Формальная модель генома агента общего искусственного интеллекта на основе мультиагентных нейрокогнитивных архитектур Текст научной статьи по специальности «Компьютерные и информационные науки»

Известия Кабардино-Балкарского научного центра РАН № 5(115) 2023

СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ

УДК 004.89 Научная статья

В01: 10.35330/1991-6639-2023-5-115-11-24 ББ№ Б81БРи

Формальная модель генома агента общего искусственного интеллекта на основе мультиагентных нейрокогнитивных архитектур

М. И. Анчёков1, А. З. Апшев1, К. Ч. Бжихатлов1, С. А. Канкулов2, З. В. Нагоев1, О. В. Нагоева2, И. А. Пшенокова1, А. А. Хамов1, А. З. Энес2

1 Кабардино-Балкарский научный центр Российской академии наук 360010, Россия, г. Нальчик, ул. Балкарова, 2 2Институт информатики и проблем регионального управления -филиал Кабардино-Балкарского научного центра Российской академии наук 360000, Россия, г. Нальчик, ул. И. Арманд, 37-а

Аннотация. Актуальность исследования определяется необходимостью разработки и программной реализации агентов общего искусственного интеллекта, способных к самообучению на основе адаптации к условиям решения проблем универсального спектра на основе онтоэпифилосоциогенетического процесса обучения. Исследование направлено на разработку формализации агента общего искусственного интеллекта, пригодной для создания его имитационной модели. Построена формализация интеллектуального агента на основе двухуровневых мультиагентных нейрокогнитивных архитектур с использованием автоматного описания и мультиагентных функций. Разработано формальное описание геномов агентов-нейронов в составе мультиагентной нейрокогнитивной архитектуры и генотипа интеллектуального агента. Полученная формализция может быть использована при создании программного обеспечения систем общего искусственного интеллекта.

Ключевые слова: общий искусственный интеллект, мультиагентные системы, нейрокогнитив-ные архитектуры, абстрактные детерминированные автоматы, многопоколенная оптимизация, генетические алгоритмы, мультиагентные функции

Поступила 02.10.2023, одобрена после рецензирования 09.10.2023, принята к публикации 10.10.2023

Для цитирования. Анчёков М. И., Апшев А. З., Бжихатлов К. Ч. и др. Формальная модель генома агента общего искусственного интеллекта на основе мультиагентных нейрокогнитивных архитектур // Известия Кабардино-Балкарского научного центра РАН. 2023. № 5(115). С. 11-24. Б01: 10.35330/19916639-2023-5-115-11-24

MSC: 68T42 Original article

Formal genome model of a general artificial intelligence agent based on multi-agent neurocognitive architectures

M.I. Anchekov1, A.Z. Apshev1, K.Ch. Bzhikhatlov1, S.A. Kankulov2, Z.V. Nagoev1, O.V. Nagoeva2, I.A. Pshenokova1, A.A. Khamov1, A.Z. Enes2

Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences 360010, Russia, Nalchik, 2 Balkarov street 2Institute of Computer Science and Problems of Regional Management -branch of Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences 360000, Russia, Nalchik, 37-a I. Armand street

© Анчёков М. И., Апшев А. З., Бжихатлов К. Ч., Канкулов С. А., Нагоев З. В., Нагоева О. В., Пшенокова И. А., Хамов А. А., Энес А. З., 2023

Abstract. The relevance of the research is determined by the need to develop and programmatically implement artificial general intelligence agents capable of self-learning based on adaptation to the conditions of solving problems of the universal spectrum based on the ontoepiphilosociogenetic learning process. The research is aimed at developing a formalization of a general artificial intelligence agent suitable for creating its simulation model. A formalization of an intelligent agent is constructed based on two-level multi-agent neurocognitive architectures using an automatic description and multi-agent functions. A formal description of the genomes of neuron agents as part of a multi-agent neurocognitive architecture and the genotype of an intelligent agent has been developed. The resulting formalization can be used to create software for general artificial intelligence systems.

Keywords, general artificial intelligence, multi-agent systems, neurocognitive architectures, abstract deterministic automata, multi-generational optimization, genetic algorithms, multi-agent functions

Submitted 02.10.2023, approved after reviewing 09.10.2023, accepted for publication 10.10.2023

For citation. Anchekov M.I., Apshev A.Z., Bzhikhatlov K.Ch. et al. Formal genome model of a general artificial intelligence agent based on multi-agent neurocognitive architectures. News of the Kabardino-Balkarian Scientific Center ofRAS. 2023. No. 5(115). Pp. 11-24. DOI: 10.35330/1991-6639-2023-5-115-11-24

Введение

Необходимость моделирования генома агента общего искусственного интеллекта возникает в связи с его онтоэписоциофилогенетической природой [1-3]. Ее сущность состоит в том, что управляющая мультиагентная нейрокогнитивная архитектура такого интеллектуального агента формируется в течение всего времени его функционирования («жизни») под воздействием генетических, фенотипических, средовых и социальных факторов.

Сам процесс формирования такой когнитивной архитектуры заключается в ситуативно детерминированном динамическом изменении состава структурно-функциональных элементов самой этой архитектуры - так называемых агнейронов (агентов-нейронов) [4] - взаимодействующих друг с другом программных агентов искусственной жизни - и связей между ними.

Как показано в [5], такой процесс основан прежде всего на алгоритме так называемого он-тонейроморфогенеза, описывающем взаимодействие агнейронов между собой в целях максимизации своих целевых функций с использованием механизма обмена сообщениями, основанном на формировании причинно-следственных связей путем имитационного моделирования роста и деградации условных аксо-дендрональных связей между этими агнейронами.

