Bioinspirované výpočty - Bio-inspired computing

Tento článek pojednává o používání biologie jako inspirace při práci na počítači. Počítače složené z biologických částí viz Biologické výpočty. Analýza dat a matematické modelování v biologii viz Výpočetní biologie.

Bioinspirované výpočty, zkratka pro biologicky inspirované výpočty, je obor, který se snaží řešit problémy informatiky pomocí modelů biologie. Týká se to konekcionismus, společenské chování, a vznik. V rámci počítačová věda „Bioinspirované výpočty se týkají umělé inteligence a strojového učení. Bioinspirované výpočty jsou hlavní podmnožinou přirozený výpočet.

Oblasti výzkumu

Některé oblasti studia biologicky inspirovaných výpočtů a jejich biologické protějšky:

Bioinspirované počítačové témaBiologická inspirace
Genetické algoritmyVývoj
Predikce biologické rozložitelnostiBiologický rozklad
Mobilní automatyŽivot
VznikMravenci, termiti, včely, vosy
Neuronové sítěMozek
Umělý životŽivot
Umělý imunitní systémImunitní systém
Vykreslování (počítačová grafika)Vzorování a vykreslování zvířecích kůží, ptačího peří, mušlí a bakteriálních kolonií
Systémy LindenmayerRostlinné struktury
Komunikační sítě a komunikační protokolyEpidemiologie
Membránové počítačeIntra-membrána molekulární procesy v živá buňka
Vzrušující médialesní požáry, "vlna", srdeční stavy, axony
Senzorové sítěSmyslové orgány
Učící se klasifikační systémyPoznání, vývoj

Umělá inteligence

Bioinspirované výpočty lze odlišit od tradiční umělé inteligence podle přístupu k počítačovému učení. Bioinspirované výpočty využívají evoluční přístup, zatímco tradiční A.I. používá 'kreacionista ' přístup. Výpočty inspirované biologií začínají souborem jednoduchých pravidel a jednoduchých organismů, které tato pravidla dodržují. Postupem času se tyto organismy vyvíjejí v jednoduchých omezeních. Tuto metodu lze zvážit zdola nahoru nebo decentralizovaný. V tradiční umělé inteligenci je inteligence často programována shora: programátor je tvůrce, který něco vyrábí a prodlužuje to svou inteligencí.

Příklad virtuálního hmyzu

Biologicky inspirované výpočty lze použít k trénování virtuálního hmyzu. Hmyz je trénován pro navigaci v neznámém terénu, aby našel jídlo vybavené šesti jednoduchými pravidly:

  • zahněte doprava pro cíl a překážku doleva;
  • zahněte doleva doprava na cíl a překážku;
  • zahněte doleva na cíl-levá-překážka-pravá;
  • zahněte doprava pro cíl-pravá-překážka-levá;
  • odbočit vlevo pro cíl-vlevo bez překážky;
  • zahněte doprava na cíl-doprava bez překážky.

Virtuální hmyz ovládaný trénovaným špičatou neuronovou síť po tréninku v neznámém terénu najde jídlo.[1] Po několika generacích používání pravidel obvykle dochází k některým formám složitého chování. Složitost se staví na složitosti, dokud konečným výsledkem není něco výrazně složitého a často zcela kontraproduktivního z toho, co by původní pravidla očekávala (viz složité systémy ). Z tohoto důvodu v modely neuronových sítí, je nutné přesně modelovat in vivo síť, živým sběrem „šumových“ koeficientů, které lze použít ke zpřesnění statistických závěrů a extrapolace, jak se zvyšuje složitost systému.[2]

Přirozený vývoj je dobrou analogií k této metodě - pravidla evoluce (výběr, rekombinace /reprodukce, mutace a více nedávno transpozice ) jsou v zásadě jednoduchá pravidla, přesto však po miliony let vyprodukovaly pozoruhodně složité organismy. Podobná technika se používá v genetické algoritmy.

Výpočty inspirované mozkem

Výpočty inspirované mozkem se týkají výpočetních modelů a metod, které jsou založeny hlavně na mechanismu mozku, nikoli na úplném napodobování mozku. Cílem je umožnit stroji realizovat různé kognitivní schopnosti a koordinační mechanismy lidí inspirovaným mozkem a nakonec dosáhnout nebo překročit úroveň lidské inteligence.

