Ambrus
-7 °C
3 °C

Neuronhálók

2002.03.25. 09:30
Kapcsolódó cikkek (1)
Míg a szakértői rendszerek szép lassan beépültek a nagyobb informatikai rendszerekbe, úgy képezve azok szerves részét, hogy működésük nem vált ki különösebb közérdeklődést, addig az utóbbi két évtizedben a mesterségesintelligencia-kutatás egy másik, sokkal izgalmasabb területe került rivaldafénybe: a neuronhálók.
Számos más tudományhoz hasonlóan, a mesterséges intelligenciák (MI) fejlesztésében is két fő megközelítési mód különíthető el élesen egymástól: az alulról felfelé (bottom-up), illetve a felülről lefelé (top-down) történő "építkezés". Utóbbi megoldás hívei az emberi agyműködést számítógépes programokkal próbálják utánozni. A bottom-up módszer viszont programok helyett/mellett az agy teljes neuronhálózatának elektronikus replikáit célozza meg.

Az emberi elme Boole logikáját követi

A neurofiziológiának és logikának az MI-kutatásra döntő hatást gyakorló szintézisét Warren McCulloch és Walter Pitts dolgozták ki a hatvanas években. Arra kerestek választ, arra igyekeztek megfelelő matematikai modellt találni, miként hozzák a neuronhálók működésbe az agyat. A neuronokat (idegsejteket) bináris számokat feldolgozó eszközökként értelmezték. A Boole-féle algebrából kiindulva, az 1 és 0, illetve "igaz" és "hamis" formában reprezentált bináris számok egyben az elektronikus számítógép alapját is jelentik. Boole úgy vélte, az emberi elme szintén e logika - ÉS, VAGY, NEM - szerint funkcionál. Elméletét Claude Shannon alkalmazta az elektromos áramkörökre.

Neuronlogika a gyakorlatban

McCulloch és Pitts - Boole elméletére támaszkodva - főként azt tanulmányozták, hogy az egymással összeköttetésben lévő idegsejtek hálózatai milyen módon képesek logikus műveletek létrehozására. Azt is megállapították, hogy egyetlen idegsejt szintjén a jelkibocsátás, illetve annak hiánya képezi az agy "igaz", vagy "hamis" döntéseinek az alapját. A visszacsatolás elvét felhasználva írták le az érzékek, az agy, és az izomzat közötti loop működését, majd levonták a következtetést, mely szerint a memória neuronok zárt loopja közötti jelzésekként határozható meg.

A Simple Percrepton Diagram

A későbbiekben, gyakorlatba ültetve a teóriát, ideghálók elektronikus utánzatait is megtervezték, bizonyítandó, hogy az elektronikus hálózatok képesek logikus folyamatokat generálni. Úgy vélték, a jövőben a tanulással, különböző patternek felismerésével se lesz gondjuk.

Noha McCulloch és Pitts néhány észrevétele felett elszáguldott az idő, az MI-kutatásban mégis mérföldkőnek, valamennyi mesterséges neuronháló-elmélet kiindulási pontjának számítanak.

Laboratóriumok épülnek

McCulloch és Pitts kutatásai, továbbá Norbert Wienernek e témát is érintő munkái belelkesítették a tudományos közvéleményt. Az Egyesült Államokban több, ideghálók számítógépes szimulálását feladatul tűző laboratóriumot alapítottak.

Drága a számítókapacitás

Számos, de főként két tényező lassította a fejlesztéseket. Neuron-szimulációra alkalmas gépek előállítása rendkívül költségesnek bizonyult, még abban az esetben is, ha egy hangya idegsejtjeinek számával azonos neuronhálókat akartak létrehozni. És az árak hiába esnek, a számítógépes modell még mindig nagyon távol van az emberi agy teljességétől. A másik gondot a computerek jelenlegi "architektúrája" (a standard Neumann modell) okozza: nem elegendő a különböző részek közötti "összekötő utak" száma.

A hetvenes években nem volt divat

A hatvanas évek végére aztán alábbhagyott a (perceptronoknak szintén nevezett) neuronhálók körüli hype, a következő évtized kutatásai szintén nem tartottak számot különösebb érdeklődésre, a láng csak a nyolcvanas évek második felében lobbant fel újra. Pedig egyre szebb eredmények születtek. John Hopfield bemutatta, egyszerű neuronhálók is elsajátíthatják a számolás képességét. Frank Rosenblatt, számítógép szimulálta hálózattal kísérletezve, létrehozott egy, az emberi gondolkodás folyamatát utánzó, illetve betűk felismerésére képes gépet.

Neuronhálóra céget építeni

A nyolcvanas évek közepén több, főként a Parallel Distributed Processing Study Group nevével fémjelzett nagyhatású elméleti munka jelent meg a témakörben, és a kutatások egyre szélesebb spektrumot öleltek fel: az alkalmazások a mesterséges beszéd-generálástól backgammon-tanításig, vagy a járművezetésig terjedtek ki. Az üzleti szféra egyre nagyobb érdeklődést mutatott, 1989 végén több mint háromszáz neuronhálókra szakosodott, főként kutatók által alapított céget tartottak számon az Egyesült Államokban.

Neuronhálózat-típusok
Három típust különböztetünk meg: az egyes idegsejtekben, kisebb idegsejt-csoportokban végbemenő folyamatokat modellező biológiait, a kognitív tudománynak az emberi gondolkodásról alkotott modelljeit (kognitív), illetve az idegeken és viselkedés-rendszerükön alapuló connection-elvű modelleket.
Az MI-kutatásban főként a connection-elvű modellekkel foglalkoznak.
A connection-elvű hálózatok főként három neuron-típust használnak: "1. McCulloch-Pitts neuron. A neuron több inputtal és egy outputtal rendelkező logikai ÉS-, illetve VAGY-kapuként való felfogását jelenti. 2. Adaptív neuron. Ez bonyolultabb elem, amely az inputok összességétől függő lineáris választ ad. Rendszerint alakfelismerő áramkörök alapjául szolgál. 3. Hopfield-féle neuron. Szigma jellegű választ ad, tehát az input növekedésével az output értéke csak egy adott értékkel nő, majd stabillá válik, további inputnövekedés már nem érinti." (Jenny Raggett - William Bains: Mesterséges intelligencia A-Z.)