Целевые функции агнейронов и интеллектуальных агентов ориентированы на максимизацию параметра энергии, представляющего собой описательную величину, характеризующую условную меру способности агента сохранять активность в течение определенного времени [4].

Имитируя этот процесс, алгоритм онтонейроморфогенеза обеспечивает генетическую, средовую и социальную составляющие роста и развития мультиагентной нейрокогнитив-ной архитектуры агента общего искусственного интеллекта, так как, с одной стороны, он использует так называемый генотип такого агента, состоящий из множества так называемых геномов агнейронов, для того, чтобы моделировать генезис состава агнейронов и связей между ними, т.е. реализует генетический процесс. Такой процесс может быть использован в алгоритмах многопоколенной оптимизации [ 6], специально разработанных для сложных интеллектуальных агентов.

С другой стороны, такой рост детерминирован эпигенетическими факторами, которые включают в себя как средовые условия, связанные с реализацией так называемого тела агента общего искусственного интеллекта (виртуальный программный агент, робот, аппаратно-программный комплекс), так и социальные условия, определяемые составом так называемого

социального окружения интеллектуального агента (другие интеллектуальные агенты, пользователи, роботы), которые взаимодействуют с ним с помощью подготовленных каналов коммуникации, как правило, с целью его полезного применения в составе группы [7].

В [1-3] разработаны основные принципы структурно-функциональной организации геномов интеллектуальных агентов и генотипов агнейронов, описан характер их взаимодействия в процессе онтоэписоциофилогенетического развития таких агентов.

В [7] показано, что сами агнейроны функционируют под управлением собственной внутренней управляющей когнитивной архитектуры, которая не является «нейрокогни-тивной» (так как находится внутри агнейрона), однако в целом рекурсивно повторяет структурный состав когнитивных узлов нейрокогнитивной архитектуры самого интеллектуального агента.

Применение такого рекурсивного подхода мотивировано сходством функций, реализуемых интеллектуальным агентом и агнейроном. Основная из этих функций - решение так называемых проблем на основе синтеза своего поведения. Под проблемой понимается необходимость изменения состояния системы «агент - среда», констатируемая (на обоих уровнях - интеллектуального агента и агнейрона) когнитивными узлами мультиагентной когнитивной архитектуры, ответственными за идентификацию состояний (функция состояний) и их разметку значениями целевых функций (функция разметки состояний) [3].

Решением проблемы является путь в динамическом дереве решений [8] из вершины, описывающей текущее состояние, в некоторую целевую вершину, которую интеллектуальная управляющая система агента (интеллектуального агента, агнейрона) также должна определить самостоятельно.

Таким образом, внутренняя мультиагентная когнитивная архитектура агнейрона, состоящая из акторов, и мультиагентная нейрокогнитивная архитектура интеллектуального агента, состоящая из таких агнейронов, в целом реализуют сходную функциональную задачу - максимизация собственной целевой функции на основе идентификации проблем и синтеза поведения, направленного на их решение.

Разница состоит в том, что агнейрон решает эту задачу в узкой области специализации, что и позволяет разместить его в функциональный узел мультиагентной нейрокогнитивной архитектуры в качестве специализированного агента. Интеллектуальный же агент общего искусственного интеллекта по определению применяет свою управляющую когнитивную архитектуру для синтеза своего поведения, направленного на идентификацию и решение универсального (для своей системы «агент - среда») спектра проблем. Такая способность, с нашей точки зрения, и является основным классифицирующим свойством систем общего искусственного интеллекта [3].

В данной работе предпринимается попытка выбора математического аппарата для формализации вышеописанных структур и процессов с целью их последующей алгоритмизации при реализации программной системы общего искусственного интеллекта, основанной на управляющей мультиагентной нейрокогнитивной архитектуре.

Актуальность данного исследования определяется необходимостью разработки и программной реализации агентов общего искусственного интеллекта, способных к самообучению на основе адаптации к условиям решения проблем универсального спектра на основе онтоэпифилосоциогенетического процесса обучения.

1. Интеллектуальный агент, агнейроны и акторы

Первое формальное описание агента общего искусственного интеллекта на основе муль-тиагентной когнитивной архитектуры было дано в [4]. Для построения такого описания были применены так называемые мультиагентные функции [9].

Подобно агнейронам в составе когнитивной архитектуры интеллектуального агента акторы в составе когнитивной архитектуры агнейрона располагаются на определенных уровнях, соответствующих когнитивным узлам инварианта мультиагентной нейрокогни-тивной архитектуры. Эти уровни для когнитивной архитектуры агнейрона мы называем акторкогнитонами.

Актор типа располагается в 1-м акторкогнитоне когнитивной архитектуры аг-нейрона 1кт_ , в свою очередь располагающегося на у'-м уровне (нейрокогнитоне) интеллектуального агента К7, который помещен во внешнюю по отношению к нему среду (окружающий мир) Ж. Индекс Л обозначает номер актора в акторкогнитоне Кщ , индекс к - но-

I

мер агнейрона в нейрокогнитоне р, индекс I - номер акторкогнитона, индекс /' - номер

нейрокогнитона, а индекс / - номер интеллектуального агента. Индекс 7 — 1 обозначает условный ранг агнейрона, характеризующий уровень вложенности интеллектуальных систем друг в друга. Интеллектуальный агент К, в которого вложен агнейрон 1кТ_ , как следует из обозначений, имеет ранг на единицу выше.

