CC BY
89
Step Response
„"0,5
-1,5
0 2 4 6 8 10 12 14 16 18 ис
Рис. 2. Графики переходных процессов при ступенчатом воздействии
тверждает возможность использования предлагаемой методики для проектирования регуляторов по выходу. При этом параметры синтезируемых регуляторов близки оптимальным значениям.
Это позволяет рекомендовать к использованию данную процедуру для выбора настроек типовых (промышленных) регуляторов и в других случаях синтеза систем управления заданной структуры.
СПИСОК ЛИТЕРАТУРЫ
1. Козлов, В.Н. Теория автоматического управления: Учеб. пособие [Текст] / В.Н. Козлов, В.Е. Куприянов, В.Н. Шашихин; Под ред. В.Н. Козлова // Управление энергетическими системами. Ч. 1. -СПб.: Изд-во Политехн. ун-та, 2006. -316 с.
2. Поляк, Б.Т. Робастная устойчивость и управление [Текст] / Б.Т. Поляк, П.С. Щербаков. -М.: Наука, 2002. -303 с.
3. Васильев, А.Ю. Редукция многомерных систем на основе распределения весов входных и выходных сигналов [Текст] / А.Ю. Васильев // Научно-технические ведомости СПбГПУ -2011. -№ 2 (120) -С. 118-123.
4. Козлов, В.Н. Управление энергетическими системами. Электромеханические процессы [Текст] / В.Н. Козлов; под. ред. Ю.С. Васильева. -СПб.: Изд-во СПбГТУ, 2000. -256 с.
5. Козлов, В.Н. Вычислительные методы синтеза систем автоматического управления [Текст] / В.Н. Козлов, В.Е. Куприянов, В.С. Заборовский. -Л.: Изд-во ЛГУ, 1989. -224 с.
6. Dahleh, M. Lectures on dynamic systems and control [Текст] / M. Dahleh, M.A. Dahleh, G. Verghese. - Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology, 2003. -382 с.
УДК 004.8, 004.8.032.26
Е.Н. Бендерская
перспективные концепции разработки интеллектуальных систем
С самого момента зарождения научного направления «искусственный интеллект» (ИИ) оно уже было одним из направлений, образовавшихся на пересечении многих наук и объединивших в себе сразу множество различных научных дисциплин [1]. Наверное, можно считать, что именно с началом формирования и становления теории
«искусственного интеллекта» началось движение в сторону взаимного проникновения и интеграции наук, в некотором смысле обратного по отношению к тому, что наблюдалось ранее только в виде дифференциации отдельных наук, их от-почковывания от «философии» и т. д.
Термин «ИИ» в последнее время в русско-
язычной литературе стараются несколько избегать, заменяя его терминами «искусственный разум», «когнитивные системы» и прочими синонимами, несущими лишь частичное уточнение о разрабатываемых подходах. Связано это с тем, что в свое время на этапе становления данной научной области были сделаны слишком оптимистические заявления относительно возможности и времени создания машин с ИИ. Определенное разочарование в научном направлении ИИ, не оправдавшем возлагавшиеся на него надежды, до сих пор дает о себе знать в виде определенного скептицизма, хотя многие результаты и накопленный задел уже позволяют пусть осторожно, но все более уверенно говорить о приближении эры умных машин. Здесь используется понятие «ИИ» не только как исторически сложившееся, но и как наиболее общее, с нашей точки зрения, и отражающее суть поисков.
В настоящей статье проводится анализ тенденций развития современных подходов и методов ИИ и изменения роли и уровня мультидисципли-нарности, требуемой для качественного скачка в области ИИ. Основное внимание уделено в большей степени выявлению причин, по которым пока еще, несмотря на многочисленные успехи в решении отдельных задач, комплексная задача разработки ИИ, хотя бы в первом приближении сравнимого с человеческим, не решена [1—5]. При этом философский аспект возможности или невозможности решения этой задачи здесь не рассматривается. Исходим из предположения, что это возможно; основной вопрос - каким образом.
Также в данной работе не ставится задача подробного рассмотрения всех имеющихся моделей и методов ИИ, что потребовало бы написания нескольких томов [1, 6], как и детального описания недостатков и достоинств отдельных методов. Цель - анализ направлений ИИ как концепций и определение путей их развития.
