Компьютерное исчисление

На основе этих моделей возникли другие модели искусственных нейронных сетей, например сети обратного распространения, с помощью которых можно более эффективно распознавать буквы, числа, фотографии и так далее. Сегодня как простые сети, так и сети обратного распространения широко используются, например, при классификации электронной почты для удаления нежелательных писем — спама, для распознавания речи и изображений, анализа электроэнцефалограммы (ЭЭГ) человека, распознавания сердечного ритма плода и отделения его от материнского — этот список можно продолжать очень долго. В течение нескольких лет искусственные нейронные сети применяются в интегрированных цепях — так называемых нейрочипах, которые вставляются в компьютер или другое оборудование с целью разработки приложений или интеллектуальных систем для решения самых разных проблем, в том числе и указанных выше. Потребовалось более полувека для того, чтобы идеи Тьюринга об умных машинах воплотились в жизнь.

ДНК И ЖИЗНЬ В КОМПЬЮТЕРЕ

В конце жизни Алан Тьюринг ставил передовые эксперименты по симуляции морфогенеза, то есть биологических процессов, протекающих при развитии организма. Для этой цели ученый использовал компьютеры Манчестерского университета. Тьюринг утверждал, что некоторые химические вещества (морфогены), физико-химические процессы (допустим, диффузия, то есть движение таких молекул, как морфогены), а также другие феномены, например активация или ингибиция (подавление), ответственны за процессы клеточной дифференциации, состоящей из этапов, которые проходит клетка от эмбриона до взрослого индивидуума. Центральной идеей была мысль о том, что положения, которые занимают недифференцированные, или неспециализированные клетки эмбриона, содержат записанную в морфогенах информацию, согласно которой морфогены контролируют развитие эмбриона. Этот процесс приводит к специализации клеток и превращению зародыша во взрослую особь. Так еще раз проявилась гениальность Тьюринга, предсказавшего существование морфогенов задолго до того, как они были открыты.

ЭМУЛЯЦИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

В настоящий момент модели искусственных нейронных сетей имеют широкое применение. В основном нейронные сети используют одну организационную модель: нейроны организованы слоями (вход, выход, возможны скрытые нейроны), их соединение осуществляется согласно определенному биологическому критерию — нейроны одного слоя соединяются с нейронами другого слоя. Пользователь устанавливает для сети пороги активации, функцию активации или передачи, другие параметры. И все же, несмотря на схожую организацию всех искусственных нейронных сетей, имеется один отличительный элемент — алгоритм обучения. В парадигме искусственного разума обучение — процесс, в результате которого нейронная сеть изменяет ответ, или выход, при определенном входе. Это изменение является результатом настройки одного или нескольких соединений и их веса. Существует множество методов настройки веса соединений сети, с помощью которых сеть обучается распознавать образцы (буквы, числа, фотографии и так далее). В других случаях сеть просто запоминает образец без обучения, то есть настройка веса соединений не требуется. Ни модель Маккалока — Питтса, ни модель Тьюринга не были способны к обучению, так как для этого потребовалась разработка специального алгоритма. Обучаемые модели могут эмулировать операторы И, ИЛИ и другие, то есть они ближе к машине Тьюринга, чем к биологической нейронной сети. Одна из лучших программ для изучения искусственных нейронных сетей — Штутгартский симулятор нейронной сети (SNNS).