Complexity in conversion and transformation ofprocessoron the model of encephalon: from modeling to production
Table of contents
Share
Metrics
Complexity in conversion and transformation ofprocessoron the model of encephalon: from modeling to production
Annotation
PII
S265838870008412-6-1
DOI
10.33276/S265838870008412-6
Publication type
Article
Status
Published
Authors
Anna Yurieva 
Occupation: Deputy Director of MEI RAS, Scientific Secretary of Institute
Affiliation: MEI RAS
Address: Moscow, Nakhimovskiy prospekt, 47
Kobiljon Zoidov
Occupation: Head of the laboratory of Integration of Russian economy into the global economy.
Affiliation: MEI RAS
Address: Moscow, Nakhimovkiy prospect 47
Daniil Serebryanskiy
Occupation: applicant of the Department of Economics and industrial production management
Affiliation: Perm National Research Polytechnic University
Address: Moscow, 29 Komsomolsky prospekt
Svetlana Ponomareva
Occupation: Associate Professor of " Economics and industrial production management»
Affiliation: Perm National Research Polytechnic University
Address: Moscow, 29 Komsomolsky prospekt
Edition
Abstract

 

The research paper presents developments in creating a model of artificial intelligence with a view to using in production. Due to the convergence of the processor departments, it becomes possible to increase the speed of information exchange through artificial neural networks. The similarity of the location can be traced in the brain, which, in view of its evolutionary transformations, has formed an ideal form. The authors considered the materialism issues and identified the types of scientific materialism, which includes such varieties as eliminative materialism, reductive materialism (physicalism), also known as identity theory, functional materialism and emergent materialism.The aspect of the fact that, at the present stage of development, artificial intelligence is becoming more and more meaningful in various spheres of life due to the fact that the Strategy for the Development of the Information Society in 2017-2030 was approved. One of the main directions of development of Russian information and communication technologies in the Strategy is AI. Today, development issues include tracking, object recognition, and face recognition, since Face recognition is a particularly complex version of object recognition. One of the promising directions is machine learning (ML), and its goal is to obtain the necessary and sufficient rules with the help of which it is possible to classify new objects that are similar to the components of the training sample (training with a teacher is supervised learning). The work considers unsupervised Learning, which is used to analyze the data structure, but also to form a learning sample with the subsequent use of learning with a teacher in order to find classification rules describing the resulting division of objects into groups (classes) in the feature space. It is proposed to conduct a series of special experiments that will identify problems and develop the necessary rules for solving them. The authors of the research paper propose the creation of a model of an artificial brain (processor) following the example of a biological brain. A diagram of the artificial brain functional blocks, based on real brain regions and the connections between them using the example of Spaun, has been compiled.

 

Keywords
artificial intelligence, artificial neural networks, modeling, production, essentialism, processor, data path
Received
07.02.2020
Date of publication
07.02.2020
Number of characters
14440
Number of purchasers
11
Views
190
Readers community rating
0.0 (0 votes)
Cite Download pdf

