей было введение метода обратного распространения ошибки [3] Дэвидом Румельхартом, Робертом Хинтоном и Рональдом Уильямсом. Этот метод позволил эффективно

89

обучать многослойные нейронные сети, делая возможным решение сложных задач.

Куно Фукушима представил Neocogitron - многоразрядную сверточную нейронную сеть, инспирированную зрительными механизмами мозга. Этот момент начал активное исследование сверточных нейронных сетей, что привело к их широкому использованию в компьютерном зрении и других областях.

Рекуррентные нейронные сети (RNNs) были представлены Джеффри Хинтоном. Эти сети смогли эффективно работать с последовательными данными, открывая двери для обработки текстов, временных рядов и других последовательностей.

Ив Лекун представил LeNet-5 - первую сверточную нейронную сеть, предназначенную для распознавания рукописных цифр. Этот шаг укрепил сверточные сети как мощный инструмент в анализе изображений.

Капсульные сети, представленные Джеффри Хинтоном в 2017 году, предложили альтернативу сверточным сетям, позволяя эффективно обрабатывать иерархические признаки в данных.

С 2017 года и до настоящего времени развитие нейронных сетей продолжается стремительными темпами. Архитектуры, такие как трансформеры, позволяют эффективно обрабатывать тексты и последовательности. Генеративные модели, включая GAN и VAE, способны создавать реалистичные изображения и звуки. Автоэнкодеры и сети с подкреплением активно применяются в решении разнообразных задач. Внедрение нейронных сетей в медицине, финансах, робототехнике и других областях лишь подтверждает их универсальность и перспективы.

Сегодня мы стоим на пике инноваций в области нейронных сетей, и их дальнейшее развитие остается захватывающим предметом исследований, обещающим улучшение и оптимизацию широкого спектра технологий и решений.

СПИСОК ЛИТЕРАТУРЫ:

1. Neural networks history' [Электронный ресурс] - URL: https://cs.stanford.edu/people/eroberts/courses/soco/projects/neural-networks/History/historyl .html/

2. History of Perceptron [Электронный ресурс] - URL: https://home.csulb.edu/~cwallis/artificialn/History.htm

3. Метод обратного распространения ошибки [Электронный ресурс] - URL: https://habr.com/ru/companies/otus/articles/483466/

Aksentov V.A.

4th year student of NArFU Northern (Arctic) Federal University (Russia, Arkhangelsk)

EVOLUTION OF THE DEVELOPMENT OF NEURAL NETWORKS: PAST, PRESENT, FUTURE

Abstract: the article provides an overview of the history of artificial neural networks, from their inception in 1943 to modern innovations. Key moments are examined, including the introduction of the backpropagation method, the emergence of convolutional and recurrent networks, and the role of generative models. Emphasis is placed on the versatile applications of neural networks across various fields and their promising future prospects.

Keywords: neural networks, development, history, research, training, study.