آخرین اخبار
شبکه‌ های عصبی با الهام از ساختار مغز، فراسوی عملکردهای انسانی می‌روند (قسمت دوم)

شبکه‌ های عصبی با الهام از ساختار مغز، فراسوی عملکردهای انسانی می‌روند (قسمت دوم)

علوم عصبی زیستی، حوزه‌ای است که هنوز در مراحل ابتدایی خود قرار دارد. در حال حاضر، در مورد چگونگی عملکرد مغز، معلومات اندکی وجود دارد.

با کسب اطلاعات بیشتر در مورد چگونگی عملکرد مغز انسان، می‌توان گفت که موفقیت شبکه‌های عصبی پیچشی الهام گرفته از موارد زیستی، ممکن است در سایر موقعیت‌ها تکرار شوند. یک مزیت اساسی شبکه های عصبی نسبت به یادگیری ماشینی سنتی، این است که آن‌ها با گزینه‌های طراحی معماری در نمودار محاسباتی، انتزاع سطح بالاتری از بیان نگرش‌های معنایی در مورد حوزه‌های داده را فراهم می‌کنند. مزیت دوم، این است که شبکه های عصبی، با اضافه کردن یا حذف نورون‌ها از معماری و مطابق با در دسترس بودن داده‌های آموزشی یا قدرت محاسباتی، راهی ساده برای تنظیم پیچیدگی یک مدل بدست می‌دهند. بخش بزرگی از موفقیت اخیر شبکه های عصبی، با این واقعیت توضیح داده می‌شود که افزایش دسترسی به داده‌ها و قدرت محاسباتی کامپیوترهای مدرن، از حد الگوریتم‌های سنتی یادگیری ماشین‌ فراتر رفته است. عملکرد یادگیری ماشین سنتی، در بعضی مواقع برای مجموعه داده‌های کوچک‌تر و به دلیل انتخاب‌های بیشتر، سهولت بیشتر تفسیر مدل و گرایش به دستیابی به ویژگی‌های قابل تفسیری که بینش‌های خاص را در خود گنجانده، همچنان بهتر است. با داده‌های محدود، بهترین نوع مدل‌های یادگیری ماشین، معمولاً عملکرد بهتری نسبت به یک دسته‌ی واحد از مدل‌ها (مانند شبکه های عصبی) دارند. این یکی از دلایلی است که چرا پتانسیل شبکه‌های عصبی در سال های اولیه، درک نشد.

اگرچه تقلید زیستی شبکه‌های عصبی، هیجان‌انگیز است و نوعی داستان علمی-تخیلی را تداعی می‌کند، اما درک ریاضی شبکه های عصبی، یک کار واقعی است. مجردسازی شبکه عصبی می‌تواند به عنوان یک روش مدولار فعالسازی الگوریتم‌های یادگیری درنظر گرفته شود که مبتنی بر بهینه‌سازی مداوم یک نمودار محاسباتی وابستگی‌ها بین ورودی و خروجی است. در حقیقت، این امر، با کار سنتی در نظریه کنترل، خیلی تفاوت ندارد؛ در واقع، برخی از روش‌های مورد استفاده برای بهینه سازی در نظریه کنترل، کاملاً شبیه بنیادی‌ترین الگوریتم‌های شبکه های عصبی هستند. با این حال، میزان زیاد داده‌های موجود در سال‌های اخیر و همچنین افزایش قدرت محاسباتی، آزمایش با معماری‌های عمیق‌تر این نمودارهای محاسباتی را امکان‌پذیر کرده‌اند. این موفقیت بدست‌آمده، درک گسترده‌تر پتانسیل یادگیری عمیق را تغییر داده است.