To download PDF you should sign in

1 Материализм XX века активизирован развитием новых областей знания, – нейронаук, когнитивных наук теорий искусственного интеллекта (далее ИИ), квантовой механики, а также активным вовлечением в дискуссии о сознании философски мыслящих ученых. Главной же проблемой научного материализма оказалось соотношение сознания и материи духовного и физического. Дискуссия начинается со статьи американского философа Г. Фейгла «”Ментальное” и “физическое”» («The “Mental” and the “Physical”» (1958)). Главный тезис, содержащийся в этой статье, – о тождестве духовного и физического. Рассмотри разновидности научного материализма:
  1. Элиминативный материализм [25, 13]. По словам американского философа Р. Рорти ментальные термины, например «ощущения», являются терминами обыденного языка, которые должны быть элиминированы (убраны) в ходе развития науки (особенно нейрофизиология) и заменены точными научными терминами.
  2. Редуктивный материализм (физикализм) (Теория тождества). Позиция: ментальное – это подкласс физического, которое тождественно. Ментальные термины и нейрофизиологические имеют одинаковые значения (достигается полный монизм) [26, 20].
  3. Функциональный материализм. Психические явления эквивалентны не физическим процессам, а определенно функциональным состоянием живой системы по аналогии функционирования с электронно-вычислительной машиной [12].
  4. Эмерджентный (эмерджентистский) материализм. Главная концепция – духовное явление есть продукт развития сложных материалистических систем, которым присущи целостные образования [17].
2 Разработка информационных технологий является затратной отраслью, требующей высокой подготовки специалистов и серьезной техники, но их реализацию часто можно сравнить с революционными преобразованиями. На данный момент в наличии имеется обширное количество своих программных продуктов, а также иностранных разработчиков, направленных на рациональную работу организаций, какой бы не была специфика производимой ими продукции или оказываемых услуг. Компании-разработчики сформировали эластичные порядки автоматизации, которые разрешают вырабатывать комплексную систему, складывающуюся из индивидуальных частей, соединенных друг с другом [19].Таким образом, на современном этапе развития ИИ приобретает все более осмысленное применение в различных сферах жизнедеятельности [4]. Авторы научно-исследовательской работы также ранее упоминали, что к национальным интересам страны в Стратегии отнесены повышение эффективности государственного управления, развитие экономики и социальной сферы, а также формирование цифровой экономики. Указом Президента Российской Федерации утверждена «Стратегия развития информационного общества в Российской Федерации на 2017-2030 гг.» [23]. К одним из основных направлений развития российских информационных и коммуникационных технологий в Стратегии относится ИИ[15-16].
3 В настоящее время, вопреки существованию большого числа подходов, как к осмыслению задач ИИ, так и образованию интеллектуальных информационных систем, отмечаются фундаментальные пути к построению и созданию ИИ [21, 7].Можно рассмотреть вариант размещения отделов процессора по примеру энцефалон (биологического мозга), т.е. в ограниченном пространстве, которое назовем «искусственной черепной коробкой». Подобная структура размещения поможет достичь экономии места и, возможно, повышения производительности. Морщинистая структура мозга с извилинами образовалась, как предполагают ученые, исследовавшие вопрос, за счет самого органа, который адаптировался располагаться в ограниченном пространстве черепа [8]. Таким образом, нейроны в мозге человека уплотняются, сближаясь, друг к другу, за счет чего получают более быструю связь: мощный процессор в маленьком черепе. То есть короткое расстояние между искусственными нейронами, по аналогии с нейронами в мозге человека, позволит сократить время, затрачиваемое для перехода тока от одного конца к другому, что является основополагающим для развития более естественного ИИ, способного наиболее точно походить на человеческий разум.
4 Результаты исследований людей с «расщеплённым мозгом» были получены из исследований, проведённых Р. Сперри и его коллегами [5].За счет этого возможно выработать эмоциональную основу, фундамент для перспективы развития вопроса [6, 2].
5

Рис. 1. Центры мозга, отвечающие за различные функции (Источник: составлено авторами)

6 Целесообразно распределить искусственные нейроны по нескольким центрам (отделам), отвечающим за конкретную функцию (рис. 1). Центры имитируют работу специализированных отделов коры, и каждый отвечает за конкретную функцию: запоминание, кодировка, компрессия информацией и т.д. Так, к примеру, двигательный центр – отдельный блок, который занимается двигательной системой организма. Аналогом этой коры, ответственной за движение, послужит искусственная вариация с искусственными нейронными сетями [9]. Задачей является распознавание движения, вычленение из него значимой информации, отделив ее от всей сопутствующей, а затем кодирование в нейронные импульсы понятные мозгу.
7 Примерно одна треть головного мозга посвящена зрению, и у ИИ есть множество проблем, связанных с пониманием того, что происходит на фото или видео. Эти проблемы включает в себя отслеживание, распознавание объектом и распознавание лиц. Распознавание лиц – особенно сложная версия распознавания объектов, т.к. большинство людей выглядит относительно похоже (компьютеру легче отличить друг от друга два произвольных объекта). Однако сегодня социальные сети хорошо научили проявлять себя в распознавании лиц и примером этому послужить Facebook. То есть способ распознавания лиц, используемый передовыми социальными сетями может внедряться в систему будущего ИИ и послужить основой для дальнейшей его работы [10]. Далее необходим код, который соединил бы все системы, написанные на разных языках программирования, т.к. сложнее написать один язык, объединяющий несколько систем. Системы же непосредственно включают несколько техник ИИ, в обязательном порядке рассматривающихся при разработке любого искусственного разума: обработка натурального языка, распознавание речи и лиц и машинное обучение (такие языки, как Python, PHP, ObjectiveC) [18]. Важным вопросом в разработке является и программный интерфейс приложения или как это принято называть другими словами– интерфейс прикладного программирования (API; Application Programming Interface) и его обратный инжиниринг.
8 Устойчивые тенденции последнего десятилетия в области обработки естественного языка (Natural Language Processing – NLP, Language Engineering – LE) активно развиваются в различных исследовательских парадигмах. Одним из перспективных направлений является машинное обучение (Machine Learning – ML), а его цель есть получение необходимых и достаточных правил, с помощью которых можно произвести классификацию новых объектов, сходных с составляющими обучающую выборку (обучение с учителем – super vised learning) [22, 1]. Компьютерные системы, реализующие методы ML, ориентированы на получение новых знаний в результате автоматизации процесса обучения. Методы автоматического получения новых знаний на основе эмпирических данных можно успешно применять для формирования баз знаний. Это положение делает актуальным исследования в области обучения языку (Language Learning), результаты которых применимы в практических приложениях NLP-систем. Исследования по ML становятся полезными в разработках NLP по таким причинам, как сложность языка, реальные приложения (машинный перевод, реферирование и др.) и доступность больших ресурсов данных [22, 24]. На рисунке 2 представлены и выделены ключевые моменты ML.
9