Výzkum

Umělá inteligence vědci si nyní uvědomují výhody učení z mechanismu zpracování informací o mozku. A pokrok vědy o mozku a neurovědy také poskytuje nezbytný základ pro to, aby se umělá inteligence mohla učit z mechanismu zpracování informací o mozku. Vědci v oblasti mozku a neurovědy se také snaží aplikovat porozumění zpracování informací o mozku na širší škálu vědních oborů. Rozvoj této disciplíny těží z tlaku informačních technologií a inteligentních technologií a mozek a neurovědy také inspirují další generaci transformace informačních technologií.

Vliv vědy o mozku na výpočetní techniku ​​inspirovanou mozkem

Pokroky v mozku a neurovědě, zejména s pomocí nových technologií a nového vybavení, podporují výzkumné pracovníky při získávání biologických důkazů mozku v různých měřítcích pomocí různých experimentálních metod a snaží se odhalit strukturu bio inteligence z různé aspekty a funkční základ. Od mikroskopických neuronů, synaptických pracovních mechanismů a jejich charakteristik, přes model mezoskopického síťového připojení, po vazby v makroskopickém mozkovém intervalu a jejich synergické charakteristiky, strukturní struktura a funkční mechanismy mozků odvozené z těchto experimentálních a mechanistických studií poskytnout důležitou inspiraci pro vytvoření budoucího výpočetního modelu inspirovaného mozkem.[3]

Čip inspirovaný mozkem

Obecně řečeno, čip inspirovaný mozkem označuje čip navržený s ohledem na strukturu neuronů lidského mozku a kognitivní režim lidského mozku. Je zřejmé, že „neuromorfní čip "je mozkem inspirovaný čip, který se zaměřuje na návrh struktury čipu s odkazem na model neuronu lidského mozku a jeho tkáňovou strukturu, což představuje hlavní směr výzkumu čipů inspirovaných mozkem. Spolu se vznikem a vývojem" mozkové plány “v různých zemích se objevilo velké množství výsledků výzkumu na neuromorfních čipech, kterým byla věnována rozsáhlá mezinárodní pozornost a které jsou dobře známy akademické komunitě a průmyslu. Například s podporou EU SpiNNaker a BrainScaleS, Stanford's Neurogrid, IBM Pravý sever a Qualcomm Zeroth.

TrueNorth je čip inspirovaný mozkem, který IBM vyvíjí téměř 10 let. Americký program DARPA financuje společnost IBM na vývoj čipů pulzní neuronové sítě pro inteligentní zpracování od roku 2008. V roce 2011 společnost IBM nejprve vyvinula dva kognitivní křemíkové prototypy pomocí simulace mozkových struktur, které by se mohly učit a zpracovávat informace jako mozek. Každý neuron čipu inspirovaného mozkem je propojen s masivním paralelismem. V roce 2014 společnost IBM vydala čip druhé generace inspirovaný mozkem s názvem „TrueNorth“. Ve srovnání s první generací čipů inspirovaných mozkem se výkon čipu TrueNorth dramaticky zvýšil a počet neuronů se zvýšil z 256 na 1 milion; počet programovatelných synapsí se zvýšil z 262 144 na 256 milionů; Subsynaptický provoz s celkovou spotřebou energie 70 mW a spotřebou energie 20 mW na čtvereční centimetr. Zároveň TrueNorth zpracovává jaderný objem pouze 1/15 první generace mozkových čipů. V současné době IBM vyvinula prototyp neuronového počítače, který využívá 16 čipů TrueNorth s možnostmi zpracování videa v reálném čase.[4] Super vysoké ukazatele a excelence čipu TrueNorth způsobily v akademickém světě na začátku jeho vydání velký rozruch.

V roce 2012 spolupracoval Ústav výpočetní techniky Čínské akademie věd (CAS) a francouzské Inrie na vývoji prvního čipu na světě, který bude podporovat čip architektury procesoru hluboké neurální sítě „Cambrian“.[5] Tato technologie zvítězila na nejlepších mezinárodních konferencích v oblasti počítačové architektury ASPLOS a MICRO a její design a výkon byly mezinárodně uznávány. Čip lze použít jako vynikajícího zástupce směru výzkumu čipů inspirovaných mozkem.