Необходимость прибегать к научным заделам других наук в области ИИ связана с тем, что с одной стороны требовалось хотя бы в первом приближении охарактеризовать, что такое интеллект естественный, его признаки, круг задач и затем уже привлекать теорию синтеза технических систем, включая формальную логику и функциональный анализ, и другие теории. Для определения естественного интеллекта пришлось обращаться к знаниям, накопленным в смежных научных областях, - психологии, нейропсихоло-
гии и других, заимствовать в какой-то мере термины и определения, осуществляя модификации для удовлетворения потребностей разрабатываемой теории. Об этой стороне сложности разработки теории ИИ написано немало, вспомнить об этом необходимо для лучшего понимания дальнейшего хода развития теории и определения ее перспектив.
При этом необходимо отметить, что по мере развития отдельных научных дисциплин и углубления знаний об объектах исследования тенденции в виде специализации по предметам исследования остались, ввиду значительного усложнения теорий и их методов, что также усложняет задачу разработки единой теории.
Сформировавшиеся первоначально и развивавшиеся независимо друг от друга, основные два подхода к разработке и созданию ИИ - символьный (ассоциируется с экспертными системами (ЭС), базами знаний, вероятностной логикой) и коннекционистский (ассоциируется с нейронными сетями (НС), моделями малых миров и другими сетевыми моделями) в настоящее время уже не конкурируют, а дополняют друг друга, в т. ч. и через множество нейро-нечетких методов, в которых сочетается и обучение, и задание явных знаний в виде некоторого набора правил [1, 5, 7].
Однако несмотря на это взаимное обогащение в целом теория ИИ все еще достаточно далека от той амбициозной цели, которая была поставлена и казалась достаточно легко достижимой в скором времени - создания действительно интеллектуальных систем, способных развиваться, самостоятельно ставить задачи и решать их, находить новые, явно не заложенные в систему решения, т. е. воспринимать информацию, думать, действовать как человек (можно говорить и о просто некотором живом существе, но такое определение менее универсально, т. к. в этом случае пришлось бы говорить о том, какие функции живого существа воспроизводятся) [2, 3, 5, 8].
Наука о мозге и ИИ
В связи с большими успехами в области генной инженерии, накоплением большого объема экспериментальных данных о внешних проявлениях работы мозга, появившихся с развитием технологии неинвазивного наблюдения за функционированием мозга, а также с развитием вычислительной техники, позволяющей обрабатывать огромные объемы данных, о чем раньше и
мечтать не приходилось, удалось узнать достаточно много о различных сторонах работы мозга и с такой степенью детализации, что стало возможным описание на уровне математических моделей процессов записи и извлечения информации из отдельных клеток мозга с оценкой концентрации соответствующих химических соединений и уровня вызванных потенциалов.
Конечно, для некоторых задач необходимо знание процессов, протекающих на достаточно низком уровне, но это не всегда позволяет выйти на более высокий уровень и увидеть всю систему в целом для задач комплексных. Возможно, что развитие вычислительной техники наряду с явно положительными аспектами привнесло и не совсем желательную составляющую - появилась возможность экстенсивного перебора вариантов в поисках похожего на правильное решений, но в итоге больше времени уделяется накоплению данных и поиску решения за счет подбора, что можно сделать и не обладая особой интеллектуальностью. В результате акцент исследований все больше смещается в сторону эксперимента. Теоретическое обобщение и интерпретация со всеми необходимыми согласованиями с теориями других уровней отступают на второй план.
Можно говорить о разрозненности и фрагментарности имеющихся знаний. Задача интегрирования их в единую теорию ставится во многих научных работах, о ее необходимости также написано достаточно много.
Что же может выступить в качестве обобщающего разные уровни знания о такой сложной системе, как мозг? Один из возможных ответов -синергетика, наука о самоорганизации систем [9]. Причем привлечение синергетики для развития теории ИИ является вполне естественным, если учесть, что мозг - динамическая система.
Приходится предположить, что без знаний из области физики, биофизики, химии, биохимии разработать полноценную теорию ИИ невозможно. И, наверное, не зря многие из известных ученых в области нейроинформатики являются профессиональными физиками. Существует новая концепция развития кибернетики - кибернетическая физика, предложенная Фрадковым, т. к. многие кибернетические системы могут быть исследованы только с использованием моделей, изучаемых в физике, и на основе эксперимента -экспериментальной физики [10]. С другой стороны, многие физические эксперименты в настоя-
щее время немыслимы без использования всей мощности вычислительной техники.
