Участь нейроподібних зростаючих мереж у розвитку загального інтелекту. Нейроподібні зростаючі мережі (Ч. IІ)
DOI:
https://doi.org/10.34121/1028-9763-2023-1-3-29Ключові слова:
natural intelligence, artificial intelligence, nervous system, biological neuron, artificial neuron, neural-like element, природний інтелект, штучний інтелект, нервова система, біологічний нейрон, штучний нейрон, нейроподібний елементАнотація
Анотація. Cтаття присвячена розробці загального штучного інтелекту на базі нового типу нейронних мереж – «Нейроподібних мереж, що ростуть». Стаття складається із двох частин. Перша частина опублікована в № 4, 2022 р. У першій частині описаний штучний нейроподібний елемент (штучний нейрон) за своїми функціональними можливостями, максимально наближеними до біологічного нейрона. Штучний нейроподібний елемент є основним елементом побудови нейроподібних мереж. У другій частині розглядаються структури та функції штучних і природних нейронних мереж. Пропонується новий підхід до створення нейроподібних мереж, що ростуть, як засіб розробки загального штучного інтелекту максимально наближеної до природного інтелекту людини. Інтелект людини та живих організмів формується їхньою нервовою системою. Основним механізмом вищої нервової діяльності, за визначенням І.П. Павлова, є рефлекторна діяльність нервової системи. У нервовій клітині основним сховищем безумовних рефлексів є молекула дезоксирибонуклеїнової кислоти (ДНК). У статті описано рибосомний синтез білків, що сприяє реалізації безумовних рефлексів та формуванню умовних рефлексів як основи навчання біологічних об'єктів. У першій частині роботи показано, що структура та функції рибосом практично повністю збігаються зі структурою та функціями машини Тюрінга. Тюрінг придумав цю машину для доказу принципової (теоретичної) можливості побудови скільки завгодно складних алгоритмів із гранично простих операцій, причому самі операції виконуються автоматично. Тут виникає приголомшлива аналогія: природа вигадала ДНК і рибосому для побудови складних алгоритмів створення біологічних об'єктів, їх спілкування між собою та з зовнішнім середовищем. Рибосомний синтез білків здійснюється безліччю рибосом. Одночасно зроблений висновок, що нервові клітини мозку являють собою аналогові багатомашинні комплекси – надшвидкодіючі молекулярні суперкомп'ютери з надзвичайно простим аналоговим пристроєм програмування.Посилання
Susskind D. A World Without Work: Technology, Automation, and How We Should Respond. Metropolitan Books, 2020. 350 p.
Yashchenko V.A. Neural-like growing networks in the development of general intelligence. Neural-like element (P. I) Mathematical machines and systems. 2022. N 4. P. 15–36.
Werbos P.J. Beyond regression: New tools for prediction and analysis in the behavioral sciences. Ph. D. thesis, Harvard University, Cambridge, MA, 1974.
Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974. 368 с.
Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. 236 с.
Kohonen T. Self-Organization and Associative Memory, Third Edition. New York: Springer-Verlag, 1989. 312 р.
Гроссберг С. Внимательный мозг. Открытые системы. 1997. № 4. С. 29–33.
Амосов Н.М., Байдык Т.Н., Гольцев А.Д., Касаткин А.М., Касаткина Л.М., Куссуль Э.М., Рачковский Д.А. Нейрокомпьютеры и интеллектуальные роботы. Киев: Наукова думка, 1991. 272 c.
Velichko A. Neural Network for Low-Memory IoT Devices and MNIST Image Recognition Using Kernels Based on Logistic Map. Electronics. 2020. N 9 (9). URL: https://www.mdpi.com/2079-9292/9/9/1432.
Анил К. Джейн, Жианчанг Мао, Моиуддин К.М. Введение в искусственные нейронные сети. Открытые системы. 1997. № 4. С. 16–24.
Winder Ph. Reinforcement Learning: Industrial Applications of Intelligent Agents. O'Reilly Media, 2020. 405 p.
Саттон Р.С., Барто Э.Дж. С21 Обучение с подкреплением: Введение / пер. с англ. А.А. Слинкина. М.: ДМК Пресс, 2020. 552 с.
Глубинное обучение: основные понятия. URL: https://www.osp.ru/articles/ 2019/ 0804/ 13055056.
Физиология человека / под ред. В.М. Покровского, Г.Ф. Коротько; 2-е изд., перераб. и доп. М., 2003. 656 с.
Блум Ф., Лейзерсон А., Хофстедтер Л. Мозг, разум и поведение. М.: Мир, 1988. 248 с.
Мозг, познание, разум: введение в когнитивные нейронауки: в 2 ч. Ч. 1 / под ред. Б. Баарса, Н. Гейдж; пер. с англ. под ред. проф. В.В. Шульговского. М.: БИНОМ. Лаборатория знаний, 2014. 552 с.
Yashchenko V.A. Neural-like growing networks – new class of the neural networks. Proc. of the International Conference on Neural Networks and Brain. Beijing, China. 1998, October 27–30. P. 455–458.
Ященко В.А. Рецепторно-эффекторные нейроподобные растущие сети – эффективное средство моделирования интеллекта (Ч. 1). Кибернетика и системный анализ. 1995. № 4. C. 54–62.
Ященко В.А. Рецепторно-эффекторные нейроподобные растущие сети – эффективное средство моделирования интеллекта (Ч. 2). Кибернетика и системный анализ. 1995. № 5. C. 94–103.
Ященко В.А. Многомерные нейроподобные растущие сети как средство интеллектуализации ЭВМ. Кибернетика и системный анализ. 1994. № 4. C. 41–52.
Ященко В.А. Базові операції побудови нейроподібних мереж, що ростуть. Вісник Київського університету імені Тараса Шевченка. 1998. № 4. С. 232–236.
Данилова H.H., Крылова А.Л. Физиология высшей нервной деятельности. Ростов-на-Дону: Феникс, 2005. 478 с.
99
23Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Математичні машини і системи
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