Рис. 2. Ключевые моменты машинного обучения (Источник: составлено авторами)

10 Таким образом, рассматривается обучение без учителя (Unsuper vised Learning), в котором ставится задача объединения объектов в группы, попарно не пересекающиеся, на основе заданной меры их сходства/различия. Обучение без учителя обычно применяется для анализа структуры данных, но также и для формирования обучающей выборки при последующем применении обучения с учителем с целью найти правила классификации, описывающие полученное разбиение объектов на группы (классы) в пространстве признаков.
11

Рис. 3. Классификатор объектов выборки машинного обучения (Источник: составлено авторами на основе данных [3])

12 Если выбор признакового пространства определяет задачу обучения, главным образом, содержательно, то формирование обучающей и контрольной выборок отвечает за точность, быстроту и эффективность обучения. С помощью верно выбранных примеров можно направлять процесс обучения. Пошаговые процедуры обучения и выбор последовательности примеров (от простого к сложному) позволяют также минимизировать число примеров, необходимых для обучения. Контрольная выборка необходима не только для проверки правильности работы классификатора, но и для целенаправленного «доучивания» классификатора, его исправления, модификации, придания ему требуемых свойств [3].
13 По каждой конкретной задаче можно провести серии экспериментов и оценить, как ИИ справляется с заданиями. Для начала, чтобы понимать, что ИИ в действительности видит четкую картину необходимых действий и может ответить на сформулированную задачу, ее необходимо ставить в системе. В программировании известны два парадигматических способа стиля описания: императивный и декларативный методы. Императивные методы программирования подразумевают точное описание пути к желаемому результату: пошагово, прямолинейно и точно (по этому принципу создается защита системы). В декларативном методе программирования сам программист указывает только желаемый результат, и программа самостоятельно находит решение задачи[14, 11].
14

Рис. 4. Релятивистская схема проведения эксперимента на понимание запроса программой (Источник: составлено авторами)

15 На начальной стадии возможен вариант проведения эксперимента для программы с помощью запроса, на языке программирования которой эта программа построена (рис.4). Начинается эксперимент № 1, исходя из которого необходимо сделать запрос. В примере – это «движение – задача». Запрос «движение – задача» рассматривается компьютером, затем выполняется поиск решения, который включает понимание запроса. В примере понимание запроса осуществилось с третьей попытки, после чего запускается новый эксперимент с новой задачей.
16 Так C. Eliasmith из Канады с соавторами научной работы провел серии отличных экспериментов и оценили, как ИИ под названием Spaun справляется с заданиями [3]. Ученые реализовали задание на запоминание: вспомнить и записать ряд цифр. Точность воспроизведения биологическим мозгом ряда зависит от его длины, лучше всего запоминается первый и последний элемент ряда. В эксперименте Spaun воспроизводил раз за разом серии из четырех, пяти, шести и семи цифр. Компьютер под управлением ИИ тоже продемонстрировал наилучшее воспроизведение первой и последней цифры (рис. 5).
17
18 Рис. 5.Точность воспроизведения ряда из четырех, пяти, шести и семи цифр людьми (А) и машиной Spaun (В) (Источник: составлено авторами на основе данных [3])
19 Авторы исследовательской работы предлагают создание модели искусственного мозга (процессора) по примеру биологического мозга, как упоминалось выше. Составлена схема функциональных блоков искусственного мозга, основанных на областях реального мозга и связях между ними на примере Spaun (рис. 6).
20

