Neurocomputadora

Una neurocomputadora es un  dispositivo de procesamiento de información basado en los principios de funcionamiento de los sistemas neuronales naturales [1] . Estos principios se formalizaron, lo que permitió hablar de la teoría de las redes neuronales artificiales . El problema de las neurocomputadoras radica en la construcción de dispositivos físicos reales, que permitirán no solo simular redes neuronales artificiales en una computadora convencional , sino cambiar los principios de funcionamiento de las computadoras de tal manera que se pueda decir que funcionan. de acuerdo con la teoría de las redes neuronales artificiales .

Historia

Los términos neurocibernética , neuroinformática, neurocomputadoras entraron en uso científico recientemente, a mediados de los años 80 del siglo XX. Sin embargo, los cerebros electrónicos y biológicos se han comparado constantemente a lo largo de la historia de la informática. El famoso libro de N. Wiener " Cybernetics " ( 1948 ) [2] tiene el subtítulo "Control y comunicación en el animal y la máquina".

Las primeras neurocomputadoras fueron los perceptrones de Rosenblatt : Mark-1 ( 1958 ) y Tobermory ( 1961-1967 ) [ 3] , así como Adalin , desarrollado por Widrowy Hoff ( 1960 ) basados ​​en la regla delta ( fórmulas de Widrow ) [4] . Adaline ( sumador adaptativo de aprendizaje de Widrow ) es ahora una característica estándar en muchos sistemas de comunicaciones y procesamiento de señales. [5] En la misma serie de las primeras neurocomputadoras se encuentra el programa "Kora", desarrollado en 1961 bajo la dirección de M. M. Bongard [6] .

La monografía de Rosenblatt ( 1958 ) [7] jugó un papel importante en el desarrollo de la neurocomputación .

La idea de la neurobiónica (la creación de medios técnicos basados ​​en principios neurológicos) comenzó a implementarse activamente a principios de la década de 1980. El ímpetu fue la siguiente contradicción: las dimensiones de las partes elementales de las computadoras se igualaron a las dimensiones de los "convertidores de información" elementales en el sistema nervioso , la velocidad de los elementos electrónicos individuales se logró millones de veces mayor que la de los sistemas biológicos, y la eficiencia de la resolución de problemas, especialmente las tareas relacionadas con la orientación y la toma de decisiones en el entorno natural, en los sistemas vivos aún es inalcanzable.

Otro impulso al desarrollo de las neurocomputadoras lo dieron los desarrollos teóricos de la década de 1980 sobre la teoría de las redes neuronales ( redes de Hopfield , redes de Kohonen , retropropagación ).

La idea principal es el conexionismo

A diferencia de los sistemas digitales, que son combinaciones de unidades de procesamiento y almacenamiento , los neuroprocesadores contienen memoria distribuida en conexiones entre procesadores muy simples, que a menudo pueden describirse como neuronas formales o bloques del mismo tipo de neuronas formales. Por lo tanto, la carga principal en el desempeño de funciones específicas por parte de los procesadores recae en la arquitectura del sistema, cuyos detalles, a su vez, están determinados por conexiones interneuronales. El enfoque basado en la representación tanto de la memoria de datos como de los algoritmos mediante un sistema de enlaces (y sus pesos) se denomina conexionismo.

Tres ventajas principales de las neurocomputadoras:

  1. Todos los algoritmos de la neuroinformática son altamente paralelos , y esto ya es garantía de alto rendimiento.
  2. Los neurosistemas pueden hacerse fácilmente muy resistentes a la interferencia y la disrupción.
  3. También se pueden crear neurosistemas estables y confiables a partir de elementos no confiables con una dispersión significativa de parámetros.

Los desarrolladores de neurocomputadoras buscan combinar la estabilidad, la velocidad y el paralelismo de las AVM (computadoras analógicas) con la versatilidad de las computadoras modernas. [ocho]

El problema del paralelismo eficiente

A. Gorban [9] propuso el problema del paralelismo eficiente para el papel del problema central resuelto por toda la neuroinformática y la neurocomputación . Desde hace mucho tiempo se sabe que el rendimiento de la computadora aumenta mucho más lentamente que la cantidad de procesadores. M. Minsky formuló una hipótesis : el rendimiento de un sistema paralelo crece (aproximadamente) en proporción al logaritmo del número de procesadores, esto es mucho más lento que una función lineal ( hipótesis de Minsky ).

