<<
>>

32. Обучение синергетического компьютера

Как нам известно из главы 7, у людей и животных процессы обучения могут быть сведены к закреплению определенных изменений, происходящих в синапсах. Как же выглядит процесс обучения в случае синергетического компьютера? Для начала отметим, что синергетический компьютер изначально располагает некоторыми заранее установленными силами «си- наптических» связей, которые непосредственно определяются из заданных прототипных образов.

Об этом мы уже говорили в главе 18. Нет никакого сомнения в том, что в человеческом мозге ничего подобного нет; соединения между синапсами возникают самостоятельно посредством самоорганизации.

Можно ли добиться от синергетического компьютера сколько-нибудь положительных результатов в обучении, поставив его в такие же условия? Принципиально это возможно, однако требует весьма и весьма объемистого математического обоснования, которое в рамках данной книги мы, разумеется, предоставить просто не в состоянии. Именно по этой причине мы и здесь воспользуемся одним очень наглядным представлением, тесно связанным с тем, что мы описывали ранее, в главе 19. Там мы убедились, что принцип работы синергетического компьютера можно продемонстрировать с помощью потенциального холмистого ландшафта, по которому катается мяч или шар. Положение мяча описывает «воспринимающее состояние» компьютера, а долины соответствуют сохраненным прототипам. Прежде всего подумаем, как же на основании предложенных прототипов сконструировать такой ландшафт? Представим себе плоскую поверхность, которая будет до некоторой степени олицетворять состояние человеческого мозга (или нашего синергетического компьютера) при отсутствии каких бы то ни было воздействий извне. Каждой точке этой плоскости соответствует некий образ. Представим также, что в действительности образ существует в неко- тором пространстве более высокой размерности, так что в данном случае перед нами лишь двумерная проекция связей и отношений, имеющих место в упомянутом многомерном пространстве.

В таком представлении координаты а; и у (т.

е. значения, отложенные по осям х я у) соответствуют значениям серого в двух пикселях. Далее представим, что наша плоская поверхность сделана из некоей пластичной субстанции, поддающейся деформации и сохраняющей приданную ей форму до следующего воздействия. Когда системе предлагается для запоминания некий образ, это означает, что в точку, соответствующую этому образу, мы помещаем стальной шарик, который вдавливается в пластичный материал поверхности. Часто случается так, что из-за различных внешних помех (изменение освещения или зашумленность) образы, относящиеся к одному и тому же лицу или символу (например, букве), оставляют «след» не точно в той же точке; так в поверхности образуются скопления близко расположенных углублений, т.е. каждому из прототипных образов соответствует уже не одна-единственная точка, а некоторая совокупность точек, при этом расстояния между отдельными скоплениями (или различия между разными прототипами) по-прежнему остаются относительно большими, при каждом новом предъявлении одного или нескольких образов наш стальной шарик оставляет в поверхности соответствующие углубления, формируя тем самым весьма наглядный ландшафт с холмами и долинами.

В случае синергетического компьютера обучение означает «запечатле- ние» в самом буквальном смысле этого слова. Поверхность получаемого ландшафта в каждой отдельно взятой долине приобретает, разумеется, — в силу особенностей построения этого самого ландшафта — довольно неправильную форму, которую, впрочем, можно до некоторой степени сгладить. В результате возникает ландшафт, похожий на тот, что представлен на рис. 19.1. Применяя описанный метод можно «выучить» компьютер распознавать также зашумленные и деформированные изображения; для этого достаточно раз за разом предъявлять ему эти изображения (например, фотографии людей, которых компьютер должен опознавать), подвергшиеся тем или иным модификациям. Именно таким образом и сглаживаются неровности холмистого ландшафта. Пример такого сглаживания можно видеть на рис.

32.1. С той же целью можно предъявлять компьютеру и частично скрытые прототипы, примеры которых показаны на рис. 32.2. Несмотря на то, что скрывающие изображение «заплатки» располагаются всегда в разных местах прототипных образов, компьютеру удается реконструировать такие изображения, отфильтровывая помехи и безошибочно воссоздавая идеальные прототипы; этот процесс проиллюстрирован на рис. 32.3.