Рис. 6.Функциональные блоки искусственного мозга Spaun основаны на областях реального мозга и связях между ними (Источник: составлено авторами на основе данных[3])

21 Блоки имитируют работу специализированных отделов коры, и каждый отвечает за конкретную функцию: запоминание, кодировка и компрессия информации и т.д. Так, первый блок занимается восприятием зрительных стимулов, это аналог зрительной коры. Его задача распознать изображение, вычленить из него значимую информацию, отделив ее от всей сопутствующей, а потом закодировать в понятные мозгу нейронные импульсы. Затем закодированная информация уходит в мыслящий центр, расположенный рядом с отделом выбора действия. В этих отделах помещено наибольшее количество нейронов, благодаря чему информация обрабатывается в десятки раз быстрее. После преобразования информация ужимается и в таком виде сохраняется. Блок вознаграждения осуществляет выбор конечного действия из нескольких возможных вариантов. Далее следует, необходимый блок расшифровки нейронной информации в моторные команды руке. Таким образом, блоки вовсе не предназначены для решения каких-то конкретных задач, например сложения чисел или распознавания картинок. Напротив, в модели всё устроено таким образом, чтобы принципиально решалась любая задача, в основе которой лежит зрительное восприятие [3].

References

1. Brodkevych V., Remeslo V. Machine learning (Ml) and deep learning (Dl) algorithms and its utilizing in applied applications // Mіzhnarodnij naukovij zhurnal Іnternauka. – 2018. – T. 1. – № 11 (51). – S. 56-60.

2. Chen, Z., Liu B. (2018). Lifelong Machine Learning, Second Edition. Synthesis Lectures on Artificial Intelligence and Machine Learning 12 (3), 1-207. DOI: 10.2200/S00832ED1V01Y201802AIM037.

3. Eliasmith, C, Stewart, C. T., Choo, X., Bekolay, T., DeWolf, T., Tang, Y., Rasmussen D. (2012). A Large-Scale Model of the Functioning Brain. Science. 338, 1202–1205.

4. Das, A., Kempe, D. (2018). Approximate Submodularity and its Applications: Subset Selection, Sparse Approximation and Dictionary Selection 19 (3), 1−34.

5. Gazzaniga, M.S. (1998). The Split Brain Revisited. Scientific American, 279, 1, 35-39.

6. Kulesza, A. Taskar B. (2012). Determinantal Point Processes for Machine Learning. Foundations and Trends in Machine Learning 5 (2–3), 123-286. DOI: 10.1561/2200000044.

7. Prateek, J., Purushottam, K. (2017). Non-convex Optimization for Machine Learning. Foundations and Trends in Machine Learning 10 (3-4), 142-336. DOI: 10.1561/2200000058.

8. Tallinen, T., Chung, J. Y., Rousseau, F., Girard, N., Lefèvre, J., Mahadevan, L. (2016). On the growth and form of cortical convolutions. Nature Physics 12, 588–593. DOI: 10.1038/NPHYS3632.

9. Vorobeychik, Y., Kantarcioglu M. (2018). Adversarial Machine Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning 12 (3), 1-169. DOI: 10.2200/S00861ED1V01Y201806AIM039.

10. Zuckerberg M. Building Jarvis [Ehlektronnyj resurs] // FACEBOOK.COM: sotsial'naya set', 2016. URL: https://www.facebook.com/notes/mark-zuckerberg/building-jarvis/10103347273888091 (data obrascheniya: 16.11.2018).

11. Brodskij Yu.I. O model'nom sinteze i model'no-orientirovannom programmirovanii // Nauchnoe obozrenie. – 2014. – № 12-1. – S. 151-157.

12. Dobrinskaya D.E. Sovremennye napravleniya v marksizme: analiticheskij marksizm // Vestnik Moskovskogo universiteta. Seriya 18: Sotsiologiya i politologiya. – 2015. – № 2. – S. 61-74.

