CC BY
80
ГОЛОГРАФИЧЕСКИЕ ТЕХНОЛОГИИ ДЛЯ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
В.Н. Васильев, А.В. Павлов
Дан обзор работ, выполненных в ГОИ им. С.И.Вавилова, по применению голографических информационных технологий в рамках фундаментальной проблемы искусственного интеллекта.
Введение
Наличие ряда глубоких аналогий между свойствами человеческого интеллекта и оптической голографии было отмечено еще на первых этапах развития голографии основателями этого направления Д. Габором и Ю.Н. Денисюком. Признание актуальности этих аналогий специалистами по искусственному интеллекту (ИИ) и когнитивным наукам нашло свое отражение в формировании «голографической парадигмы» в рамках этих научных направлений [1-4]. Следует отметить, что предпосылки для формирования голографической парадигмы в когнитивной психологии были заложены еще в 1906 г. Д. Гольдшейдером [4], сформулировавшим описание восприятия и памяти как резонансного взаимодействия между волновыми фронтами, которые создаются при поступлении сенсорных потоков в кортикальные области человеческого мозга. Позже, познакомившись с голографией, американский психолог Карл Прибрам выдвинул гипотезу о голографическом устройстве мозга, которая объединяет логическое и психическое начала интеллекта. Согласно голографической метафоре, актуально переживаемую психическую реальность можно рассматривать как стоячую волну, возникающую в результате функционирования организма как целостной системы, объединяющей сенсоры, процессоры и исполнительные органы.
К сожалению, в последнее время сам термин «голографический» в восприятии многих специалистов оказался сильно скомпрометирован тем валом публикаций о «голографическом мозге», «голографической Вселенной» и т.п., что недавно прокатился в околонаучных изданиях и Интернете.
Следует отметить, что, в отличие от многочисленных в последнее время рассуждений о «голографическом мозге», «голографической Вселенной» и т.п., основанных лишь на поверхностном знакомстве с внешними эффектами изобразительной голографии, сам Прибрам подчеркивал: «... должно, однако, учитываться предостережение о том, что речь идет о математике голографии и функции мозга, по которой она должна сравниваться и проверяться, а не об оптических голограммах или компьютерной реализации голографии» [4]. Между тем, с «физической» точки зрения голографическая память актуальна, в первую очередь, в силу наличия аналогий не на уровне внешних эффектов, а на уровне фундаментальных явлений, определяющих механизмы работы как голограммы, так и мозга. Исходя из принципа физической обоснованности математических моделей, актуального также и для мозга как материального носителя интеллекта, представляется, что эти две позиции не противоречат друг другу, но скорее взаимно дополняют.
На сегодняшний день в наибольшей степени теоретически и технически разработана голографическая реализация такого атрибута интеллекта, как ассоциативность мышления в форме автоассоциативной памяти (ААП), восстанавливающей эталон по его искаженной или дефектной версии [5]. Большинство голографических реализаций ААП основано на архитектуре оптической нейросети (ОНС) «4Г-схема фурье-голографии с обращением волнового фронта в корреляционной плоскости» [6]. Очевидно, что принцип ассоциативности мышления отнюдь не исчерпывается моделью
ААП и для задачи создания ИИ актуальна реализация более сложных видов ассоциативной обработки.
В данной статье мы остановимся на голографических реализациях двух феноменов - лингвистического моделирования и предсказания.
Логико-лингвистическое моделирование
Логико-лингвистическое моделирование (ЛМ) как направление в рамках ИИ отражает такую особенность человеческого мышления, как работа на лингвистических шкалах (ЛШ) [7], относящихся к классу порядковых шкал. ЛМ применяется преимущественно в ситуациях, когда необходимо передать системе ИИ (обучить) неформализуемые знания, накопленные человеком и выраженные им на естественном для человека языке. Задача обучения системы ИИ как задача формирования человеко-машинного интерфейса - градуировка метрической шкалы, используемой техническим устройством, во взаимно однозначном соответствии с лингвистической шкалой, интуитивно градуированной человеком.
Одно из направлений развития ЛМ, опирающееся на аппарат теории нечетких множеств, основано на предложенной Л. Заде концепции лингвистической переменной (ЛП) [8]. В рамках этого подхода смысл (значение) ЛП представляется нечетким подмножеством, как правило - нечетким числом (НЧ), определяемым как унимодальное, нормальное и выпуклое подмножество числовой оси. Смысл всего высказывания вычисляется по правилам арифметики НЧ [9]. Этот подход был успешно применен при решении ряда практических задач, например, для предсказания загрузки узлов телекоммуникационных сетей [10], управления в реальном времени работой сложных радиотехнических комплексов [11], медицинской диагностики [12] и ряда других.
