Réseau neuronal artificiel
Du point de vue de la cybernétique, outre les techniques de traitement utilisées sur les ordinateurs numériques les plus connus, d'autres possibilités apparaissent. L'une des directions les plus étudiées est la possibilité de développer des systèmes de traitement qui utilisent les mêmes principes de comportement et de structures que l'être humain et d'autres êtres vivants. Cela a créé de nouveaux ordinateurs: neuroordinateurs. Il y a une différence importante entre les deux.
Les ordinateurs numériques sont des systèmes séquentiels conçus pour gérer les manifestations symboliques de tout ce qui se trouve à l'extérieur. D'autre part, les neuroordinateurs sont des systèmes de structure parallèle qui traitent directement l'information externe, c'est-à-dire sans utiliser des apparitions symboliques. Pour comprendre ce qui est derrière la neuroconputation, il est très intéressant de comprendre les principes de la neurobiologie et son importance dans le calcul superrapide.
Bases de la neuroconputation
Les neurones sont des cellules nerveuses et les réseaux neuronaux sont des réseaux formés par ces cellules. Le cerveau est un exemple naturel de réseaux neuronaux. L'intérêt qui a toujours existé pour les réseaux artificiels NSA (Réseaux neuronaux artificiels) était basé sur des considérations anatomiques et psychologiques. Les premiers modélisateurs de neurones artificiels ont essayé de montrer le rapport stimulant/réponse des neurones biologiques et en plus la structure interne des neurones.
C'est-à-dire, dans le domaine de la physique et de l'ingénierie, les plus importantes étaient les «caractéristiques informatiques» des neurones. L'intérêt de ceux qui travaillent dans les domaines de la logique, les mathématiques, la science informatique et la physique pour ce problème a augmenté et diminué au fil des ans, mais il est actuellement à un niveau élevé. Cela est dû à la création de puissants ordinateurs qui résolvent des problèmes qui ne peuvent être résolus avec les systèmes informatiques utilisés jusqu'à présent.
Concepts biologiques de base
Nous savons actuellement que l'anatomie d'un neurone biologique est:
- Structure de cornes, avec des cellules appelées dendrite, qui est considéré comme zone de réception des signaux d'autres neurones.
- Corps de cellules, appelé soma.
- Longue structure de transmission linéaire appelée axon.
- Structures de type pinceau, appelées boutons synaptiques, situées à la fin de la queue d'Axon.
1º. La figure présente les structures d'un neurone biologique mentionné. 1.b. l'image présente l'abstraction mathématique du neurone. Dans cette image x 1 , x 2 , ..., x n , j sont des entrées qui atteignent le neurone, w ij , résistances synaptiques et j , sortie du neurone. 1.c. La figure 1.b montre le circuit électrique correspondant à l'abstraction mathématique de la figure. Dans ce cas, chaque x i est tension et w ij , chacun est présenté avec un potentiomètre. Le triangle avec signe additif à l'intérieur est un amplificateur opérationnel configuré de manière additive. La quantité f sera n'importe quelle fonction non linéaire.
2°. Dans l'image, vous pouvez voir un réseau de neurones biologiques. Lorsque deux neurones de ce réseau sont très proches, on appelle synapses au point de liaison. L'influence des neurones sur le point de contact est électromécanique. La synapse n'est pas un contact physique réel. Un signal se comporte comme un système d'allumage, c'est-à-dire qu'il ne passe pas d'information jusqu'à ce que la concentration du signal dépasse une limite. Lorsque cela se produit, le potentiel est généré dans la cellule réceptrice d'information.
Quand un neurone prend des informations via des contacts synaptiques depuis les côtés, la prise est effectuée par des impulsions consécutives. La somme explorée des entrées algébriques est alors réalisée, la fonction de confinement de cette somme est calculée et la sortie est créée (si la valeur de la fonction dépasse la valeur limite). Comme dans les contacts synaptiques, la transmission se fait dans une seule direction, les impulsions d'entrée et de sortie vont des dendrites à la somara, d'ici à axon et enfin aux boutons synaptiques. Puisque les mécanismes de base de calcul des neurones biologiques sont la somme pondérée et la fonction de confinement, nous essayerons d'imiter ces fonctions biologiques par des réseaux NSA.