Výzvy v oblasti výpočetní techniky inspirované mozkem

Nejasné poznání mechanismu mozku

Lidský mozek je produktem evoluce. Ačkoli jeho struktura a mechanismus zpracování informací jsou neustále optimalizovány, kompromisy v procesu evoluce jsou nevyhnutelné. Lebeční nervový systém je víceúrovňová struktura. V mechanismu zpracování informací v každém měřítku stále existuje několik důležitých problémů, jako je struktura jemného spojení neuronových měřítek a mechanismus zpětné vazby v mozku. Proto je i komplexní výpočet počtu neuronů a synapsí pouze 1/1 000 velikosti lidského mozku a je stále velmi obtížné jej studovat na současné úrovni vědeckého výzkumu.[6]

Nejasné výpočetní modely a algoritmy inspirované mozkem

V budoucím výzkumu kognitivního modelu výpočtu mozku je nutné modelovat systém zpracování informací o mozku založený na výsledcích víceúrovňové analýzy dat neurálního systému mozku, sestrojit výpočetní model vícerozměrné neurální sítě inspirovaný mozkem a simulovat multimodalitu mozku ve více měřítku. Inteligentní behaviorální schopnosti, jako je vnímání, samoučení a paměť a volba. Algoritmy strojového učení nejsou flexibilní a vyžadují vysoce kvalitní ukázková data, která jsou ve velkém měřítku ručně označena. Tréninkové modely vyžadují hodně výpočetní režie. Umělá inteligence inspirovaná mozkem stále postrádá pokročilé kognitivní schopnosti a inferenční schopnost učení.

Omezená výpočetní architektura a možnosti

Většina stávajících čipů inspirovaných mozkem je stále založena na výzkumu von Neumannovy architektury a většina materiálů na výrobu čipů stále používá tradiční polovodičové materiály. Nervový čip si půjčuje pouze nejzákladnější jednotku zpracování mozkových informací. Nejzákladnější počítačový systém, jako je ukládání a výpočetní fúze, mechanismus pulzního výboje, mechanismus spojení mezi neurony atd. A mechanismus mezi jednotkami zpracování informací v různých měřítcích nebyl integrován do studia výpočetní architektury inspirované mozkem. Nyní je důležitým mezinárodním trendem vývoj neurálních počítačových komponent, jako jsou mozkové memristory, paměťové kontejnery a senzorické senzory založené na nových materiálech, jako jsou nanometry, což podporuje konstrukci složitějších výpočetních architektur inspirovaných mozkem. Vývoj počítačů inspirovaných mozkem a rozsáhlých systémů pro výpočet mozku založených na vývoji čipů inspirovaných mozkem také vyžaduje odpovídající softwarové prostředí pro podporu jeho širokého uplatnění.

Viz také

Seznamy

Reference

  1. ^ Xu Z; Ziye X; Craig H; Silvia F (prosinec 2013). Špičkový nepřímý trénink virtuálního hmyzu řízeného neuronovou sítí. Rozhodování a řízení IEEE. 6798–6805. CiteSeerX  10.1.1.671.6351. doi:10.1109 / CDC.2013.6760966. ISBN  978-1-4673-5717-3.
  2. ^ Joshua E. Mendoza. ""Chytré vakcíny „- podoba budoucích věcí“. Výzkumné zájmy. Archivovány od originál dne 14. listopadu 2012.
  3. ^ 徐 波 ， 刘成林 ， 曾毅. 类 脑 智能 研究 现状 与 发展 思考 [J]. 中国科学院 院 刊, 2016,31 (7): 793-802.
  4. ^ „美国 类 脑 芯片 发展 历程“. Svět elektroniky a produktů.
  5. ^ Chen T, Du Z, Sun N a kol. Diannao: Vysokorychlostní akcelerátor malých rozměrů pro všudypřítomné strojové učení // Oznámení ACM Sigplan. New York: ACM, 2014, 49 (4): 269-284
  6. ^ Markram Henry, Muller Eilif, Ramaswamy Srikanth Rekonstrukce a simulace neokortikální mikroobvody [J]. Cell, 2015, sv. 163 (2), str. 456-92PubMed

Další čtení

(následující jsou uvedeny ve vzestupném pořadí podle složitosti a hloubky, přičemž těm novým v oboru se doporučuje začít shora)

externí odkazy