Искусственные нейронные сети в моделировании коллективного сознания Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 519

Искусственные нейронные сети в моделировании коллективного сознания

В.Н. Козлов

ФГУП НАМИ, г. Москва

Аннотация: Автор рассматривает возможность применения искусственных нейронных сетей для моделирования коллективного сознания/коллективного бессознательного, а также рассматривать коллективы как некий аналог сети, что позволит подобрать тот или иной тип нейронной сети для моделирования.

Ключевые слова: искусственные нейронные сети, коллективное бессознательное, коллективное поведение.

Artificial neural networks in the modeling of collective consciousness

V.N. Kozlov

FSUE NAMI, Moscow

Abstract: The author considers the possibility of using artificial neural networks for modeling the collective consciousness / collective unconscious, and also consider collectives as a kind of analogue of the network, which will allow selecting one or another type of neural network for modeling.

Keywords: artificial neural networks, collective unconscious, collective behavior.

Искусственные нейронные сети все чаще применяются в задачах искусственного интелекта, в поиске и анализе изображений, в работе современных поисковых систем (см. например [1]). По ссылке [1] можно «вживую» посмотреть работу нейронных сетей, например в задачах идентификации объектов на загруженных пользователем изображений. Несмотря на то, что часто используется название «нейронные сети», или «нейросети», фактически речь идет об ИНС - искусственных нейронных сетях, то

есть соответствующей математической модели, которая может быть симулирована с помощью программного обеспечения на компьютере или специальном аппаратном обеспечении. Идея нейронных сетей происходит из биологии, а точнее построения математической модели биологических объектов, а именно повторение организации, структуры и принципов функционирования «настоящих» нейронных сетей, то есть сетей, образованных нервными клетками человека, или животного.

Подробно применение ИНС рассмотрено, например, в [2].

В задачах моделирования ИНС может быть представлено в виде соединенных и аналогично нейронам головного мозга взаимодействующих между собой простых процессоров (искусственных нейронов). По сравнению с современными CPU и GPU это простые устройства: каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам.

Искусственный нейрон - узел искусственной нейронной сети, являющийся упрощенной моделью естественного нейрона. Математически, искусственный нейрон обычно представляют как некоторую нелинейную функцию от единственного аргумента - линейной комбинации всех входных сигналов. Данную функцию называют функцией активации или функцией срабатывания, передаточной функцией. Полученный результат выдается на единственный выход. Такая аналогия полностью описывает и естественные нейроны (дендриты нервной клетки получают сигнал от аксонов других клеток, результат выдается в единственный аксон нервной клетки).

Искусственные нейроны отличаются друг от друга количеством входных сигналов и функцией срабатывания, в то время как коэффициенты связей между нейронами являются свойствами ИНС.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения - одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет

вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «за-шумленных», частично искажённых данных.

Используемые архитектуры нейросетей по типу обучения:

• обучение с учителем - перцептрон;

• обучение без учителя - сети адаптивного резонанса, самоорганизующаяся карта Кохонена, нейронная сеть Кохонена, нейронная сеть Хопфилда, нейронная сеть Ворда;

• смешанное обучение - сеть радиально-базисных функций.

Возможны и другие типы математических моделей ИНС, искусственных нейронов, их реализаций и алгоритмов их обучения. Таким образом искусственной нейронной сетью может быть любая совокупность математических моделей искусственных нейронов, построенная по любой архитектуре, постольку поскольку это соответствует поставленной задаче.

Рассмотрим задачу применения нейросетей для анализа коллективных организмов. Традиционно для описания муравьев или пчел применяются клеточные аппараты, мы же возьмемся рассмотреть вопрос: можно ли муравейник или пчелиный улей рассматривать как аналог нейронной сети, имеющей возможность обработки информации? Это не значит, что муравейник или улей является нейросетью, но среди своих прочих функций тоже в том числе может быть описан математической моделью нейронной сети. Если считать отдельных муравьёв или пчёл аналогами искусственных нейронов, то остаётся только определиться с архитектурой сети, вводимой и выводимой информацией, после чего можно приступать к подбору методов обучения.