On estime que le cerveau humain a un nombre de neurones entre 109 et 1012, dont plus de 1015 contacts synaptiques. Ces cellules sont des unités de traitement de l'information cérébrale de base. En outre, il a été estimé qu'un neurone normal reçoit des informations de 10.000 neurones supplémentaires et les envoie à 1.000 neurones si nécessaire. En dépit de connaître le comportement des neurones rares et les connexions entre les neurones, leur comportement est inconnu lorsque les groupes neuronaux travaillent ensemble.
Par conséquent, la meilleure chose à faire est de considérer que, suivant la même structure, le comportement des réseaux artificiels sera également en quelque sorte similaire. Il est impossible de suivre complètement cette structure. Cependant, étant un réseau qui remplit des fonctions très spéciales, la NSA peut avoir une structure plus simple que le neurone biologique. En outre, il est prouvé que le traitement de l'information produite dans le cerveau n'est pas seulement parallèle, mais il ya aussi des fonctions bien situées.
Selon les informations extraites de neuropatologie, neurohistologie et neuropharmaquologie, la partie maximale de l'informatique se produit dans environ 1000 zones (modules). Par exemple, la capacité de parler est associée à la zone de Broca dans le lobe frontal gauche du cerveau, tandis que la capacité de comprendre le langage naturel est associée à la zone de Wernick, située à l'arrière du lobe temporel et à gauche. Par conséquent, on peut dire que les opérations de haut niveau sont effectuées dans des domaines spéciaux, dans lesquels elles sont communiquées d'une certaine manière. Les composants impliqués dans le traitement de l'information sont le cervelet, l'hippocampe, les amygdales et l'écorce cérébrale.
Tout cela nous amène à penser que le cerveau humain est une structure zonée en fonction des fonctions, dans laquelle le traitement est effectué parallèlement. En outre, il semble que le travail parallèle des neurones se fait de manière asynchrone, c'est-à-dire sans centre de synchronisation (sans horloge). Pour ces raisons, beaucoup pensent qu'à travers les groupes qui effectuent le traitement en parallèle (en réalisant la communication entre eux et la distribution des fonctions), le réseau neuronal apparaîtrait mieux.
Fonctionnement des réseaux
Le processus de calcul via les réseaux NSA est le suivant: (NA) Un “neurone artificiel” (ou (PE) élément de traitement reçoit les entrées d'un autre NA ou d'un stimulus externe. La somme agitée de ces entrées complète l'argument de la fonction activatrice (ou de transfert). Cette fonction qui définit les caractéristiques du neurone n'est généralement pas linéaire. Le résultat de la fonction activatrice est la sortie de n. Cette sortie est divisée le long des connexions d'un autre DNI.
La manière dont ces connexions sont effectuées (c'est-à-dire la topologie) définit le flux d'information qui se produit à travers le réseau et s'appelle architecture du réseau. Les configurations architecturales les plus utilisées sont celles d'une couche, multicouche, réalimentation, préalimentation et connectivité latérale. L'importance des connexions agitées sur ces architectures est très élevée, ils sont donc connus comme modèles de calcul connectif.
Le processus de conditionnement des sols pendant la préparation du réseau est appelé règle d'apprentissage. Autrement dit, les systèmes de réseaux neuronaux artificiels ne sont pas programmés, ils sont enseignés. Ce processus d'apprentissage peut être audité ou non audité. La plus utilisée dans les règles d'apprentissage auditées est la méthode de programmation en arrière (BP). Une méthode non auditée appartient à l'auto-organisation. En résumé, les trois composants fondamentaux des systèmes informatiques basés sur les réseaux NSA sont la fonction de transfert, l'architecture et la règle d'apprentissage. Il faut dire que ce type de modèles informatiques ont seulement l'apparence métaphorique des cerveaux réels.