Бурное развитие вычислительной техники, наращивание мощности процессорных устройств вряд ли поможет в реализации ИИ, т. к. частоты работы мозга несоизмеримо меньше частот вычислительных процессоров, и ориентирован мозг в большей степени на решение не арифметических, не вычислительных задач, о чем упоминалось не раз в разных работах. Мозг скорее работает с неточными, недоопределенными, неявными образами и «решает» примерно. Во всяком случае, до момента осознания, когда подключается осмысление. То, что решение приходит раньше, чем мы его осознали, озвучили и выполнили, нейрофизиологи выявили уже давно.
До какой степени следует пытаться воспроизвести биологические процессы и до какого уровня абстракции символов можно отойти от биологического прототипа?
Существуют достаточно успешные изолированные узкоспециализированные методы и модели ИИ, позволяющие решать отдельные задачи, но использовать их в качестве основы для общей теории не удается.
Таким образом, получается достаточно большое разнообразие моделей и методов, большой объем разрозненных знаний, во многих аспектах глубоких и обширных, а целостной картины нет. Это, как в известной и часто приводимый в качестве примера басне про слона, где несколько слепых людей ощупывает в отдельности и описывает свою часть слона - есть хобот, есть хвост, есть ноги, а общего видения слона нет.
Понятно, что идея просто взять и проинтегрировать, собрать все известные данные о работе мозга и существующие модели ИИ не даст положительного эффекта. Тогда возникает вопрос, уже не частный, какая модель лучше для какой задачи - здесь как раз обобщений для разного класса задач множество, а вопрос о том, какое направление в ИИ наиболее перспективно в плане создания единой сложной системы ИИ.
Проблемы основных подходов ИИ
Основная проблема, стоящая перед разработчиками ИИ символьного направления - невозможность формального представления всех возможных ситуаций, с которыми может столкнуться система в процессе функционирования. Если ввести некоторые ограничения, то удается
успешно решать задачи определенного класса, представленные именно введенными ограничениями, универсальность оказывается недостижима. Система будет «умна» настолько, насколько полно при ее создании учтены все возможные варианты исходных данных. Во многих приложениях это и не требуется, но при создании ИИ как раз ставится задача получения новых знаний внутри самой системы. При этом часто речь идет не столько об умении логически доказать какую-либо теорему на основе уже доказанной теоремы, сколько о возможности дополнить неполное, а иногда противоречивое описание исходных данных и вариантов принимаемых решений. В этом случае мы сталкиваемся с тем, что должны дать системе достаточно степеней свободы и в принципе, в сложной незнакомой ситуации мы заранее не сможем предсказать действия системы, можем лишь наложить некоторые ограничения, типа предложенных в известном романе А. Азимова «Я - робот» (нельзя принять решение, которое может причинить вред человеку). Это как и с человеком, поведение которого предсказуемо лишь до определенной степени, и, говоря об интеллекте и нестандартном мышлении (до известного предела), которое так ценится и рассматривается как креативность, имеется ввиду умение генерировать новые, нестандартные (нешаблонные) решения, что особенно важно для операций в сложной, неизвестной обстановке.
С таким же ограничением по представлению всех возможных вариантов исходных данных и ситуаций столкнулись и разработчики коннек-ционистского направления. Хотя НС и оперируют с невидимыми образами, обучаясь, умеют обобщать и в принципе дополнять недостающие пробелы, тем не менее в целом по большей части статические НС прямого распространения не более чем универсальные аппроксиматоры [11]. Отдельное направление НС с самоорганизующимися картами Кохонена (СОК) также обладает множеством ограничений, несмотря на удобство визуального представления результатов обобщения и выявления неявных знаний в виде кластеров [11, 12]. Ограничения, на преодоление которых направлено множество модификаций СОК, связаны как с необходимостью постобработки при работе с заранее неизвестным числом кластеров, ввиду того, что основой СОК является к-средних, так и с тем, что не любые данные целесообразно представлять в виде типичных представителей -
центров кластеров, на основе которых работает СОК.