Что мы знаем о «нейросетях» муравейников и ульев? Достоверно известно, что тип обучения их нейронной сети - исключительно без учителя, как и у любых других естественных нейронных сетей, существующих в природе. В таком случае открывается поле деятельности по выбору архитектуры нейросети, особенно если учесть специфику информационного взаимодействия нейросети с внешней средой. Например, ввод информации из внешней среды явно осуществляется любым нейроном, а не только специально выделенной для этого группой. Вывод информации нейросети не определён. Также, как и виды связей между нейронами и их группами.

Логично предположить, что выводимая информация представляет собой принимаемые нейросетью решения по управлению объектом (муравейником или ульем).

Можно попытаться применить подобную модель и к человеческом обществу, зная типы взаимодействия между людьми, такие, как например семья - ячейка общества. Можно начать строить предположения об архитектуре нейросети с этого утверждения. Например, разделить нейроны ИНС по группам, соответствующим семьям, рабочим коллективам и клубам (спортивным, музыкальным, политическим, развлекательным и др.) и сопоставить взаимодействия между реальными группами, существующими в обществе, аналогично взаимодействиям между группами нейронов. Выводимая информация нейросети по управлению человеческим обществом тоже в общих чертах известна (рассматривая механизмы реализации власти и начальства, «теории заговора» мы не рассматриваем).

Отсюда можно предположить возможную архитектуру ИНС.

4

Рис.1 - Предполагаемая структура ИНС:

1 - внешняя среда;

2 - одно- и двунаправленные связи с коэффициентами связи; каждая двунаправленная связь соответствует двум встречно-параллельным однонаправленным, каждая со своим коэффициентом связи;

3 - искусственные нейроны;

4 - группы искусственных нейронов, соответствующие биологическим семьям;

5 - группы искусственных нейронов, соответствующие равноправным клубам (спортивным, музыкальным, развлекательным и др.);

6 - группы искусственных нейронов, соответствующие иерархическим клубам (политическим партиям, рабочим коллективам, административным органам и др.);

7 - связи совмещения искусственных нейронов в разных группах сетей, соответствующие совмещению функций одного и того же искусственного нейрона в различных клубах; математически соответствует тождественности состояния искусственного нейрона в различных клубах;

8 - связи искусственных нейронов, соответствующие административным указаниям, относящимся к каждому нейрону, независимо от других условий (например, аналог ПДД: в случае их несоблюдения резко увеличивается вероятность получения премии Дарвина).

Для максимального упрощения и наглядности представления архитектуры ИНС все семьи состоят из 4-х нейронов, ограничено количество семей и клубов нейронов, а также количество членов клубов и связей между клубами.

Теперь остаётся проанализировать получившуюся нейросеть на соответствие известным науке нейросетям с типом обучения без учителя (например, сети адаптивного резонанса, самоорганизующаяся карта Кохонена, нейронная сеть Кохонена, нейронная сеть Хопфилда, нейронная сеть Ворда) и определить метод её обучения.

Как мы предполагаем, применение подобных математических моделей ИНС может помочь в моделировании социологических взаимодействий, в том числе и предсказанию результатов

тех или иных воздействий на общество. Дальнейшей задачей является создать симуляцию нейросети и провести обучение без учителя и выбрать оптимальный метод обучения.

Библиографический список

1. Приложения и сервисы на нейронных сетях http://ashmanov. net/

2. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск./Д. Рутковская, М. Пилиньский, Л. Рутковский М.: Горячая линия -Телеком, 2008 -452с.

Об авторе:

Козлов Владимир Николаевич, ФГУП НАМИ, Москва About the author:

Kozlov Vladimir Nikolaevich, FSUE NAMI, Moscow, Russia.