Para superar esta limitación, se usa el siguiente enfoque: para varias clases de problemas, se construyen algoritmos de solución máximamente paralelos que usan alguna arquitectura abstracta (paradigma) de paralelismo de grano fino, y para computadoras paralelas específicas, herramientas para implementar procesos paralelos de un dada la arquitectura abstracta se crean. Como resultado, aparece un aparato eficiente para la producción de programas paralelos.

La neuroinformática proporciona arquitecturas paralelas universales de grano fino para resolver varias clases de problemas. Para tareas específicas, se crea una implementación de red neuronal abstracta del algoritmo de solución, que luego se implementa en dispositivos informáticos paralelos específicos. Así, las redes neuronales permiten un uso eficiente del paralelismo.

Neurocomputadoras modernas

Los esfuerzos a largo plazo de muchos grupos de investigación han llevado al hecho de que hasta ahora se han acumulado una gran cantidad de diferentes "reglas de aprendizaje" y arquitecturas de redes neuronales , sus implementaciones de hardware y técnicas para usar redes neuronales para resolver problemas aplicados.

Estas invenciones intelectuales [10] existen como un " zoológico " de redes neuronales. Cada red de zoológico tiene su propia arquitectura, regla de aprendizaje y resuelve un conjunto específico de problemas. En la última década, se han realizado serios esfuerzos para estandarizar elementos estructurales y convertir este “zoológico” en un “ tecnoparque ” [11] : cada red neuronal del zoológico se implementa en una neurocomputadora universal ideal con una estructura dada.

Las reglas básicas para resaltar los componentes funcionales de una neurocomputadora ideal (según Mirkes ):

  1. Aislamiento funcional relativo: cada componente tiene un conjunto claro de funciones. Su interacción con otros componentes puede describirse como un pequeño número de solicitudes.
  2. La capacidad de intercambiar diferentes implementaciones de cualquier componente sin cambiar otros componentes.

El mercado de las neurocomputadoras está emergiendo gradualmente . Actualmente, varios neuroaceleradores altamente paralelos [12] ( coprocesadores ) son ampliamente utilizados para diversas tareas. Hay pocos modelos de neurocomputadoras universales en el mercado en parte porque la mayoría de ellos están implementados para aplicaciones especiales. Ejemplos de neurocomputadoras son la neurocomputadora Synapse (Siemens, Alemania), [13] el procesador NeuroMatrix [14] . Se publica una revista científica y técnica especializada "Neurocomputadores: desarrollo, aplicación" [15] . Se llevan a cabo conferencias anuales sobre neurocomputadoras [16] . Desde un punto de vista técnico, las neurocomputadoras actuales son sistemas informáticos con flujos paralelos de comandos idénticos y múltiples flujos de datos (arquitectura MSIMD). Esta es una de las direcciones principales en el desarrollo de sistemas informáticos paralelos masivos .

Una red neuronal artificial se puede transferir de (neuro)computadora a (neuro)computadora, al igual que un programa de computadora. Además, se pueden crear dispositivos analógicos de alta velocidad especializados sobre esta base. Hay varios niveles de alienación de una red neuronal de una (neuro)computadora universal [17] : desde una red entrenada en un dispositivo universal y que utiliza capacidades ricas en la manipulación del libro de tareas, algoritmos de aprendizaje y modificación de la arquitectura, hasta la alienación completa sin aprendizaje. y capacidades de modificación, solo el funcionamiento de la red entrenada.

Una de las formas de preparar una red neuronal para la transmisión es su verbalización : la red neuronal entrenada se minimiza manteniendo las habilidades útiles. La descripción de una red minimizada es más compacta y, a menudo, permite una interpretación clara.

Nuevo giro - Wetware

En neurocomputación, una nueva dirección está madurando gradualmente, basada en la conexión de neuronas biológicas con elementos electrónicos. Por analogía con Software ( software ) y Hardware ( hardware electrónico ), estos desarrollos fueron denominados Wetware .

En la actualidad, ya existe una tecnología para conectar neuronas biológicas con transistores de efecto de campo subminiatura utilizando nanofibras Nanowire[18] El desarrollo utiliza nanotecnología moderna . En particular, los nanotubos de carbono se utilizan para crear conexiones entre neuronas y dispositivos electrónicos . [19]

También es común otra definición del término "Wetware": el componente humano en los sistemas "human-computer".