Особые надежды связаны с динамическими НС (НС с обратными связями или рекуррентные НС). НС этого класса помимо того, что реагируют на входные сигналы, поступающие в текущий момент времени, обладают памятью о прошлых входных воздействиях так же, как и биологические НС, и обработка входных сигналов осуществляется с некоторой задержкой на циркуляцию сигналов по сети за счет обратных связей. Один из типичных представителей динамических НС - НС Хопфилда, выполняющая функции ассоциативной памяти. Функционирование этой сети хорошо согласуется с последними данными нейрофизиологов о том, что память и распознавание неразрывны между собой - это взаимосогласованные процессы. Однако в силу особенностей структуры этой сети, у нее также довольно много ограничений на применение. Разработанное множество модификаций, развивающих данную структуру, направлены на их устранение, но решить весь комплекс вопросов в пределах одной структуры не удается. Специальные структуры динамических нейронных сетей - НС Элмана и Джордана решают сложные задачи определенного класса, но универсальностью не обладают [11].
Дальнейшее развитие динамических нейронных сетей - НС Хакена, значительно расширенный вариант сети Хопфлда, а вернее - НС Хоп-филда - усеченный частный вариант сети Хакена. В этой сети хорошо согласуются процессы самоорганизации и распознавания за счет особых параметров - параметров внимания и параметров порядка. О них чуть подробнее будет написано ниже. Несмотря на то, что функционирование НС Хакена может быть описано и на макро- и на микроуровне, тем не менее в силу аттракторного подхода (имеется в виду простой аттрактор в виде точки или предельного цикла), эта модель также ограничена.
Отдельного внимания заслуживают НС в классе так называемых «резервуарных» НС [13]. Началось все с исследования НС со случайной структурой, эти НС интересны тем, что обладают сложной динамикой, использовать которую и предлагается для решения сложных задач.
Более детальное рассмотрение этих моделей будет выполнено в следующем разделе, а здесь для полноты общей картины необходимо отметить еще два направления, в какой-то степени
дополняющие, а в чем-то стоящие несколько отдельно, но связанные с первыми двумя направлениями.
Функциональный и мультиагентный подходы образуют еще одно направление, которое скорее можно отнести к развитию символьного направления, ввиду того, что в этих подходах выделяются отдельные модули, которые снабжаются функциями по усмотрению разработчика, и в этом (обозримость и явное описание набора правил, функций, исходящих из логики нашего представления о том, КАК должен работать и развиваться агент или подсистема) состоит и сила (удобство для нашего анализа), и слабость (ничего нового не может быть сгенерировано) этого подхода. Опять же, несмотря на то, что в таких системах возможны эффекты самоорганизации, они, как правило, ограничены заданными в явном виде правилами и условиями и в большей степени относятся к разработке системы снизу-вверх.
Мультиагентный подход находится на стыке с методами так называемого «распределенного интеллекта». При этом под интеллектуальным агентом уже подразумевается не формально описанная система правил функционирования и взаимодействия отдельного достаточно сложного агента (что ближе к символьному подходу), а агент относительно простой - клетка, нейрон или особь (пчела, муравей), но обладающий большими степенями свободы, т. к. задание функционирования осуществляется на уровне системы, а к каким видам кооперативных эффектов это приведет, зависит от модели системы в целом. В этом случае существует неопределенность в том, какие действия и как будут выполнены при решении глобальной задачи (коррелирует с разработками сверху-вниз), больше напоминает коннекци-онисткий подход.
Биологические аспекты ИИ и биоинспирированные методы
Несмотря на то что сама идея создания ИИ является уже биоинспирированной, при ее реализации может быть разная степень приближения к биологическому прототипу.
В последнее время все больше внимания уделяется биоинспирированным нейронным сетям на биоподобных нейронах, хотя и классические НС тоже биоинспирированные, но на формальном нейроне. В силу того, что ставшие классическими структуры нейронных сетей на формаль-
ных нейронах исчерпали себя в том смысле, что качественного скачка в этих подходах уже не получить, их место среди прочих подходов к решению определенного класса задач уже определено, ясны пределы по достижимому качеству и условия получения решения тоже известны.