Агнейрон 1 ^ ) типа Т^ содержит в себе акторкогнитоны Кщ , которые также подраз-

I

деляются на типы Т1, но в отличие от нейрокогнитонов р. в их состав входят не агнейроны

Ж7-1) Щ1

1кт. , а акторы .

Опишем актор а1^ формально абстрактным детерминированным конечным автоматом:

аПТ1 = \АНТ1 ' ' УПТ1 ' °КГ1 ' АКГ1 ),

где = \ } - входной язык автомата, состоящий из высказываний вида:

((гучк1 Лк1 Лм1!к1 Л Лл,Чк1 Л ^

\иПТ1У1'лПТ1У1'п^ПТ1У1)' \иПТ1У2'лПТ1У2'п^ПТ1У2)' —'

( Ш1 Ш1 д. Ш1 \

\аПТ1уЧтзх' ХПТмтзх' аУПТмтзх)

Ь]к1 г

где а^т^ц - эталонные значения имен контрагентов, от которых ожидаются сообщения

11К1 / Л 11К.1 ГТ1

хптгуq, и/или порции энергии ^ Такое эталонное высказывание интерпретируется на

1 ик1 1]к1

содержательном уровне как информация о том, что актор яприслал актору на

Цк1 г 1]'к1 л Цк1

вход автомата а^ сообщение и порцию энергии ^

т-, цк1 тА]к1 ( Цк1) %

В вышеприведенном определении автомата а^ множество г^ = {у^ „} - это выходной язык автомата, состоящий из эталонных (используемых для формирования выходов) высказываний вида:

Упт

fijkl ijkl i\ijkl\ (пйк1 ,,Ч'к1 \м1)к1 Л 1 ijkl I (UhTiVl' yhTiVl'nvhTiSVlJ'(uhTiv2' yhTiv2'nvhTiSv2J' — '

iv

(ijkl ijkl .ijkl ) \ahTlvgmax' У hTivgmax' aVhTlSvgmax )

¿Ш 1]к1

где - эталонные значения имен контрагентов, которым автомат а^Т1 отправляет со-

общения у^т^д и/или порции энергии , а дтах - максимальное количество операций

отправки таких сообщений контрагентам. Такое эталонное высказывание интерпретируется

1 Ь]к1 Цк1

на содержательном уровне как информация о том, что актор а^ отправляет актору

г Ь]к1 , « Цк1

свое выходное сообщение у^т^д и/или порцию энергии

т^, Ь]к1 с*цк1 ( Цк1 )

В вышеприведенном определении актора а^т множество = \ - это множе-

ство состояний этого автомата вида:

(( цк1 \'\ ( Цк1 ( цк1 \'\

Цк1 _ / \^ПТ1Ь(1)тс'\ьКТ1Ъ(1)тс) ) '\ьКТ1Ъ(2)тс'\ьПТ1Ъ(2)тс) ) ' '

пт1Ьтс ( / / Цк1 \'\ » 1]к1тс Цк1

\5НТ1пьтс' \5ПТ1Ьпьтс) ) ' КГ^с-у' УНТ1тс

где ЙТс - переменные, характеризующие конкретные параметры актора а^Т1 на шаге

С Ик1 V . 1]к1хс

дискретного времени тс, - их текущие значения, а - количество энергии,

г Ь]к1

на которое изменяется общее количество энергии этого актора при его переходе в

Цк1

состояние йт из некоторого предыдущего состояния

1]'к1 Ь]к1 _ Ь}к1 . « 1]'к1тс

5ПТ1Мс-р: УКТ1тс = УПТ1тс-р + ЬУКГ1тс-р •

Работа автомата описывается его функцией переходов: и функцией выходов:

°КТ1 ■ Х АКТ1 ^

]к1_ у1]'к1 у1]'к1

АКТ1 ■ Х АКГ1 ^ УКТ1 ,

Ь)к1

реализованных с помощью продукционных правил (знаний) ^ вида:

Л]к1 _ ^^hTlVq =

I] к1 ^ 1}]<1 \

КТV = ^КТ^' ^ ГКТ^' ЧКТ^',

= >\=1 '■КТ^,

I ](Ь-1) ш

.ИстинаЛ V =. Истина. А 1кт_ ^

.Ложь.'^=.Ложь. , У^ = {уКтк^} .

Ф, з ^ * М

I ]'ке I ¡кег д 1]кег \ Ь]к1 1]ке г 1]'кег д ^ Л а2^д'тцк1Кд'ЬУцкШдз)'аКТ1 ^ агТ^д: (тцкШд' ЬУ1]к1Кдз)

1 =,( ика им )А,(ттш хт )А1(Аучк1К Аучк1 )уа

аиТа ^ аКТ1 т1]кйщ'П,У1]кйщ5)>

V

_(.Истина.'X = у ( 'У' = { .Ложь.'Х ф у

Здесь индексы I, й и е указывают на акторкогнитоны в составе агнейрона, - мно-

,1¡к1 I¡к1

жество предусловий для выполнения ядра продукции, ^ ^ ^т^ - ядро продукции, со-

% - , ,1 ¡к1 ~ I ¡к1 , I ¡кI

стоящее из антецедентной (условной) части и консеквентной части ^■|lтlvq -

I ¡к I г

антецедентная клауза, у^т^д - сообщение, определяющее один из выходов продукции,

IПдБ - количество энергии, которое актор должен затратить на выполнение вычис-

^ ¡к1

ления д-й клаузы консеквентной части продукции, „ - постусловие продукционного правила. Индекс V указывает на номер продукционного правила, индекс ц - на номер клаузы, цтах - на общее количество клауз в антецедентной части Ь^^ продукции , а индекс д - на номер клаузы, дтах - на общее количество клауз в консеквентной ее части . Индекс указывает на тип функции (операции), используемой в клаузах консеквентной части правила, - функция отправки сообщений.