а)

Рис. 32.1. (а) Процесс обучения синсргстцчсского компьютера. Компьютеру последовательно предлагаются изображения лиц: оригинальные (вверху) и зашумленные (внизу), (б) Компьютер оказывается способен не только воссоздавать оригинальные изображения, но и формировать одновременно с этим новые синаптичсскис связи

б)

Рис. 32.2. Процесс обучения синергетического компьютера. Компьютеру последовательно предлагаются частично скрытые изображения лиц

Рис. 32.3. Из предложенных изображений (рис. 32.2) компьютер оказывается способен не только восстановить оригинальные изображения, но и реконструировать одновременно с этим синаптичсскис связи

Рис. 32.4, Предложенные компьютеру изображения

II

Рис. 32.5. Из предложенных портретов (рис. 32.4) компьютер должен был создать общий усредненный прототипный образ. Представленная последовательность отражает процесс создания этого «идеального» лица

Рис, 32,6, Если компьютеру предложить еще один портрет и позволить создать на его основе новый прототипный образ, отличный от показанного на рис. 32.5, то при распознавании компьютеру удастся восстановить оба прототипа

Таким образом, мы видим, что каждому холмистому ландшафту со-ответствует совершенно определенный рисунок сил синаптических связей. Построение ландшафта одновременно означает и формирование синаптических связей; собственно говоря, построение ландшафта явилось для нас лишь способом продемонстрировать процесс формирования синаптических связей. Здесь, однако, имеется еще один подводный камень, который, впро-чем, очень быстро обнаруживается, если не пускать деформацию ландшафта на самотек.

Если один из двух образов предъявляется чаще, чем другой, то его «долина», разумеется, становится значительно глубже, чем «долина», соответствующая второму образу В человеческом мозге, однако, этот феномен проявляется лишь в очень ограниченной степени: хотя буква «Е» встречается нам на письме гораздо чаще, чем, скажем, буква «X», мы все же выучиваем букву «X» ничуть не хуже, чем букву «Е». По всей видимости, нам следует ввести в нашу модель еще один механизм, который следил бы за тем, чтобы долины получались одинаковой глубины. Достичь этого, очевидно, очень просто — нужно лишь «вдавливать» поглубже те долины, которые оказываются недостаточно глубоки. Тот же эффект имеет и соответствующая деформация синаптических сил; при этом можно даже «назначать» одной долине несколько прототипов, причем не обязательно одинаковых. Таким образом можно осуществлять категоризацию образов.

Мы можем, например, указать компьютеру, что лица, портреты которых помещены на рис. 32.4, следует отнести к одной долине. Компьютер создаст на некотором участке поверхности долину, учитывающую максимальное количество общих черт указанных лиц. Сгенерированное таким искусственным образом лицо показано на рис. 32.5. Можно сделать и следующий шаг: предложить компьютеру еще один портрет, указав при этом, что изображенному на нем лицу следует сопоставить другую долину, отличную от уже созданной. Компьютер решит поставленную задачу без каких бы то ни было затруднений, создав при этом новые синаптические связи, которые сделают возможным различение между группой лиц с рис. 32.4 и лицом с рис. 32.6, но не между лицами, принадлежащими первой группе (рис. 32.5).

<< | >>
Источник: Хакен Г., Хакен-Крелль М.. Тайны восприятия. — Москва: Институт компьютерных исследований, 2002, 272 стр.. 2002

Еще по теме 32. Обучение синергетического компьютера:

  1. Оглавление
  2. 19. Холмистые ландшафты процесса восприятия
  3. 20. Еще одна сетевая реализация синергетического компьютера: «бабушкины клетки»
  4. 24. Плоские трансформацииизображений — альтернативное решение
  5. 31. Нейрокомпьютер: традиционный путь
  6. 32. Обучение синергетического компьютера
  7. 33. Мозг и идеал красоты
  8. Список литературы и примечания
  9. Предметный указател
  10. 7.3. Нетрадиционные подходы к оценке персонала