Скорее всего, попытки детального воспроизведения процессов, происходящих в отдельных нейронах, без достаточно четкого понимания того, какие принципы взаимодействия и развития заложены в биологических нейронах, и попытки построения искусственных НС на биологически подобных нейронах не будут давать значительного продвижения в получении желаемого результата - ИИ. Воспроизведение во всех деталях химико-физических процессов, протекающих в нервных клетках, представляет интерес скорее для биологических приложений и менее - для ИИ. Даже при условии реализации на подходящей аппаратной базе органического происхождения или прямо с использованием биологической ткани конструирование системы из отдельных биологически подобных элементов пока не позволяет говорить о приближении создания ИИ.
Конечно, отдельные результаты уже получены и дополняют в каком-то смысле наши представления о возможных вариантах работы нервной системы биологических существ, однако, видится, что простое воспроизведение характеристик нейронных ансамблей для частных режимов работы также не позволит получить обобщение для всей системы в целом. Во многих работах прямо указывается, что часть характеристик определенными ухищрениями удалось получить, но при этом другие, уже отлаженные участки, перестали соответствовать желаемым характеристикам. Конструирование общего снизу-вверх, причем с очень низкого уровня, и простое соединение частей не даст целого - системы с новыми свойствами. Для того чтобы синергизм произошел, нужно, чтобы изначально были заложены принципы самоорганизации.
Распределенные вычисления и неустойчивая динамика
Новые структуры на основе случайных НС предложили независимо друг от друга Маас и Джагер [13]. Идея в целом одна и та же - наличие случайной НС и отдельной структуры, которая за этой НС наблюдает. Основное различие в предложенных подходах - НС Мааса реализована на
биологически подобных нейронах (импульсных), а НС Джагера - на формальных сигмоидальных нейронах. Эти две модели дали начало новому направлению «резервуарных» НС.
«Резервуарными» НС названы потому, что в этих моделях выделяется некоторое множество нейронов (резервуар), и они соединяются между собой случайным образом (как правило, задается степень связности или иной параметр, через который определяется полнота связей НС). И это множество нейронов и связей неизменно (не обучается) - обучение проходят связи с некоторым наблюдателем, призванным фиксировать значения на выходах выделенного множества нейронов. На некоторые из нейронов заданного множества подаются входные сигналы, изменяющие динамику работы всего множества за счет множества межнейронных связей, слои внутри множества, как правило, не выделяются, т. е. это случайная рекуррентная сеть.
Представляется, что этот подход заслуживает особого внимания, т. к. идея о том, что сложность структуры НС должна быть адекватна сложности решаемой ею задачи, в этом случае реализуется. Эволюцию подхода к созданию памяти можно представить следующим образом. Вначале множество хранимых (подлежащих распознаванию) образов кодировалось множеством весовых коэффициентов НС (сети статические), далее - множеством образов - множеством точек притяжения (точечных аттракторов) в фазовом пространстве динамической системы (НС Хопфилда и НС Ха-кена), затем - множеством замкнутых траекторий в фазовом пространстве (аттракторы типа замкнутый цикл, тор), и, наконец, множеством траекторий, определяющих лишь местоположение в фазовом пространстве в виде бесконечного числа сменяющихся состояний. Последний подход может быть определен как использование систем с неустойчивой динамикой, подразумевая под этим отсутствие устойчивых состояний, к которым система приходит со временем.
Основная сложность НС с «резервуарами» состоит в том, что случайно сгенерированная структура не гарантирует того, что она будет производить требуемую динамику. Здесь необходимо оговориться, что это означает. Как показал анализ проведенных экспериментов по решению задач на «резервуарных» НС необходимо, с одной стороны, разнообразие состояний системы, чтобы она не оказалась устойчивой, и, с другой стороны,
динамика должна быть восприимчива к действию входных сигналов и не обладать турбулентными режимами, не позволяющими выделять реакцию системы на входные сигналы. Оперируя определениями Пригожина: система должна быть на границе между порядком (упорядоченный режим работы по Канеко) [14, 15] и хаосом (имеется в виду турбулентный режим по Канеко), т. е. производить детерминированный хаос (в частично-упорядоченном режиме по Канеко). Причем как было показано в ряде работ, эта граница представляет собой некоторый интервал возможных значений параметров системы, т. е. это не линия.
Анализ работ по исследованию резервуарных НС и собственных компьютерных экспериментов по моделированию работы этих сетей в различных условиях и при разном сочетании параметров позволяет сделать следующие выводы.