тг , 1 }к1 л. г , Ч к1 I №

Правила 'Л7, формируют базу знаний актора .

л 1 - ^^

Акторы в составе акторкогнитонов агнейрона 1кТ_ могут взаимодействовать друг с другом, отправляя друг другу сообщения и порции энергии. Пусть актор аотправляет

uTd

iiiirni/ir -ÎOTTTTTTTOA/T атА roiJ"

hTl сообщение IIíijkdu.

I ¡к1 г I ¡к I к г>

актору сообщение т/;кйи. Запишем это как:

I ¡кй I I к1 I ¡к I к

СУ —» СУ 1 7У1

ииТа ^ икТ1 • "Ч]кйи г I ¡к1 I ] кй « I ¡кйи

Если в ответ актор отправляет актору Чта порцию энергии , соответ-

ственно, запишем:

I ¡к1 I ] кй Л I ¡кйи

Чп ^ аита • Щкш

т^ I ¡кй г

Если актор &ита выполняет массовую рассылку своего сообщения, отправляя его всем акторам типа Тг, находящимся в акторкогнитоне Кщ , обозначим это следующим образом:

I¡кй тг I ]к_ I ]к I*

аиТа ^ К1Т1 • Щ]кйи

Получив сообщение , акторы а1^ £ Кщ выполняют в своих базах знаний

поиск правила:

I]к1 , I 1 ¡к1 \ . ,/■ I ¡кI* I ¡кI \ у г

1Ч = 1(аита ' Чт^ Л КЩкйи' Чт^ = . Истина, где V - индекс, указывающий на правило, а ц - на клаузу в этом правиле. Те акторы, у

г г I ¡к I*

которых в базах знаний существует такое правило, в ответ на сообщение от актора

I ¡'кй ,

&итй выполняют расчет своих функций переходов и выходов, переход в новые состояния, формирование и отправку некоторым акторам своих выходных сообщений, а все другие акторы в акторкогнитоне Кщ на это сообщение никак не реагируют.

Рассмотрим выходные языки У^^ = [Уу'т^1р = 1>2> —>У™ах] акторов а1^кй как упоря-

I ]'кй

доченные по номеру правила V в базах знаний ' множества всех возможных выходов

и! а

I ¡кй ^ 1]кй - 1г1]к

УитаV. Определим множество всех выходных языков акторов Е К^т :

14,

уI ]кй _ у1]кй

Та = иТа

и=1

Аналогично рассмотрим выходные языки У^1 = = 1>2> ...>vmaх} акторов а^

I ]к1 1ПТ1

Ь)к1

как упорядоченные по номеру правила V в базах знаний множества всех возможных

выходов у^тр. В общем случае выходы акторов являются токенами - символами (символьными строками).

Определим множество всех выходных языков акторов а1^ Е Кщ :

=1 I

Т1 ^ ГгТ1

П=1

Зададим отображение У из множества У^кй в множество У^]к1:

У: У?кй ^ Та Т1

!/.,Чкй .,Чкй л,Икй } |г _ 1 гтах

^У1Тау1>У2Тау2.....Уит™тЛУ?т*Х} 1С= 1>С

1и>11>с> аиТа ^ аНТ1 : УиТау?>УиТс1у¥ Ф Л

иш Е{. ик I иы иы }, = л ^тах} ЧУ^С Е \\У1Т^ У2ТгУ2.....УптахТ^таХ }1°= 1>° }>

-1 I¡к1 -, . Ч^111 I¡кI -а ¡кI ( I ¡кI I ¡кй

Чат>3\Т^>К? =.Ис™на.>УпТ1^=Ат У^УиТ^У

-тах _ гштах „итах ....итах _ \уЧкй\ с = 11и=1 ус >ис = \УиТа I'

и г Чкй Г

где vСU - номер правила в базе знаний ' , выбираемый на шаге с, а условие

иТ а

I ]'кй I ]' к1 I ]'кй

аиТа ^ аПТ1 : УиТар?

к й кй к позволяет отбирать только те сообщения У^ ри, которые акторы Е отправили

I ¡к1

актору .

Такое отображение было впервые введено в [9] и получило название У-функция («айн-

функция»). Айн-функции - это семейство так называемых мультиагентных функций, дискретные области определения и области значений которых задаются множествами выходов некоторых агентов.

Для обозначения этого отображения, его аргументов и значений используется также запись У1^ = У^), или запись К^ = у(К^к^). В последнем случае в качестве

аргументов айн-функции указаны не выходные сообщения акторов, а акторкогнитоны, в которых эти акторы содержатся, что допустимо, исходя из вышеприведенного определения отображения, задаваемого айн-функцией.