عصر کلان‌داده (big data) با پیشرفت فناوری جمع‌آوری داده‌ها فعال شده است. امروزه تمام کارهای مجازی که انجام می‌دهیم، از جمله خرید یک چیز، استفاده از تلفن یا کلیک روی آدرس یک سایت، در جایی جمع‌آوری و ذخیره می‌شوند. علاوه بر این، توسعه واحدهای پردازنده‌ی گرافیکی (GPUs) قدرتمند، پردازش کارآمدتر داده‌های بزرگ را ممکن کرده است. این پیشرفت‌ها تا حد زیادی، موفقیت اخیر یادگیری عمیق را با استفاده از الگوریتم‌های حاصل تغییر اندک نسخه‌های دو دهه قبل، توضیح می‌دهند. علاوه بر این، این تنظیمات اخیر در الگوریتم‌ها، با سرعت افزایش‌یافته‌ی محاسبات، امکان‌پذیر شده‌اند، زیرا زمان‌های اجرای کاهش‌یافته، آزمایش کارآمد (و متعاقباً تنظیم الگوریتمی) را امکان‌پذیر می‌کنند. اگر برای آزمایش یک الگوریتم، یک ماه زمان لازم باشد، در یک سال، حداکثر دوازده تغییر را می‌توان در یک بستر سخت‌افزاری واحد آزمایش کرد. این وضعیت، از لحاظ تاریخی، آزمایش شدیدا لازم برای بهبود الگوریتم‌های یادگیری شبکه عصبی را محدوده است. پیشرفت‌های سریع سه ستون داده‌های بهبودیافته، محاسبه و آزمایش، منجر به یک چشم‌انداز خوش‌بینانه‌ در مورد آینده یادگیری عمیق شده است. پیش‌بینی می‌شود تا پایان این قرن، کامپیوترها قدرت آموزش شبکه های عصبی با تعداد سلول‌های عصبی به اندازه‌ی مغز انسان را داشته باشند. با اينكه پیش‌بینی توانایی‌های واقعی هوش مصنوعی در آینده دشوار است، اما تجربه‌ی ما در مورد بینایی کامپیوتر، باید ما را برای انتظار غیر‌منتظره‌ها آماده کند!

هیجان در ANN نباید به تلاش انجام شده برای شبیه‌سازی فرآیندهای تصمیم‌گیری در مغز انسان محدود شود. حتی درجه‌ی قابلیت خودسازماندهی آن می‌تواند با استفاده از الگوریتم‌های هوش مصنوعی پیچیده در کامپیوتر‌های دیجیتال معمولی ایجاد شود. سهم اصلی ANNها این است که در تقلید شبکه عصبی زیستی، برنامه‌نویسی سطح پایین را برای حل مسائل پیچیده، امکان‌پذیر می‌کنند. عدم حساسیت به خرابی جزئی سخت‌افزار، جذابیت دیگر شبکه‌های عصبی است، اما فقط در صورتی که از سخت افزار اختصاصی برای آن‌ها استفاده شود.

یک اصل پذیرفته‌شده آن است که ظهور ANN، معماری‌های جدید و سیستماتیکی را در جهت ساده‌سازی برنامه‌نویسی و طراحی الگوریتم برای طیف وسیعی از اهداف بدست می‌دهد که این امر، برای ساده‌ترین الگوریتم بدون جداکردن منطق و ریاضیات پیشرفته که نقش آن همیشه در درک ریاضی مهم خواهد بود، بسیار قابل توجه است.

آنچه همیشه برای بسیاری از دانشجویان شگفت‌آور است، این است که بعد از شش هفته کلاس، دانشجویان مهندسی سال اول و فارغ‌التحصیلان علوم کامپیوتر با پیش‌زمینه‌های مختلف و بدون پیش‌زمینه قبلی در شبکه‌های عصبی یا پردازش سیگنال یا تشخیص الگو، قادر به حل مسائل، به صورت فردی و بدون کمک هستند. مسائلی از قبیل تشخیص گفتار، تشخیص الگو و تشخیص شخصیت که می‌توانند در چند ثانیه یا چند دقیقه با تغییرات تلفظ یا الگو سازگار شوند. این امر، نشان‌دهنده میزان سادگی و جامع بودن ANN و بنابراین پتانسیل ANNهاست. بدیهی است اگر کسی بخواهد مجموعه‌ای از معادلات دیفرانسیل خوش‌تعریف را حل کند، از ANN استفاده نمی‌کند، همانطور که کسی از موش یا گربه نمی‌خواهد آن را حل کنند. اما مسائل تشخیص، فیلتر، پیش‌بینی و کنترل، مسائل مناسب برای ANNها خواهند بود. تمام موارد فوق نشان می‌دهند که شبکه های عصبی مصنوعی برای حل مسائل پیچیده، بدتعریف، بسیار غیرخطی، دارای متغیرهای مختلف و/یا تصادفی، بسیار مناسب هستند. چنین مسائلی در حوزه‌های پزشکی، مالی، امنیت و و ... ، یعنی مسائلی مهم و مورد توجه، به وفور یافت می‌شوند.

بدیهی است نمی‌توان انتظار داشت یک حوزه‌ی علمی، همه مسائل را حل کند. ANNها در دوره‌ی طفولیت خود هستند، چرا که در دهه 50 متولد شدند و علاقه گسترده به آن‌ها از اوایل دهه 1980 آغاز گردید. با این وجود می‌توانیم بگوییم که تاكنون، ANNها نقش مهمی در بسیاری از جنبه‌های نظریه تصمیم‌گیری، بازیابی اطلاعات، پیش‌بینی‌، تشخیص، تشخیص ماشین، کنترل، داده‌کاوی و حوزه‌های مرتبط با آن‌ها و کاربردهایشان ایفا کرده‌اند.