Aplicaciones

  1. Control en tiempo real [20] [21] , incluyendo:
    • aviones y misiles [22] ,
    • procesos tecnológicos de producción continua (en energía, metalurgia, etc.) [23] ,
    • motor de automóvil híbrido (electro-gasolina) [24] ,
    • cilindro neumatico [25] ,
    • máquina de soldar [26] ,
    • horno electrico [27] ,
    • turbogenerador [28] .
  2. Reconocimiento de patrones :
    • imágenes [29] , rostros humanos [30] , letras y jeroglíficos, huellas dactilares en medicina forense, habla, señales de radar y sonar,
    • partículas elementales y los procesos físicos que ocurren con ellas (experimentos con aceleradores u observación de rayos cósmicos),
    • enfermedades por síntomas (en medicina) [31] ,
    • áreas donde se deben buscar minerales (en geología, por signos indirectos),
    • señales de peligro en los sistemas de seguridad,
    • propiedades de compuestos químicos por estructura (en quimioinformática ) [32]
  3. Predicción en tiempo real :
    • clima,
    • precio de las acciones (y otros indicadores financieros) [33] ,
    • resultado del tratamiento,
    • acontecimientos políticos (resultados electorales, relaciones internacionales, etc.) [34] [35] ,
    • el comportamiento del enemigo (real o potencial) en un conflicto militar y en la competencia económica,
    • sostenibilidad de las relaciones matrimoniales.
  4. Optimización  : encontrar las mejores opciones:
    • al diseñar dispositivos técnicos, [36]
    • a la hora de elegir una estrategia económica,
    • al seleccionar un equipo (desde empleados de la empresa hasta atletas y participantes de expediciones polares),
    • al tratar a un paciente.
  5. Procesamiento de señales en presencia de mucho ruido.
  6. Prótesis (“ prótesis inteligentes ”) y mejora de las funciones naturales [37] , incluso a través de la conexión directa del sistema nervioso humano a las computadoras ( interfaz neurocomputadora ).
  7. Psicodiagnóstico [38] [39] [40]
  8. El fraude de telecomunicaciones , su detección y prevención con la ayuda de tecnologías de redes neuronales, según algunos expertos [41] , es una de las tecnologías más prometedoras en el campo de la seguridad de la información en las redes de telecomunicaciones.
  9. Seguridad de la información [42]