Пусть акторы я^о, входящие в первый акторкогнитон К^ - так называемый актор-

и - А

когнитон распознавания - в составе агнейрона 1кТ_ , выполняют функцию распознавания сигналов, описывающих некоторые внешние по отношению к этому агнейрону объекты. Распознавание выполняется на основе обработки выходных сигналов т\^1и*идир сенсоров

аия'1 £ (индекс Т1 из используемой выше нотации актора раскрывается как Яг, указы-

I ¡к I ч

вающий на название типа актора), которые они генерируют при взаимодействии с

вышеперечисленными объектами и отправляют на последующую обработку акторам с^^о,

I ] к1 ¡г I ¡к

которые так же, как и сенсоры , относятся к акторкогнитону распознавания л^ :

У?" = <у№).

Тогда взаимодействие между акторкогнитонами и К^о можно описать выражением

и-Цк _ Кш°( К1Я° = (К1Яг).

К1ЯГ

Здесь для того чтобы уточнить, между какими именно акторкогнитонами строится отображение, при обозначении айн-функции указаны индексы ее области определения (нижний индекс) и области значений (верхний индекс).

Если в составе акторкогнитона К^ нет акторов ^^о, которые обрабатывают данные конкретные входные сообщения т^иридир, то агнейрон может столкнуться с трудностями

реализации своих системных целей, так как эти сообщения могут описывать состояние системы «агнейрон - среда», критичное для достижения этих целей, оказывающее на этот процесс существенное негативное или позитивное влияние.

Поэтому в разрабатываемой нами мультиагентной нейрокогнитивной архитектуре аг-нейрона предусмотрен механизм онтологизации таких прецедентов с помощью так называемых акторных фабрик Ф1]„0, представляющих собой акторов, выполняющих функ-

иИ

цию порождения акторов различных типов по требованию. В вышеописанной ситуации

I ¡к1 Г I ¡к1* I ¡к:

1ш(), получив на вход сообщения т^^и ир от акторов а^Кг I ¡к: 1шс

ijk

1 I >к1 г I ]'к1* I ¡к1

акторная фабрика Ф,1п0, получив на вход сообщения т^ирипир от акторов и не по-

I ¡к1 I ¡к Г

лучив ни от одного из акторов а о акторкогнитона л^ сообщения о том, что какой-

либо из них обрабатывает какие-либо из этих сообщений, порождает нового актора и вписывает в его базу знаний правила, с помощью которых он в дальнейшем будет обрабатывать сообщения тУ^^идир

ик1 Т м (((м ик1* ) у-ик^ик1* ик1 ^ К1]к: ик1* })

УиВ.о 1 ашО (\(аиЯг'т1}1иуидир )\ЧаШгЧт1}1иуидир'аШг ^ • тЩиуидир }).

В этой записи применен знак ' Т ' и в скобках при обозначении порождаемого актора I ] к1

аиг>0 указаны в качестве параметров все пары акторов и отправленных ими в акторкогнитон

кИ

К^х оставшихся необработанными сообщений (а1^1 'т^^идир) для того, чтобы указать

на тот факт, что акторная фабрика Ф^О, создавая нового актора, передает ему новую базу

ин

1]к1 I ]к1

знаний ' °, содержащую правила , необходимые для обработки таких сообщений:

¡]к1 1]к1 Чк1 ¡]к1* 1]к1 ц-цк 1]к1*

I ]1иуиа1

I ¡1иуиаъ

Чк1 1]к1 _ ¡]к1 1]к1 _ цк1* d т°у'апт№ - аинг'хптт - Щ]1ириаир

Опираясь на состав акторкогнитонов так называемого инварианта когнитивной архитектуры, задающего последовательность когнитивных узлов обработки информации, выполняемой интеллектуальным агентом для синтеза искомого пути в динамическом дереве решений, описанного в [4] (рис. 1), для описания последовательности сигналов, генерируемых ко-

4(^-1)

гнитивной архитектурой агнейрона 1кТ_ , можно использовать запись:

к- 1]к

I] _ „5Р

Укт< - УКчк

] К4А

{

1]к К4А у 1]к К3С

\

к- 1]к

К3 С У 1]к К2Е

1]к К2 Е

У 1]к КЩ°

К

]к

]к К11?

(К1£)

где К^ - так называемый эмоциональный акторкогнитон, функцией которого в инвари-

иЬ-1)

является разметка состояний значениями

анте когнитивной архитектуры агнейрона 1кт

целевой функции агнейрона и идентификация типа проблемной ситуации; К^ - целевой акторкогнитон, функцией которого является управление поиском целевой вершины в динамическом дереве принятия решений; КУ? - акторкогнитон действий, функция которого со-

„ I ]'к

стоит в поиске пути в этом дереве из текущей вершины в целевую; К5^ - акторкогнитон эффекторов агнейрона, функция которого состоит в формировании и передаче другим аг-

11

нейронам в составе интеллектуального агента л£ выходов укт..

Аналогично для инварианта нейрокогнитивной архитектуры интеллектуального агента

Х£ можно записать:

у^ - у?

] р4А

р4А

У 4А

р3С

Р3С

2 Е

(

\

р2Е

У 2Е ?1К°

Р1К° У I ршг

\\

))

где в качестве аргументов фигурируют соответственно нейрокогнитоны: р1кГ - сенсорный; $ ° - распознавания; р - эмоциональный, р - целевой; р - действия, выполняющие функции, аналогичные указанным выше при описании соответствующих актор-когнитонов.

В отношении агнейронов действует механизм порождения по требованию, аналогичный описанному выше для акторов.

Применение этого механизма на обоих уровнях вкупе с работой мультиагентных функций между акторкогнитонами и нейрокогнитонами обеспечивает онтологическое обучение интеллектуального агента общего искусственного интеллекта с учетом филогенетических и социальных факторов.

