Сппр нейросетевых вычислений

Искусственная нейросеть предназначалась главным образом для того, чтобы на основе обработки большого объёма информации, связанного с одним исследуемым объектом, выявить общие закономерности всего класса таких объектов. Таким образом, снимается проблема моделирования бессознательных актов распознавания ситуаций, образов, цвета и т.д. Нейросеть рассматривалась как «чёрный ящик», который имеет вход, выход и некоторые внешние параметры.

Другая причина использования нейросетей – необходимость увеличения скорости работы современных компьютеров. В настоящее время достигнут предел скорости их работы, ограниченной скоростью распространения света. В тоже время человеческий мозг способен распознать ситуацию за доли секунды, обработав массу информации, находящейся в его голове. Это объясняется параллельностью работы многих клеток мозга. Подобное пока недоступно самому совершенному суперкомпьютеру, но это можно достичь с помощью нейросетей с высоким уровнем параллельности работы.

Существует ещё одна причина быстрого распространения искусственных нейросетей – их самопрограммируемость. Все операции по распознаванию, сравнению и обработке информации нейросеть выполняет, не прибегая к кодированию (переводу в цифровой код). Это освобождает пользователя от программирования для адаптации системы к новым условиям или к новым информационным потребностям.

Идеи нейросетевых технологий развиваются в рамках нового научного направления – эволюционного моделирования. Сущность эволюционного моделирования состоит в следующем: более правильные решения в прошлом способствуют принятию более оптимальных решений в будущем, что положительно сказывается на состояние предприятия. Эволюционные вычисления целесообразны тогда, когда известные методы оптимизации не позволяют исследовать поведение целевой функции вне областей локальных минимумов. Такие вычисления используются для решения трудных задач, типа поиска оптимальной структуры нейросети.

В общем случае эволюционное моделирование предполагает следующую последовательность действий:

• Разработка способа представления результатов решения в виде строки или дерева;

• Отбор операторов, учитывающих специфику задачи и с помощью которых будут формироваться новые результаты решения;

• Выбор объекта популяций (направления или решения, дающего лучшие результаты сегодня);

• Разработка способа отбора решений для «счастливого» будущего и комплектования их в единую целевую функцию.

Для реализации эволюционного моделирования создаются генетические алгоритмы, способные учитывать механизмы наследования решений, подобно живым организмам при естественном отборе. Генетические алгоритмы основываются на гипотезе селекции: «чем выше приспособленность особи, тем выше вероятность того, что в потомстве признаки, определяющие его приспособленность, будут ещё сильнее» [5]. Т.е. селекция – это оптимизация, выраженная в самом общем виде. Данное обстоятельство особенно важно в связи с тем, что в процессе обучения нейросетей происходит пошаговая векторная (многомерная) оптимизация синоптических весов. Результатом обучения является минимум (оптимум) отклонений, получаемых с помощью сети результатов распознавания реальных ситуаций, от обучающих примеров.

Известные генетические алгоритмы [6] j обладают худшей эффективностью по сравнению с градиентными методами оптимизации, но обеспечивают в большинстве случаев сходимость в глобальном смысле и способность работать с плохо определёнными и неопределёнными (зашумленными) данными. Генетический алгоритм определяется как процедура , которая выполняет последовательность операций, предназначенных для моделирования процесса эволюции путём изменения битовых строк, называемых хромосомами. Набор хромосом представляют из себя гены, откуда и пришло название – генетические алгоритмы (ГА). В данном случае оперируют с парной репродукцией, которая характеризуется рекомбинацией двух родительских строк для создания потомков.

Эффективное использование ГА определяется следующими условиями:

1. Большое пространство поиска, ландшафт которого является негладким (содержит несколько экстремумов);

2. Сложность формализации оценки качества решения функцией степени пригодности;

3. Многокритериальность поиска;

4. Поиск приемлемого решения по заданным критериям в отличие от поиска единственного оптимального;

5. Отсутствие программирования, что позволяет оперативно адаптироваться к новым обстоятельствам;

6. Использования метода индукций в процессе обучения и распознавания объектов.

Кроме ГА есть ещё одно направление эволюционного моделирования – эволюционная стратегия. Эволюционные стратегии используют только операции селекции (отбора) и мутации, в отличии от ГА, где добавляется ещё механизм скрещивания. Если использовать биологические термины, то эволюционная стратегия моделирует естественную эволюцию с помощью непарной репродукции.

Эволюционное моделирование обладает в силу своей специфики следующими недостатками:

1. Нейросети не способны объяснить полученные с их помощью результаты, что вызывает недоверие к ним;

2. Нейросеть рассматривается в виде «чёрного ящика». Пока не представляется возможность выяснить, какие зависимости зафиксированы в сети и какой они сложности;

3. Неизвестны методы построения сетей. Теорема А.Н. Колмогорова, доказанная ещё в 1957 году и указывающая на максимальное число нейронов в сети, ничего не говорит об их минимальном количестве или о числе слоёв нейронов;

4. Достаточно сложно выявляется значимость отдельных входных факторов с помощью нейросетей;

5. Нейросеть не способна к оценке принципиально новых, неизученных ранее ситуаций.