AI Lab

Предыстория работы по созданию модели импульсного нейрона

Эта и другие статьи, под общим названием "Моделирование биоподобных систем управления движением" посвящаются памяти Романова Сергея Петровича, доктора биологических наук, ведущего научного сотрудника лаборатории физиологии рецепции Института физиологии им. И.П. Павлова Российской академии наук, и моего учителя, скоропостижно скончавшегося 1 апреля 2013 года на 76 году жизни.

Наша совместная работа началась в мою бытность студентом, когда я начал заниматься исследованиями в направлении возможности применения наработок Сергея Петровича в области моделирования естественных нейронов и нейронных структур для управления движением в технических системах.

Сергей Петрович, был одним из тех немногих ученых, кто мог работать на стыке между биологами и технарями, становясь связующим звеном между ними, и постигшая нас потеря очень тяжела как в моральном, так и в профессиональном плане.

Подробнее...

Концепция применения биоподобных моделей нейронных сетей для управления робототехническими системами

Существует множество подходов к созданию автономных робототехнических систем системы управления которых обладают в большей или меньшей степени интеллектуальными свойствами [1,2,3]. Мы предлагаем вариант идти от моделирования систем управления движением на основе бионики. Нервная система появилась как средство активного взаимодействия со средой и эволюционировала вместе с ростом сложности своего объекта управления и требуемых реакций на среду. При этом важно именно то, что объект активно взаимодействует со средой, получая таким образом ответную обратную связь на результат своей деятельности. Мы предлагаем идти в моделировании по пути, в котором мы, не пытаясь сразу решать сложные задачи (такие как, например, обнаружение и распознавание объектов среды, перевода речи и тому подобное), реализовывать нейронные сети, управляющие объектом, взаимодействующим со средой. При этом в основу сенсорной системы можно положить небольшое число датчиков малой размерности.

В рамках предложенного возможно два различных, но взаимно дополняющих друг друга подхода:

1. Заимствование информации о нейронных структурах с известной морфологией и функцией, и построение их моделей, в дальнейшем изучение их функционирования и применение полученных знаний для решения аналогичных задач в управлении техническими системами. Плюсом является априори известная структура сетей. Однако существует мало информации об архитектурах биологических нейронных сетей управления движением. Более-менее на уровне отдельных нейронов известны только низшие уровни, непосредственно взаимодействующие с мышцами. Наиболее надежный способ здесь - моделирование простейших нервных систем.

2. Используя накопленные знания о принципах организации биологических НС разрабатывать требуемые для решения наших задач нейросетевые архитектуры. Далее идет поиск сходства или расхождения в полученных моделях с реальностью и коррекция моделей при необходимости. Плюсом является свобода в выборе архитектуры сетей. Недостатком - опасность перейти от поиска общих концепций построения сетей управления к решению частных задач. А также, как и в п.1, проверка решений "в лоб" на их адекватность биологическим прототипам затруднена, из-за нехватки морфологических данных.

Очевидно, что разумно попытаться совместить оба подхода.

Подробнее...

Моделирование биоподобных систем управления движением

Эта статья - навигатор по остальным публикациям на сайте, посвященных разработке нашей модели импульсных нейронов и моделированию нейронных сетей для решения задач управления движением. Статьи будут время от времени обновляться, чтобы содержать актуальную информацию.

1. Моделирование нейронов.

Предыстория работы по созданию модели импульсного нейрона.

Забегая вперед - пройденный путь и планы исследований.

Обзор существующих моделей нейронов.

От модели формального нейрона к импульсному нейрону.

Математическое описание модели нейрона (требуется обновление).

Описание библиотеки моделей нейронов в Matlab Simulink.

Воспроизведение реакций естественных нейронов как результат моделирования структурно-функциональных свойств мембраны и организации синаптического аппарата (требуется обновление).

2. Моделирование нейросетевых систем управления движением.

Концепция применения биоподобных моделей нейронных сетей для управления робототехническими системами.

Описание модели нейронных сетей спинального уровня управления мышечным сокращением.

Модель нейросетевого регулятора - RCN (Regulatory Control Network).

Модель нейронной сети управления положением робототехнической системы - PCN (Position Control Network).

Идея нейронной сети управления движением по траектории TCN (Trajectory Control Network).

Введение в ИИ - с чего начать

Под термином Artificial Intelligence сейчас в мире обычно подразумевается не проблематика сильного искусственного интеллекта, а множество частных проблем, которые объединяет плохая формализуемость, и технологии для решения которых условно называют слабым ИИ. Проблемы терминологии хорошо описаны в статье Дэвида Вернона «То, что мы называем искусственным интеллектом, им не является». Но какую бы цель ни ставил перед собой тот, кто начинает изучать тему искусственного интеллекта, важно ознакомиться и освоить существующие технологии и терминологию.

Ниже идут ссылки на ресурсы, которые можно рекомендовать к первоначальному ознакомлению, условно разделенные на слабый и сильный ИИ.

Подробнее...

Модели заучивания пространственной информации при воспроизведении и узнавании

43-й семинар.

Ляховецкий В.А.,
Институт Физиологии им. И.П. Павлова РАН

Презентация доклада

Обзор существующих моделей нейронов

Скачать:

 Doc (880 kB 2014-06-27 18:18:42)

 Pdf (1 MB 2014-06-27 18:14:57)

Одним из важных направлений разработки интеллектуальных системявляется теория нейронных сетей. На сегодняшний день искусственные нейронные сети (ИНС) применяют для:

• классификации объектов;
• кластеризации/категоризации (классификации образов «без учителя»);
• аппроксимации функций;
• предсказаний/прогнозов;
• решения задач оптимизации;
• создания систем памяти, адресуемой по содержанию (ассоциативной памяти);
• решениязадач управления в слабодетерминированой среде.

Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона.

Для того чтобы верно оценить какие существуют искусственные нейроны, что они позволяют реализовывать, как можно улучшить существующие модели нейронов и нейронных сетей и какими могут быть новые разработки в этой области, необходимо произвести их обзор и классификацию.

Подробнее...