У

Рассмотрим, каким образом можно формализовать генотип такого интеллектуального агента с тем, чтобы он обеспечивал применение алгоритмов многопоколенной оптимизации над популяциями таких агентов с целью реализации генетической части их обучения.

2. Модель генома интеллектуального агента

Как было указано выше, при порождении актора акторная фабрика ф^о отправляет

ijkl ijkl этому актору (записывает в него) базу знании \пО, в которой содержатся правила uj>ov.

Аналогичный процесс имеет место при порождении акторов всех других типов. Следовательно, для того чтобы акторкогнитоны агнеирона 1кт_ могли порождать акторов различных типов по требованию, необходимо, во-первых, чтобы в состав генома агнейрона входила информация о том, какую базу данных необходимо загрузить в порождаемого актора данного типа.

Во-вторых, в этом геноме должна также содержаться информация о том, каким образом при загрузке программного интеллектуального агента общего искусственного интеллекта в оперативную память должны создаваться сами акторные фабрики, отвечающие за порождение акторов в различных когнитонах, а также о том, как именно они должны функционировать. Эту часть генома можно назвать структурной.

Так как акторная фабрика ф^о сама является актором, ее функционирование обеспечи-

i j k1

вается собственной базой знаний \ .

hp

При загрузке программы интеллектуального агента в оперативную память данные генома

г ( lJki\

должны интерпретироваться некоторым алгоритмом а^ I''ft ), который, используя правила базы знания ' ^ , порождает саму акторную фабрику ф^о, что условно можно записать:

„mi _ c(j

vuR° _а [hp ).

ой фабрики ф1^

рый алгоритм ac((pl^k1), обеспечивающий порождение акторов ф1^! и загрузку в них баз ki

знаний о , что условно можно записать:

'hk _ -ЧО

По нашему мнению, эти алгоритмы должны относиться к функциональной части области генома агнейрона, отвечающей за синтез акторов типа R0.

Такую область g^^ генома G^, агнейрона ) по аналогии с принятым в биологии структурным делением природных геномов будем называть гЕном:

¿k _ i(gijk1)P (gijk1)b (j*1)* } gR0x l(gR0x) '(gR0x) '(gR0x) }'

& _ 'hp' (g'pS _ (№)' _ (* W)' af(kki)).

Здесь (g- некодирующая часть гена, содержащая данные, необходимые для син-

/ i ik1\^

теза акторной фабрики, (g) - кодирующая часть (или открытая рамка считывания) гена, (g llk1) - часть регуляторных алгоритмов.

Кроме того, после создания акторной фабрики ф1}]3> в системе должен работать некото-

иИ

После того, как акторы м^о созданы, их базы знаний '^о начинают изменяться (как правило, расширяясь), так как в них с помощью алгоримов онтологического обучения добавляются новые правила.

, ( „* ч „ ЦкI

агнейрона 1кт_ (или геном нейрокогнитона р^ ) состоит из генов g¿lX,

I I к I гтг »-» »-»

дирующих акторы различных типов 1 в составе мультиагентной когнитивной архитектуры этого агнейрона:

— ( '}к1 I ¡к! I ]'к2 I ¡к3 I ]'к4 I ]'к5\ = ^А5 )'

Соответственно генотип С интеллектуального агента состоит из геномов нейро-

когнитонов р. :

]

С1 _ Сг^! гИ Г12 г13 г14 г15\ - ( ЬКогЬКг2,СЕ3,СС4,СА5,СРб)-

Необходимо добавить, что начальный набор геномов С>р ,х в составе генотипа С1 интеллектуального агента создает программист нейрокогнитивных архитектур - нейроинженер. Затем запускается программа, которая считывает генотип С1 и создает интеллектуального агента

, состоящего на начальном этапе из нейрокогнитонов, содержащих геномы С^,х.

Затем из этих геномов порождаются фабрики агнейронов (нейрофабрики) ф)Т.. На этом

генетическая часть начального развертывания интеллектуального агента в памяти завершается, и интеллектуальный агент переходит в режим онтологического обучения.

В [ 1, 10, 11] намечены контуры алгоритмической базы многопоколенной оптимизации, в ходе которой интеллектуальные агенты общего искусственного интеллекта на основе мультиагентных нейрокогнитивных архитектур могли бы стать субъектами генетических алгоритмов, добавив тем самым эффективности сложному онтоэпифилосоциогенетиче-скому процессу обучения.

Заключение

В результате исследования построена формализация интеллектуального агента общего искусственного интеллекта на основе двухуровневых мультиагентных нейрокогнитивных архитектур с использованием автоматного описания и мультиагентных функций.

Разработано формальное описание геномов агентов-нейронов в составе мультиагентной нейрокогнитивной архитектуры и генотипа интеллектуального агента.

Полученные формальные описания могут быть использованы при создании программного обеспечения систем общего искусственного интеллекта.

СПИСОК ЛИТЕРАТУРЫ

1. Анчёков М. И., Бжихатлов К. Ч., Нагоев З. В., Нагоева О. В., Пшенокова И. А. Онто-эписоциофилогенетическое развитие систем общего искусственного интеллекта на основе мультиагентных нейрокогнитивных архитектур // Известия Кабардино-Балкарского научного центра РАН. 2022. № 6(110). С. 61-75. Б01: 10.35330/1991-6639-2022-6-110-61-75.

