В статье исследуют понятие искусственный нейрон, принципы работы и сравнения с биологическим нейроном.
Ключевые слова: искусственный нейрон, функции активации, искусственная нейронная сеть, нейрокомпьютеры.
В связи с цифровизацией современного общества и интеграции информационных технологий во все сферы современного общества, наблюдается лавинообразное нарастание данных, измеряемое зетабайтами. Данное явление именуется «информационный взрыв», где основные его аспекты были разобраны, к примеру, в работе Еремнина А. Л. [1].
Так как данных становится всё больше, а человек, по своей биологической природе, не способен обрабатывать столь большое количество информации, появляется направление Data Science, что конкретно переводится как Наука о данных, где используются математические модели и вычислительные мощности современных компьютеров для систематизации, классификации данных, которые нарастают с каждым днем.
В Data Science существует и отдельное направление, которое даёт возможность не только систематизировать данные, но также находить в них закономерности, функциональные зависимости, что позволяет находить такие закономерности в других данных или же предсказывать будущие события. Такое направление имеет название Machine Learning (далее ML), что переводится как Машинное Обучение. Отличительной особенностью ML является способностью обучать информационную модель, а не программировать её. Таким образом, машина полностью берет на себя построение зависимостей, функций, закономерностей, которые поступают в ней и самостоятельно определяет классификацию данных, без участия человека.
В ML существуют самые разные направления обучения машины, но нас будет интересовать крайне актуальная, эффективная и перспективная модель обучения — нейронные сети и его составной элемент — искусственный нейрон.
На сегодняшний день, нейронные сети являются одними из самых популярных направлений в Computer Science, они показывают себя в самых разных направлениях. К примеру, чат-боты, распознавание голоса, компьютерное зрение и т. д.
Целью нашего исследования является выяснения определения искусственного нейрона, его происхождения и принципов работы.
Откуда появчился термин искусственные нейронные сети?
Термин ИНС (искусственные нейронные сети) изначально был позаимствован из биологии, а именно из клетки нервной системы — нейрона. Термин «нейрон» для обозначения нервных клеток введён Г. В. Вальдейером в 1891 году [2]. Нейрон может находиться в двух состояниях — возбуждение и торможение. Нейрон (Рис. 1) следующие составные элементы: дендриты — короткие отростки, принимающие сигнал, аксоны — длинные отростки, передающие сигнал и тело нейрона — функциональный элемент, отвечающий за питание, управление ресурсами, деление и т. д.
Рис. 1. Строение нейрона
На конце аксона находится синапс — место контактов нейронов друг с другом, отличительная особенность синапса — однонаправленность, то есть синапс передает возбуждение(сигнал) от аксона к дендриту, только в одном направлении.
Любой тип нейрона имеет важное свойство — суммирование раздражений, то есть нейрон при помощи дендритов умеет принимать больше количество возбуждений и суммировать их в один сигнал, который передает через аксон следующему нейрону. Это и есть объяснение сложности взаимодействий частей организма и наших умственных возможностей.
Нейрокомпьютеры
Идея о создании нейрокомпьютеров появилась благодаря коннекционизму — раздел ИИ, связанным с созданием искусственного мозга и моделирование мышления человека при помощи компьютеров. С точки зрения коннекционизма (от англ. connection — связь), отдельные нейроны можно моделировать простыми автоматами, а вся сложность мозга определяется связями между нейронами [3]. Из этого утверждения выделяются следующие свойства:
– однородность системы (все элементы просты по строению);
– надежность системы (благодаря большому количеству связей);
– «голографичность», обеспечивающая сохранение свойств системы при разрушении ее части.
Важно отметить то, что компьютеры могут работать сбоев только следуя алгоритму, а суть нейрокомпьютера в том, что даже если данных не вполне достаточно или они неполны ил даже повреждены, компьютер выполняет программу все равно и связано с высоким уровнем параллелизма связей.
В [3] дано следующее определение ИНС: нейронная сеть — это распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки.
Если мы рассматриваем с вами традиционный компьютер, то он состоит из четырех блоков: центральный процессор, память, устройство ввода и вывода. Причем центральный процессор представляет собой арифметико-логическое устройство и устройство управление.
В нейрокомпьютере арифметико-логическое устройство используется на базе искусственных нейронных сетей у которого имеется блок обучения (Рис. 2).
Рис. 2 Схема нейрокомпютера
Понятие искусственный нейрон
Искусственный нейрон — это узел искусственной нейронной сети, являющийся упрощённой моделью естественного нейрона [4].
На вход искусственной нейронной сети поступает набор данных, для каждого элемента данных имеется свой собственный вход. Каждый вход взвешивается, то есть умножается на некий коэффициент. Далее, каждое произведение суммируется и получается уровень активации нейрона. Блок, где находится сумма всех входных значений и весов соответствует телу нейрона (рис. 3).
Рис. 3. Искусственный нейрон (перцептрон)
Искусственный нейрон представляет собой нелинейную функцию, которая получает определенный отрезок значений. Такая функция называется функция активации. К примеру, в биологических нейронных сетях функция активации обычно является абстракцией, представляющей скорость возбуждения потенциала действия в клетке [5]. Полученные данные обычно находится в пределах [-1;1] или [0;1], а для того, чтобы определить уровень активации нейрона, используют разные виды функций активации (рис. 4).
Рис. 4. Основные варианты описания активационной функции
Выводы
Проведя глубокий литературный и аналитический анализ, мы разобрали источники происхождения искусственных нейронных сетей, их принципы работы: входные данные, веса и функции активации. Также выяснили в каких пределах находятся определяются функции активации и каких видов они бывают.
Литература:
1. Еремин, А. Л. Ноогенез и теория интеллекта / А. Л. Еремин. — 4. — Краснодар: СовКуб, 2005. — 356 c. — Текст: непосредственный.
2. Азимов, А. Краткая история биологии / А. Азимов. — 2. — Москва : Рипол Классик, 2013. — 114 c. — Текст : непосредственный .
3. Хайкин, С. Нейронные сети / С. Хайкин. — 2. — Москва: Вильямс, 2006. — 1104 c. — Текст: непосредственный.
4. Комарцова, Л. Г. Нейрокомпьютеры / Л. Г. Комарцова, А. В. Максимов. — 1. — Москва: МГТУ им. Н. Э. Баумана, 2004. — 400 c. — Текст: непосредственный.
5. Cybenkot, G. Approximation by Superpositions of a Sigmoidal Function / G. Cybenkot. — Текст: непосредственный // Mathematics of Control, Signals, and Systems. — 1989. — № 2. — С. 303–314.