Представление смысла ЛП нечетким подмножеством предъявляет повышенные требования к вычислительной мощности процессора, что имеет следствием использование по преимуществу «удобных» с точки зрения вычислительной процедуры моделей, например, треугольных НЧ и, как результат, ограничение гибкости и применимости реализуемой модели. Более того, рассматривая задачу реализации ЛМ не изолированно, а в рамках комплексной проблемы выбора парадигмы создания ИИ, должно иметь в виду необходимость реализации в системе ИИ таких атрибутов человеческого интеллекта, как
• обучаемость;
• образность мышления;
• ассоциативность мышления.
Перечисленные атрибуты, вкупе с работой на ЛШ, относятся в первую очередь к «правополушарным информационным процессам», реализация которых вызывает наибольшие трудности в рамках классического (компьютерного) подхода к проблеме ИИ в силу принципиальной невербализуемости и неалгоритмизуемости таких процессов [2]. В частности, многие исследователи обращают внимание на наличие сильнейшего внутреннего противоречия, скрытого в понятии «моделирование образов». Между тем, общепризнанно, что именно правополушарные информационные процессы в значительной степени определяют интеллектуальные способности индивида.
Поэтому был разработан «биологически мотивированный» метод реализации ЛМ в 4^схеме Фурье-голографии (рис.1), заключающийся в обработке не НЧ, но паттернов внутренней репрезентации, связанных с НЧ через модуль Фурье-спектра [13, 14].
В качестве паттерна, представляющего совокупность значений набора входных ЛП на соответствующих шкалах (внутренняя репрезентация воспринимаемой информации), используется реализация двумерного фрактального броуновского движения.
Удельный вес каждой ЛП в общем массиве воспринимаемой информации определяет относительный размер фрагмента паттерна, модулируемого этой ЛП;
Нечеткие числа (НЧ), представляющие текущие значения каждой ЛП на соответствующей ЛШ, связаны с характеристиками соответствующего фрагмента паттерна следующим образом:
Яе(^(Ш) = Яе(ВД)), где ¡шг - фрагмент паттерна, используемый для репрезентации /-ой ЛП, N - НЧ, описывающее значение /-ой ЛП на /-ой ЛШ
Рис.1. 4-f схема Фурье-голографии. I - освещающий плоский волновой фронт, реализующий универсум, ImA и ImB - изображения в сигнальном и опорном пучках, соответственно, L1 и 1_2 - Фурье-преобразующие линзы с фокусными расстояниями f, M - голо-графический согласованный фильтр, +1 и -1 - порядки дифракции.
Этот подход был применен для экспериментальной реализации правила логического вывода типа «Обобщенный Modus Ponens», связывающего несколько входных ЛП и одну выходную ЛП. Была показана возможность реализации принципа субъективности мышления и селективной настройки чувствительности на различные участки ЛШ.
Задача предсказания
Другой атрибут интеллекта, неразрывно связанный с ассоциативностью мышления - способность к предвидению дальнейшего развития событий. Важность этого атрибута сложно переоценить, поскольку именно от развитости способности предвидения в значительной мере зависит как выживаемость индивида, так и его успешность в достижении жизненных целей. Эта задача имеет также и сугубо прикладной аспект, например, при эксплуатации телекоммуникационных и инженерных сетей.
В работах [15-20] показано, что «4Г-схема фурье-голографии с обращением волнового фронта в корреляционной плоскости» реализует модель множественной линейной регрессии, сохраняя такие атрибуты нейросетей, как обучаемость, ассоциативность отклика и отсутствие формализованного описания обрабатываемой информации. Схема
строит наилучшую в смысле среднего квадрата ошибки линейную оценку при использовании на этапе обратного прохождения света голограммы с инверсной передаточной характеристикой. В случае, если обрабатываемое изображение может трактоваться как реализация стационарного в широком смысле случайного поля, то схема строит корректное предсказание для данной реализации. Если обрабатываемое изображение не удовлетворяет критерию стационарности, а большая часть реальной информации свойством стационарности не обладает, то возникает еще одна аналогия с биологическими прототипами ИИ, которые также в большинстве случаев строят внутреннюю модель окружающего мира исходя из примата устойчивости модели по отношению к адекватности [2]. На рис.2. приведена экспериментальная реализация на примере аэрофотоизображения лесного массива - Черная кривая - предсказание, белая кривая - фотометрический профиль реального изображения.