Во-первых, проблема выбора необходимого и достаточного числа нейронов резервуара остается не до конца решенной. То, что нейронов может быть недостаточно для обработки и обобщения необходимого объема информации, интуитивно понятно и строго доказано [16], а вот то, что избыточное число нейронов также плохо сказывается на работе НС, может быть не так очевидно. Однако избыточное число степеней свободы приводит к тому, что сеть прямого распространения не обучается, а просто запоминает представленные примеры или формирует псевдозакономерности, которые может и присутствуют в обучающей выборке, но связаны, например, с особенностями получения данных. Для резервуарной сети, весовые коэффициенты которой неизменны, избыточное число нейронов означает переход сети в режимы работы, в которых она не реагирует на входные сигналы, или эту реакцию трудно выделить на фоне турбулентной собственной динамики. Сеть как бы имеет собственное «мнение» и входная информация его не изменяет. При недостаточном числе нейронов в резервуаре обучить выходной слой вычленять необходимую информацию тоже не удается (слишком мало степеней свободы), и сеть реагирует на разные сигналы одинаковым образом. Проблему обучения наблюдателя (выходного слоя системы в целом) разрешают различными способами, на эту тему написано немало статей. Однако все предлагаемые решения приводят к тому, что огромные возможности неустойчивой динамики не используются. А в некоторых случаях задача, представленная на вход
резервуарной НС, может быть решена лучше без резервуара, только на наблюдателе.
Во-вторых, существуют лишь некоторые разрозненные рекомендации о том, какая должна быть структура наблюдателя. Выбор адекватного по сложности наблюдателя очень важен, т. к. от того, насколько хорошо научится наблюдатель интерпретировать работу резервуара, зависит качество решения задачи в целом. Если наблюдатель не сможет правильно интерпретировать динамику резервуара, то и не сможет выявить сформированный резервуаром ответ на входные воздействия. Здесь уместна аналогия с проблемой извлечения знаний, хорошо известная в теории экспертных систем.
При этом в отличие от сетей прямого распространения, где только производится сравнение с правильным ответом, здесь требуется заложить в наблюдатель разные вариации правильного ответа, чтобы правильно интерпретировать то, что заложено в динамике резервуара. Для структуры наблюдателя это означает, что она должна быть тоже достаточно сложной - иначе наблюдатель может не справиться с интерпретаций ответа выходов резервуара НС.
В-третьих, практически все параметры резервуара, особенно в биологически ориентированной модели Мааса, выбираются интуитивно, исходя из предварительной серии экспериментов. Существует строгое доказательство того, что на резервуаре можно реализовать машину Тьюринга, но это в общем виде, в принципе. При решении практических задач существует неопределенность в назначении параметров системы.
Хаос в порождении виртуальных структур обработки информации
Получить достаточно простую с точки зрения задания связей структуру НС, обладающую сложным поведением, можно посредством использования в рекуррентной нейронной сети нейронов с передаточной функцией, порождающей хаотические колебания выхода нейрона. С одной стороны, дискретных детерминированных преобразований, порождающих хаос, немало, но, с другой стороны, многие из них достаточно просты. Такой подход оказывается в русле с подходами, в которых усложняют нейрон, повторяя или биологический прототип, или включая множество логических операций в базис отдельного нейрона.
Концепция создания сложной системы только за счет связей и огромного числа простых вычислительных элементов - нейронов, сменилась сначала на концепцию относительно сложных элементов, и дошла до очень сложных элементов - биологически подобных (или биологически приближенных). Основные трудности работы с такими НС указаны выше.
Наиболее распространенным среди дискретных преобразований, порождающих хаотические последовательности, является логистическое отображение. Это связано с тем, что при достаточно простой записи и простой реализации в нем присутствует параметр, позволяющий регулировать степень хаотичности порождаемых последовательностей.
Исследование множества связанных логистических отображений проводится в области физики, теории динамических систем и нелинейной динамики. Различным вариантам организации таких систем и снятию характеристик динамических режимов как глобально, так и локально связанных отображений, посвящено множество исследований. Их результаты могут быть частично задействованы при разработке НС на основе логистических отображений, но при этом потребуется исследование влияния внесения в систему внешних воздействий и способов интерпретации измененных под этими воздействиями режимов работы [14]. То есть встает вопрос о включении в систему входных сигналов.