شبکه‌های عصبی زیستی و مصنوعی

شبکه‌های عصبی مصنوعی، تکنیک‌های رایج یادگیری ماشین هستند که مکانیسم یادگیری موجودات زیستی را شبیه‌سازی می‌کنند. سیستم عصبی انسان دارای سلول‌هایی است که به آن‌ها سلول‌ عصبی یا نورون‌ گفته می‌شود (شکل زیر). پیکره‌ی این سلول که شامل هسته است، جایی است که بیشتر «محاسبات» رخ می‌دهد. نورون‌ها با استفاده از آکسون‌ها و دندریت‌ها به یکدیگر متصل می‌شوند. به مناطق اتصال‌دهنده بین آکسون‌ها و دندریت‌ها، سیناپس گفته می‌شود. قدرت ارتباطات سیناپسی، اغلب در پاسخ به محرک‌های خارجی تغییر می‌کند. این تغییر، همان نحوه یادگیری در موجودات زنده است.

فعالیت عصبی، به صورت محرک‌های الکتریکی از یک نورون به دیگر منتقل می‌شود. این محرک‌های الکتریکی با استفاده از یک فرایند الکتروشیمیایی تبادل یون در طول آکسون و با انتشار ملکول‌های انتقال‌دهنده‌ی عصبی از طریق غشای شکاف سیناپسی، از یک سلول به سلول دیگر زیر آکسون نورون حرکت می‌کنند. آکسون را می‌توان به عنوان یک سیم اتصال درنظر گرفت. با این حال، مکانیسم جریان سیگنال، از طریق هدایت الکتریکی نیست، بلکه مبتنی بر تبادل بار که توسط انتشار یون‌ها، ‌منتقل می‌شود، است. این فرایند انتقال، در امتداد سلول نورون، به سمت آکسون حرکت می‌کند و سپس از طریق اتصالات سیناپسی در انتهای آکسون از طریق یک فضای بسیار باریک سیناپسی به دندریت‌های نورون‌ بعدی و با سرعت متوسط 3 متر بر ثانیه حرکت می‌کند. از آنجا که یک نورون معین ممکن است دارای چند صد سیناپس باشد، می‌تواند به چندصد نورون متصل شود. به همین ترتیب، از آنجا که در هر نورون، دندریت‌های زیادی وجود دارد، یک نورون واحد می‌تواند پیام‌ها را از بسیاری از سلول‌های عصبی دیگر دریافت کند. بنابراین شبکه عصبی زیستی، بهم پیوسته است.

توجه به این نکته ضروری است که همه اتصالات، با هم برابر نیستند. برخی از آن‌ها، اولویت بالاتری (وزن بالاتری) نسبت به سایرین دارند. همچنین برخی از آن‌ها اثر تحریکی و برخی اثر بازدارندگی دارند. این اختلاف‌ها تحت تاثیر تفاوت‌های شیمیایی، وجود فرستنده شیمیایی و تعدیل مواد درون و نزدیک نورون‌ها، آکسون‌ها و محل اتصال سیناپسی هستند. این ماهیت اتصال بین نورون‌ها و وزن‌دهی پیام‌ها برای شبکه های عصبی مصنوعی نیز، اساسی است.

جزئیات فرایند انتشار و انتشار بار (سیگنال) در امتداد آکسون به بحث‌های زیستی مربوط شده و در طراحی یا درک شبکه‌های عصبی مصنوعی تأثیر نمی گذارند؛ چرا که در اینجا، به جای انتشار یون‌های مثبت یا منفی، هدایت الکتریکی رخ می‌دهد. این تفاوت همچنین مسئول کندی شبکه های عصبی زیستی است که در آن سیگنال‌ها با سرعت 1.5 تا 5 متر در ثانیه حرکت می‌کنند. در حالیکه سرعت هدایت الکتریکی در سیم‌ها، از مرتبه‌ی سرعت نور است. لازم به ذکر است که پردازش دیجیتالی گسسته در شبکه های مصنوعی به طور دیجیتالی شبیه‌سازی‌شده یا تحقق‌یافته، سرعت را کم می‌کند؛ اما با این حال، سرعت آن‌ها هنوز هم بسیار بالاتر از سرعت شبکه های زیستی است و تابعی از سرعت اجرای دستورالعمل کامپیوتر است.
 


ادامه دارد...

شبکه‌ های عصبی با الهام از ساختار مغز، فراسوی عملکردهای انسانی می‌روند (قسمت اول)
 

كلمات كليدي :
شبکه های عصبی
 
امتیاز دهی
 
 

نظر شما
نام  
پست الكترونيک
وب سایت
متنی که در تصویر می بینید عینا تایپ نمایید
نظر
login