2. Апшев А. З., Аталиков Б. А., Канкулов С. А., Малышев Д. А., Сундуков З. А., Энес А. З. Онтофилогенетические алгоримы синтеза фенотипов интеллектуальных программных

агентов для применения в задачах многопоколенной оптимизации управляющих нейро-когнитивных архитектур // Известия Кабардино-Балкарского научного центра РАН. 2022. № 6(110). С. 76-91. DOI: 10.35330/1991-6639-2022-6-110-76-91.

3. NagoevZ., Nagoeva O., AnchokovM. etal. The symbol grounding problem in the system of general artificial intelligence based on multi-agent neurocognitive architecture. Cognitive Systems Research. 2023. No. 79. Pp. 71-84.

4. Нагоев З. В. Интеллектика, или Мышление в живых и искусственных системах. Нальчик: Издательство КБНЦ РАН, 2013. 232 с.

5. Нагоев З. В. Онтонейроморфогенетическое моделирование // Известия Кабардино-Балкарского научного центра РАН. 2013. № 4(54). С. 46-56.

6. Holland J.H. Adaptation in natural and artificial systems. University of Michigan Press. Ann Arbor, 1975.

7. Нагоев З. В., Нагоева О. В. Обоснование символов и мультиагентные нейрокогнитивные модели семантики естественного языка. Нальчик: Издательство КБНЦ РАН, 2022. 150 с.

8. Stuart Russell, Peter Norvig. Artificial Intelligence: A Modern Approach (AIMA). 2nd ed. Moscow: Williams, 2007. 1424 p.

9. Нагоев З. В. Мультиагентные экзистенциальные отображения и функции // Известия Кабардино-Балкарского научного центра РАН. 2013. № 4(54). С. 63-71.

10. АнчёковМ. И., Бжихатлов К. Ч., Лешкенов А. М. Высокопроизводительные системы фенотипирования сельскохозяйственных культур // Известия Кабардино-Балкарского научного центра РАН. 2022. № 5(109). С. 19-24. DOI: 10.35330/1991-6639-2022-5-109-19-24

11. АнчёковМ. И., Боготова З. И., ПшеноковаИ. А. и др. Коллаборативная селекционная система на основе консорциума гетерогенных интеллектуальных агентов // Известия Кабардино-Балкарского научного центра РАН. 2022. № 5(109). С. 25-37. DOI: 10.35330/1991-6639-2022-5-109-25-37.

REFERENCES

1. Anchekov M.I., Bzhikhatlov K.Ch., Nagoev Z.V. et al. Onto-episociophilogenetic development of general artificial intelligence systems based on multi-agent neurocognitive architectures. News of Kabardino-Balkarian Scientific Center of RAS. 2022. No. 6(110). Pp. 61-75. DOI: 10.35330/1991-6639-2022-6-110-61-75. (In Russian)

2. Apshev A.Z., Atalikov B.A., Kankulov S.A. et al. Ontophylogenetic algorithms for the synthesis of phenotypes of intelligent software agents for use in multigenerational optimization problems control neuro-cognitive architectures. News of Kabardino-Balkarian Scientific Center of RAS. 2022. No. 6(110). Pp. 76-91. DOI: 10.35330/1991-6639-2022-6-110-76-91. (In Russian)

3. Nagoev Z., Nagoeva O., Anchekov M. et al. The symbol grounding problem in the system of general artificial intelligence based on multi-agent neurocognitive architecture. Cognitive Systems Research. 2023. No. 79. Pp. 71-84.

4. Nagoev Z.V. Intellektika, ili myshleniye v zhivykh i iskusstvennykh sistemakh [Intelligence, or thinking in living and artificial systems]. Nalchik: Izdatel'stvo KBNTS RAN, 2013. 232 p. (In Russian)

5. Nagoev Z.V. Ontoneuromorphogenetic modeling. News of Kabardino-Balkarian Scientific Center of RAS. 2013. No. 4(54). Pp. 46-56. (In Russian)

6. Holland J.H. Adaptation in natural and artificial systems. University of Michigan Press. Ann Arbor, 1975.

7. Nagoev Z.V., Nagoeva O.V. Obosnovaniye simvolov i mul'tiagentnyye neyrokognitivnyye modeli semantiki yestestvennogo yazyka [Justification of symbols and multi-agent

neurocognitive models of natural language semantics]. Nalchik: Izdatel'stvo KBNTS RAN, 2022. 150 p. (In Russian)

8. Stuart Russell, Peter Norvig. Artificial Intelligence: A Modern Approach (AIMA). 2nd ed. Moscow: Williams, 2007. 1424 p.

9. Nagoev Z. V. Multi-agent existential mappings and functions. News of Kabardino-Balkarian Scientific Center of RAS. 2013. No. 4(54). Pp. 63-71. (In Russian)

10. Anchekov M.I., Bzhikhatlov K.Ch., Leshkenov A.M. High-performance systems for phenotyping agricultural crops. News of Kabardino-Balkarian Scientific Center of RAS. 2022. No. 5(109). Pp. 19-24. DOI: 10.35330/1991-6639-2022-5-109-19-24. (In Russian)

11. Anchekov M.I., Bogotova Z.I., Pshenokova I.A. et al. Collaborative breeding system based on a consortium of heterogeneous intelligent agents. News of Kabardino-Balkarian Scientific Center of RAS. 2022. No. 5(109). Pp. 25-37. DOI: 10.35330/1991-6639-2022-5-109-25-37. (In Russian)

Информация об авторах

Анчёков Мурат Инусович, науч. сотр. лаборатории «Молекулярная селекция и биотехнология», Кабардино-Балкарский научный центр РАН;