Отчасти такие исследования уже проведены в области решения задач кластеризации [12]. А для построения универсальной системы ИИ необходимо рассматривать ее не изолированно, а в той среде, в которой предполагается ее использовать. Такой же вывод сделан и в работе, посвященной исследованию роли хаоса в НС [17], и во многих исследованиях, связанных с разработкой интеллектуальных агентов [6]. Учет контекста при обобщении, накоплении и интерпретации информации позволит значительно расширить возможности интеллектуальных систем.
Перспективные направления
Для разработки интеллектуальных систем, специализированных для решения определенного класса задач, следует придерживаться уже известных и формализованных подходов или использовать их сочетания - гибридные системы -
для расширения функциональных возможностей и улучшения характеристик работы. Детальное воспроизведение работы отдельных нейронов или их ансамблей, относящихся к тому или иному разделу мозга целесообразно при решении задач моделирования в области нейрофизиологии и смежных областей.
Если же ставится задача разработки достаточно универсальной системы и в большей степени соответствующей работе нервной системы живых существ, то наиболее подходящим представляется использование нейронных ансамблей с неустойчивой динамикой и иерархией синхронизированных сигналов. В этом случае появляется возможность исследования более тонких механизмов работы и подбора сочетания параметров, обеспечивающих необходимые режимы функционирования системы. Этот подход может быть реализован как на компьютерных моделях, построенных на математическом описании таких систем, так и на моделях, связанных с физическим воплощением в искусственной среде типа реакционно-диффузионных сред, или непосредственно на биологическом материале, выращенном в искусственной среде, что уже успешно используется во многих лабораториях. Такие исследования позволят приблизиться к созданию ИИ. Многие математические модели распространения колебаний в сложных средах успешно изу-
чены на таких физических моделях, как, например, физическая модель образования волн.
Следует отметить, что даже если не удастся достаточно быстро выстроить полную и непротиворечивую концепцию того, как осуществляется обработка информации и комплексирование частных решений в реакционно-диффузионных средах (или в искусственно выращенной среде нервной ткани), подходы и методики к их использованию уже можно наметить. В дальнейшем, как и в любой теории возможны уточнения, дополнения и обобщения. Для решения практических задач важнее насколько модель и метод позволяют справиться с решением и описывают видимые эффекты, а соответствие реальным процессам отходит на второй план и часто является вопросом философским.
Широкие возможности моделирования сложных синергетических процессов и их анализа с использованием теории нелинейной динамики и хаоса уже находят применение не только для разработки технических систем, но и для исследования экономических и биологических, социальных эффектов. Скорее всего, в ближайшее время инструментарий нелинейной динамики и хаоса будет самым востребованным и для постижения особенностей человеческого восприятия и для моделирования когнитивных процессов.
СПИСОК ЛИТЕРАТУРЫ
1. Люгер, Дж. Искусственный интеллект. Стратегии и методы решения сложных проблем [Текст] / Дж. Люгер. -М.:Вильямс, 2005.
2. Cristianini, N. Are we still there? [Text] / N. Cris-tiamm // Neural Networks. -2010. -№ 2. -P. 466-470.
3. Goertzel, B. A world survey of artificial brain projects. P.II: Biologically inspired cognitive architectures [Text] / B. Goertzel, L. Ruiting, A. Itamar [et al.] // Neurocomputing. -2010. -№74. - P. 30-49.
4. Kamps, M. Towards Truly Human-Level Intelligence in Artificial Applications. Cognitive Systems Research [Электронный ресурс] / M. Kamps // j. cogsys. -2011.01.003
5. Mira, J.M. Symbols versus connections: 50 years of artificial intelligence [Text] / J.M. Mira // Neurocomputing. 2008. - № 71. -P. 671-680.
6. Рассел, C. Искусственный интеллект. Современный подход [Текст] / C. Рассел, П. Норвиг -М.: Ви-льямс, 2007.
7. Lin, C. Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems [Text] / C. Lin, G. Lee. -Prentice Hall, 1996.
8. Baum, S.D. How long until human-level AI? Results from an expert assessment [Text] /S.D. Baum, B. Goertzel, T. Goertzel // Technological Forecasting & Social Change. -2011. -№ 78. -P. 185-195.
9. Haken, H. Synergetic Computers and Cognition: A Top-Down Approach to Neural Nets [Text] / H. Haken. -SSS: Springer, 2010.