13. Domrachev S.S., Siunov D.A. Ehvristicheskij potentsial fizikalizma (v poiskakh novogo mirovozzreniya i metodologii) // Vestnik Chelyabinskogo gosudarstvennogo universiteta. – 2010. – № 16 (197). – S. 112-121.

14. Zagorul'ko Yu.A. O kontseptsii integrirovannoj modeli predstavleniya znanij // Izvestiya Tomskogo politekhnicheskogo universiteta. – 2013. – T. 322. – № 5. – S. 98-103.

15. Zoidov K.Kh., Ponomareva S.V., Serebryanskij D.I. Strategicheskoe planirovanie i perspektivy primeneniya iskusstvennogo intellekta v vysokotekhnologichnykh promyshlennykh predpriyatiyakh Rossijskoj Federatsii / Pod red. k.f.-m.n., dotsenta K.Kh. Zoidova.– M.: IPR RAN, 2019. – 115 s.

16. Imanov R.A., Ponomareva S.V., Serebryanskij D.I.Razvitie tsifrovoj ehkonomiki: iskusstvennyj intellekt v otechestvennom promyshlennom proizvodstve // Regional'nye problemy preobrazovaniya ehkonomiki. 2018. № 6 (92). S. 5-11.

17. Kisel'nikov A.A. Trudnaya problema soznaniya v analiticheskoj filosofii: kriticheskij obzor osnovnykh kontseptsij // Gumanitarnye issledovaniya v Vostochnoj Sibiri i na Dal'nem Vostoke. 2016. № 4 (38). S. 89-93.

18. Kommyunike ontologicheskogo sammita 2017:II, mashinnoe obuchenie, logicheskij vyvod i ontologii (perevod na russkij) // Ontologiya proektirovaniya. 2017. T. 7. № 2 (24). S. 227-238.

19. Lepikhina T.L., Serebryanskij D.I. Ispol'zovanie informatsionno-kommunikativnykh tekhnologij kak strategicheskaya zadacha gosudarstvennoj politiki // Innovatsionnoe razvitie ehkonomiki: tendentsii i perspektivy. 2016. T. 1. S. 131-137.

20. Magomedov K.M. Filosofskaya ontologiya v tiskakh fizikalizma i reduktsionizma // Vestnik Dagestanskogo gosudarstvennogo universiteta. Seriya 3: Obschestvennye nauki. 2016. T. 31. № 1. S. 76-83.

21. Mukhina E.R., Serebryanskij D.I. Ehtapy razvitiya iskusstvennogo intellekta po otnosheniyu k ehkonomicheskoj bezopasnosti chastnogo i gosudarstvennogo sektorov // Vektor ehkonomiki. 2018. № 2 (20). S. 19.

22. Najdenova K.A., Nevzorova O.A. Mashinnoe obuchenie v zadachakh obrabotki estestvennogo yazyka: obzor sovremennogo sostoyaniya issledovanij // Uchenye zapiski Kazanskogo gosudarstvennogo universiteta. Seriya: Fiziko-matematicheskie nauki. 2008. T. 150. № 4. S. 5-24.

23. O Strategii razvitiya informatsionnogo obschestva v Rossijskoj Federatsii na 2017-2030 gody: Ukaz prezidenta Rossijskoj Federatsii ot 9 maya 2017 g. № 203 // Sobranie zakonodatel'stva Rossijskoj Federatsii. – 2017. - № 20. – st. 2901.

24. Popkov Yu.S., Dubnov Yu.A., Popkov A.Yu. Randomizirovannoe mashinnoe obuchenie // V sbornike: matematika, ee prilozheniya i matematicheskoe obrazovanie (MPMO17) Materialy VI Mezhdunarodnoj konferentsii. – 2017. – S. 308-311.

25. Romanov P.E. Variatsii resheniya problemy telesno-mental'nogo dualizma v novejshej angloyazychnoj analiticheskoj filosofii soznaniya // Vestnik Murmanskogo gosudarstvennogo tekhnicheskogo universiteta. – 2011. T. 14. – № 2. – S. 370-376.

26. Yulina N.S. Chto takoe fizikalizm? Soznanie, reduktsiya, nauka // Filosofiya nauki. – 2006. – T. 12. – № 1. – S. 9-44.