Lorsqu'un modèle de calcul approprié est obtenu, l'implantation du système peut être réalisée en utilisant des composants numériques, optiques ou analogiques informatiques comme bloc d'exploitation. Un composant connu des ingénieurs électriques, qui se comporte en quelque sorte comme les neurones, est un amplificateur opérationnel configuré comme intégrateur. Si une centaine d'intégrateurs connectés par potentiomètre sont surveillés (les potentiomètres sont synapses), on peut l'analyser comme une première approche d'une NSA.
L'adaptation de ces potentiomètres à la représentation de l'algorithme d'apprentissage permettrait une meilleure approche du réseau neuronal. Quiconque connaît le fonctionnement de l'informatique analogique sait que cette configuration de calcul (et donc le modèle mathématique de description du réseau neuronal) est constituée par un groupe d'équations différentielles non linéaires et couplées. Autrement dit, les NSA peuvent être considérés comme des systèmes dynamiques programmés. Ainsi, le processus d'apprentissage, alors que le système dynamique atteint un état d'énergie minimale, peut apparaître comme un processus d'adaptation des paramètres (coefficients d'équations différentielles). De cette façon, vous pouvez utiliser plus largement les mathématiques.
Même si la description donnée ci-dessus a une bonne présentation du neurone artificiel et de la NSA, la définition de NSA ne peut pas encore être parfaitement définie. La NSA peut être définie comme un système informatique distribué avec plusieurs composants de traitement interconnectés. Une autre définition est que la NSA est un système adaptateur et parallèle avec capacité d'auto-apprentissage, capable de traiter l'information.
Différences entre neurones biologiques et artificiels
Pour mieux comprendre ce qui précède, les différences entre les réseaux de neurones biologiques et de neurones artificiels seront présentées:
- Les composants électroniques utilisés pour simuler des neurones sont très rapides, mais avec peu de connexion. Les neurones biologiques sont des unités analogiques reliées à haute densité. Étant les constantes de temps de ces unités millisecondes, le travail des neurones réels est plus lent que celui des neurones artificiels. Les neurones artificiels créent des scalaires de mesure moyenne des impulsions produites par les neurones biologiques. Quand on transmet un pouls d'un neurone à l'autre, on le fait à vitesse lente, oscillant entre 0,5 et 120 mètres en une seconde. Selon ces paramètres, vous ne pouvez pas savoir comment le cerveau peut effectuer tous les travaux mentionnés ci-dessus dans les temps courts mesurés. Cependant, il y a beaucoup de chercheurs qui développent des modèles pour exécuter des fonctions cérébrales.
- Un neurone biologique fait travailler ou ralentir les neurones qui sont en contact avec lui, mais les deux choses ne peuvent pas être faites ensemble. Ceci est dit être la loi d'Eccles. Il semble que les systèmes NSA ne suivent pas cette règle.
- Le code d'information du système nerveux réel diffère de celui utilisé par le système NSA. Par exemple, quand un neurone biologique produit une sortie, c'est un groupe d'impulsions consécutives. La fréquence de cette sortie est liée de façon logarithmique à la somme algébrique des entrées qui arrivent au neurone. Cette fréquence est d'environ 1 à 100 cycles par seconde. Cela indique que les bits utilisés dans la transmission d'information entre neurones sont très rares.
- Enfin, il semble que les cerveaux réels sont des structures de calcul superficiel, c'est-à-dire avec très peu de couches, avec un degré élevé de similitude. D'autre part, les modèles basés sur des ordinateurs numériques conventionnels sont séquentiels et ont une structure de calcul profonde.
Futur
Il existe actuellement des domaines où ces réseaux neuronaux s'appliquent avec succès : vision artificielle, traducteurs de langages naturels, etc.
Cependant, le processus d'apprentissage de ces réseaux et les problèmes associés à leur densité n'ont pas encore été surmontés. D'autre part, avec la technologie VLSI (very large scale integration) et les progrès réalisés dans l'optique, l'optoélectronique et la technologie holographique, il semble que ces problèmes seront résolus.
Ainsi, la révolution technologique que ces nouveaux types d'ordinateurs, formés de réseaux neuronaux et non numériques, vont influencer notre vie quotidienne sera énorme : systèmes de sécurité, systèmes de contrôle de qualité, domaine médical, etc.
Zu idazle
Zientzia aldizkaria