10. Фрадков, А.Л. Кибернетическая физика: принципы и примеры [Текст] / А.Л. Фрадков. -СПб.: Наука, 2003.
11. Хайкин, C. Нейронные сети. Полный курс [Текст] / C. Хайкин. -М.: Вильямс, 2006.
12. Benderskaya, E.N. Clustering by chaotic neural networks with mean field calculated via Delaunay triangulation [Text] / E.N. Benderskaya, S.V. Zhukova // Lecture Notes in Artificial Intelligence. -Springer, 2008. -Vol. 5271. -P. 400-416.
13. Jaeger, H. Introduction to the Special Issue on Echo State Networks and Liquid State Machines [Text] / H. Jaeger, W. Maass, J. Principe // Neural Networks. -2007. -№ 20 (3). -P. 287-289.
14. Inoue, M. Dynamics of Coupled Adaptive
Elements: Bursting and Intermitteny Oscillations Generated by Frustration in the Network Text/ M. Inoue, K. Kaneko // Phys. Rev. -2010. -Vol. 81. -P. 126-203.
15. Пригожим, И.Р. Порядок из хаоса. Новый диалог человека с природой [Текст] / И.Р. Пригожин, И. Стенгерс. -М., 1986.
16. Колмогоров, А.Н. О представлении непрерывных функций нескольких переменных суперпозициями
непрерывных функций меньшего числа переменных [Текст] / А.Н. Колмогоров. -ДАН СССР, 1956. -Т. 108. -С. 2- 9.
17. Потапов, А.Б. Нелинейная динамика обработки информации в нейронных сетях [Текст] / А.Б. Потапов, М.К. Али // Изв. вузов. Сер. Прикладная нелинейная динамика. -2001. - Т. 9. - Вып. 6. -С. 3-44.
УДК 004.383
Ю.И. Лыпарь, С.А. Молодяков
методология системного проектирования аналогоцифровых оптоэлектронных процессоров
обработки сигналов
Один из подходов системного проектирования устройств - подход, который можно назвать целевым, позволяющий осуществить проектирование объекта, идя от целей (сверху) к конечной структуре и ее параметрам (вниз) [1]. Данный подход можно применить и к проектированию оптоэлектронных процессоров (ОЭ-процессоров). Он позволяет не только формализовать этапы разработки, но и выявить недостающие элементы стадий проектирования, синтезировать новые устройства.
Особенность проектированияОЭ-процессоров связана с тем, что они являются функционально сложными устройствами, состоящими из разнородных компонент: оптических и электронных, аналоговых и цифровых. Трудно определить уровень элемента системы. Для описания компонент применяют разный математический аппарат.
В данной статье ставится задача не только разработки системного подхода к проектированию ОЭ-процессоров, но и рассмотрения конкретных примеров на разных уровнях проектирования, что упрощает будущее применение описываемой методологии.
Основы системного проектирования
Рассмотрим базовые принципы системного проектирования в рамках спиралевидной модели [1]. При проектировании используется сжимающаяся спиралевидная модель, содержащая четыре аспекта: технологический (Т), функциональный (Р), структурный (5) и конструктор-
ский (С). На каждом аспекте порождается множество решений, что позволяет соответствующему проектировщику принимать наиболее эффективные из них. Подчеркнем, структурный аспект является системообразующим, его результаты последовательно используются на конструкторском и технологическом аспектах проектирования. Результаты проектирования одного этапа указанных аспектов суммируются на функциональном аспекте. На нем выполняется анализ полученных результатов на соответствие функции выбора Е(Е) и формулируются в виде функций и ограничений выбора для следующих этапов. Начинается проектирование с потребности в новом устройстве и формулировки технических, технологических, эксплуатационных, экономических и экологических требований (ТЭТ).
Множество решений, которое не удовлетворяет функции выбора, из дальнейшего проектирования исключается. Оставшиеся элементы множества решения с помощью функции выбора /-го этапа оказываются неразличимыми. Это множество называется эффективным, т. к. любой его элемент может быть использован для дальнейшего проектирования. Лицо, принимающее решение (ЛПР), выбирает из множества одно решение для дальнейшего проектирования. На этом же аспекте новая информация об объекте, полученная на /-м этапе, используется для формирования более детальной функции выбора следующего этапа Щ (/+1)).