360000, Россия, Нальчик, ул. Кирова, 224;

murat.antchok@gmail.com, ORCID: https://orcid.org/0000-0002-8977-797X

Апшев Артур Заурович, стажер-исследователь лаборатории «Нейрокогнитивные автономные интеллектуальные системы», Кабардино-Балкарский научный центр РАН;

360002, Россия, г. Нальчик, ул. Балкарова, 2;

apshev@mail.ru, ORCID: https://orcid.org/0000-0002-7628-0825

Бжихатлов Кантемир Чамалович, канд. физ.-мат. наук, зав. лабораторией «Нейрокогнитивные автономные интеллектуальные системы», Кабардино-Балкарский научный центр РАН;

360002, Россия, г. Нальчик, ул. Балкарова, 2;

haosit13@mail.ru, ORCID: https://orcid.org/0000-0003-0924-0193

Канкулов Султан Ахмедович, стажер-исследователь лаборатории «Интеллектуальные среды обитания», Институт информатики и проблем регионального управления - филиал Кабардино-Балкарского научного центра РАН;

360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;

skankulov@mail.ru, ORCID: https://orcid.org/0000-0002-2996-7376

Нагоев Залимхан Вячеславович, канд. техн. наук, генеральный директор Кабардино-Балкарского научного центра РАН;

360000, Россия, Нальчик, ул. И. Арманд, 37-а;

zaliman@mail.ru, ORCID: https://orcid.org/0000-0001-9549-1823

Нагоева Ольга Владимировна, науч. сотр. отдела «Мультиагентные системы», Институт информатики и проблем регионального управления - филиал Кабардино-Балкарского научного центра РАН;

360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;

nagoeva_o@mail.ru, ORCID: https://orcid.org/0000-0003-2341-7960

Пшенокова Инна Ауесовна, канд. физ.-мат. наук, вед. науч. сотр. лаборатории «Нейрокогнитивные автономные интеллектуальные системы», Кабардино-Балкарский научный центр РАН;

360002, Россия, Нальчик, ул. Балкарова, 2;

pshenokova_inna@mail.ru, ORCID: https://orcid.org/0000-0003-3394-7682

Хамов Анзор Азаматгериевич, мл. науч. сотр. лаборатории «Молекулярная селекция и биотехнология», Кабардино-Балкарский научный центр РАН;

360000, Россия, Нальчик, ул. Кирова, 224;

opitnoe2014@mail.ru, ORCID: https://orcid.org/0000-0003-3269-4572

Энес Ахмед Зюлфикар, стажер-исследователь лаборатории «Интеллектуальные среды обитания», Институт информатики и проблем регионального управления - филиал Кабардино-Балкарского научного центра РАН;

360000, Россия, г. Нальчик, ул. И. Арманд, 37-а; ahmedenes@mail.ru

Information about the authors

Anchekov Murat Inusovich, Researcher of the Laboratory "Molecular selection and biotechnology", Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences; 360000, Russia, Nalchik, 224 Kirov street;

murat.antchok@gmail.com, ORCID: https://orcid.org/0000-0002-8977-797X

Apshev Artur Zaurovich, Trainee researcher of the Laboratory "Neurocognitive Autonomous Intelligent Systems" of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences; 360002, Russia, Nalchik, 2 Balkarov street; apshev@mail.ru, ORCID: https://orcid.org/0000-0002-7628-0825

Bzhikhatlov Kantemir Chamalovich, Candidate of Physical-Mathematical Sciences, Head of the Laboratory "Neurocognitive Autonomous Intelligent Systems" of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences; 360002, Russia, Nalchik, 2 Balkarov street; haosit13@mail.ru, ORCID: https://orcid.org/0000-0003-0924-0193 Kankulov Sultan Akhmedovich, Trainee researcher of the Laboratory "Intellectual Habitats" of the Institute of Computer Science and Problems of Regional Management - branch of Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences; 360000, Russia, Nalchik, 37-a I. Armand street; skankulov@mail.ru, ORCID: https://orcid.org/0000-0002-2996-7376

Nagoev Zalimkhan Vyacheslavovich, Candidate of Technical Sciences, General Director of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences; 360000, Russia, Nalchik, 37-a I. Armand street; zaliman@mail.ru, ORCID: https://orcid.org/0000-0001-9549-1823 Nagoeva Olga Vladimirovna, Researcher of the Department "Multiagent Systems" of the Institute of Computer Science and Problems of Regional Management - branch of Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences;

360000, Russia, Nalchik, 37-a I. Armand street; nagoeva_o@mail.ru, ORCID: https://orcid.org/0000-0003-2341-7960

Pshenokova Inna Auesovna, Candidate of Physical and Mathematical Sciences, Leading Researcher of the Laboratory "Neurocognitive autonomous intelligent systems" of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences; 360002, Russia, Nalchik, 2 Balkarov street;

pshenokova_inna@mail.ru, ORCID: https://orcid.org/0000-0003-3394-7682

Khamov Anzor Azamatgerievich, Junior researcher of the Laboratory "Molecular selection and biotechnology" of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences; 360000, Russia, Nalchik, 224 Kirov street;

opitnoe2014@mail.ru, ORCID: https://orcid.org/0000-0003-3269-4572

Enes Akhmed Zyulfikar, Trainee researcher of the Laboratory "Intellectual Habitats" of the Institute of Computer Science and Problems of Regional Management - branch of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences 360000, Russia, Nalchik, 37-a I. Armand street ahmedenes@mail.ru