О 7ЕЮ 800 900 1 ООО 1 100 1 200
Рис.2. Экспериментальное предсказание для аэрофотоизображения леса.
В свете современных тенденций развития оптических информационных систем необходимо отметить существенное требование к физической реализации модели - фурье-голограмма должна быть тонкой по критерию угловой инвариантности. Это требование вступает в противоречие со стремлением к увеличению объема памяти и энергетической эффективности устройства ИИ, поскольку как максимальный объем памяти, так и максимальная дифракционная эффективность достигаются при использовании объемных голограмм, принципиально не обладающих свойством угловой инвариантности.
Работа выполнена при поддержке РФФИ, грант 03-01-00825а и Программы грантов МинОбразования России в области естественных и технических наук, грант Е02-2.0-61
Литература
1. Кольер Р., Беркхарт Л., Лин Л. Оптическая голография. М.: Мир, 1973. 686с.
2. Кузнецов О.П. Неклассические парадигмы в искусственном интеллекте // Известия АН. Сер. Теория и системы управления. 1995. №5. С.3—23.
3. Судаков К.В. Голографический принцип системной организации процессов жизнедеятельности. // Успехи физиологических наук. 1997. 28. С.3-32.
4. Прибрам К. Нелокальность и локализация: голографическая гипотеза о функционировании мозга в процессе восприятия и памяти / В сб. Синергетика и психология. Вып.1. Методологические вопросы. Изд-во МГСУ "Союз", 1997.
5. Owechko Y. Nonlinear holographic associative memories. // IEEE Journal of Quantum Electronics. 1989. V.25. №3. Р.619-634.
6. D.C.Wunsh II et.al. Photorefractive adaptive resonance neural network // Applied Optics. 1993. V.32. №8. Р.1399-1407.
7. Белов С.В. Шкалы в системах мягких измерений // Труды П Межд. конф. по мягким вычислениям и измерениям. СПб, 25-28 мая 1999. Т.1.. С.81-84.
8. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений // Математика. Новое в зарубежной науке. Вып.3. 1976.
9. D. Dubois, H. Prade, Fuzzy numbers: an overview. / Ed. by J.C. Bezdek, Analysis of Fuzzy Information, Boca Raton, FL, 1987. V.1. Р.3-39.
10. W. Pedricz, A. Vasilakos, Linguistic Models and Linguistic Modeling. // IEEE Trans. оп Systems, Man, and Cybernetics. Part B. 1999. V.29. 6. Р.745-759.
11. Мальцев Г.Н., Ветринский Ю.А. Логико-лингвистическое описание функционирования сложных радиотехнических систем с элементами искусственного интеллекта в управляющих вычислительных комплексах // Изв. вузов. Приборостроение. 1999. Т.42. В.3-4. С.3-7.
12. Кокушкин Ю.А., Усов В.М., Богомолов А.В., Автоматизированное оценивание риска нарушений состояния здоровья человека с помощью компьютерных вопросников на основе нечеткой логики // Информационные технологии. 2002. №10. С. 44-49..
13. Павлов А.В. Реализация логико-лингвистических моделей методом Фурье-голографии // Изв. Академии Наук. Теория и системы управления. 2003. 2. С.118-125.
14. Павлов А.В., Шевченко Я.Ю.Реализация логического вывода на лингвистических шкалах методом Фурье-голографии. // Оптический журнал. 2004. Т.71. №7. С.44-51.
15. Павлов А. В. Реализация модели линейного предсказателя методом Фурье-голографии. // Оптический журнал. 2005. Т.72. №2. С.43-47.
16. Павлов А.В. Реализация регрессионных моделей методом Фурье-голографии, Девятая национальная конференция по искусственному интеллекту с международным участием, 28 сентября - 2 октября 2004, Тверь, Труды конференции. М.: Физмат-лит, 2004. С.1164-1172.
17. Alexander V. Pavlov, Holographic Technique for Linguistic Modeling, Proceedings of 9th International Conference on Speech and Computer SPECOM'04, 20-22 Sept. 2004, St.Petersburg, pp.645-649.
18. Павлов А.В. Голографический предсказатель случайных процессов / Международные научно-технические конференции IEEE AIS'04 CAD-2004, 3-10 сентября, Див-номорское, Россия. Труды. Т.1. М.: Физматлит, 2004. С. 542-548.
19. Павлов А.В. О применимости модели линейной регрессии к описанию Фурье-голографии // Оптика и спектроскопия. 2005. Т.98. №5.
20. Павлов А. В. Реализация регрессионных моделей обработки информации методом фурье-голографии // Изв. АН. Сер. Теория и сист. управления. 2005. №2. С.26-33.