Véase también

Literatura

Notas

  1. ↑ Dunin-Barkovsky V. L. , Neurocybernetics, Neuroinformatics, Neurocomputers Copia de archivo del 19 de agosto de 2017 en Wayback Machine , en el libro: Neuroinformatics / A. N. Gorban, V. L. Dunin-Barkovsky, A. N. Kirdin y etc. - Novosibirsk: Science. Siberian Enterprise RAS, 1998. - 296 con ISBN 5-02-031410-2
  2. ↑ Wiener N. , Cybernetics, or Control and Communication in Animal and Machine. Archivado el 13 de abril de 2010 en Wayback Machine / Per. De inglés. I. V. Soloviev y G. N. Povarov; ed. G. N. Povarova. — 2ª edición. — M.: Nauka, 1983. — 344 p.
  3. ↑ Redes neuronales: antes y ahora . Consultado el 9 de marzo de 2011. Archivado desde el original el 30 de agosto de 2017.
  4. ↑ Korolev L. N. Neurocomputación, redes neuronales y neurocomputadoras Copia de archivo del 6 de septiembre de 2008 en Wayback Machine
  5. ↑ Widrow B., Stearns S. , Procesamiento de señal adaptable. - M.: Radio y comunicación, 1989. - 440 p.
  6. ↑ Bongard M. M. , El problema del reconocimiento Copia de archivo del 4 de marzo de 2016 en Wayback Machine M.: Fizmatgiz, 1967. Otra copia en línea: [1]  (enlace inaccesible)
  7. ↑ Rosenblatt, F. El perceptrón: un modelo probabilístico para el almacenamiento y la organización de la información en el cerebro. En Psychological Review, vol. 65, núm. 6, págs. 386-408, noviembre de 1958. Lancaster, PA y Washington, DC: Asociación Americana de Psicología, 1958. Rosenblatt, F. Principios de Neurodinámica. Perceptrones y la teoría de los mecanismos cerebrales Copia de archivo fechada el 10 de noviembre de 2007 en Wayback Machine  - M .: Mir, 1965.
  8. ↑ Gorban A. N. Neurocomputer, o la copia de archivo de Analog Renaissance fechada el 12 de mayo de 2013 en Wayback Machine , PC World, 1994, No. 10, 126-130.
  9. ↑ Gorban A.N. , ¿Quiénes somos, hacia dónde vamos, cómo podemos medir nuestro camino? Copia de archivo fechada el 14 de agosto de 2009 en Wayback Machine , Informe plenario en la inauguración de la conferencia Neuroinformatics-99, MEPhI, 20 de enero de 1999. Versión del diario: Gorban A.N. , Neuroinformatics: who we are, where we are going, how to medir nuestro camino // Tecnología computacional. — M.: Mashinostroenie. - 2000. - Nº 4. - S. 10-14. = Gorban AN , Neuroinformática: ¿Qué somos, hacia dónde vamos, cómo medir nuestro camino? Archivado el 17 de febrero de 2016 en Wayback Machine The Lecture at the USA-NIS Neurocomputing Opportunities Workshop, Washington DC, julio de 1999 (Asociado con IJCNN'99 )
  10. ↑ Savelyev A. V. , Neurocomputadoras en invenciones // Neurocomputadoras: desarrollo, aplicación. Copia de archivo fechada el 11 de septiembre de 2016 en Wayback Machine , M. Radiotekhnika, 2004, No. 2-3, p. 33-49.
  11. ↑ Mirkes E.M. , Neurocomputadora. Proyecto de norma. Copia de archivo fechada el 15 de junio de 2009 en Wayback Machine  - Novosibirsk: Nauka, 1999. - 337 con ISBN 5-02-031409-9 Otras copias en línea: Copia archivada . Consultado el 15 de octubre de 2008. Archivado desde el original el 3 de julio de 2009.
  12. ↑ Savelyev A.V. , Neuroacelerador. Acelerador de Redes Neuronales // Certificado. sobre el registro del programa informático No. 2003610307, ​​solicitud 2002612174, 2003.
  13. ↑ Shakhnov V., Vlasov A., Kuznetsov A. , Neurocomputadoras: arquitectura e implementación. Parte 1. Archivado el 9 de octubre de 2008 en Wayback Machine ChipNews, 2000, N 5; Parte 2. Elemento base de las neurocomputadoras. Archivado el 17 de agosto de 2009 en Wayback Machine ChipNews, 2000, N 6; Parte 3. Implementación hardware de neurocomputadores. Archivado el 9 de octubre de 2008 en Wayback Machine ChipNews, 2001, 1.
  14. ↑ [https://web.archive.org/web/20161012222905/http://www.module.ru/ruproducts/proc/nm6403.shtml Archivado el 12 de octubre de 2016 en Wayback Machine Digital Signal Processor L1879VM1 (NM6403) STC "Módulo" ]
  15. ↑ Revista "Neurocomputadoras: desarrollo, aplicación". Archivado el 11 de septiembre de 2016 en Wayback Machine .
  16. ↑ Savelyev A. V. X CONFERENCIA CIENTÍFICA DE TODA RUSIA "NEUROCOMPUTADORAS Y SUS APLICACIONES" NKP-201 Archivado el 27 de marzo de 2012 en Wayback Machine .
  17. ↑ Gorban A. N. Entrenamiento de redes neuronales , ed. Empresa conjunta URSS-EE. UU. "Párrafo", 1990, 160 p.
  18. ↑ Patolsky F., Timko BP, Yu G., Fang Y., Greytak AB, Zheng G. y Lieber CM "Detección, estimulación e inhibición de señales neuronales con matrices de transistores de nanocables de alta densidad"  // - 25 de agosto de 2006. - Edicion. 313 , núm. 5790 . - P. 1100-1104 . -doi : 10.1126 / ciencia.1128640 .
  19. ↑ Mazzatenta A., Giugliano M., Campidelli S., Gambazzi L., Businaro L., Markram H., Prato M. y Ballerini L. “Interfaz de neuronas con nanotubos de carbono: transferencia de señales eléctricas y estimulación sináptica en circuitos cerebrales cultivados »  (inglés)  // La revista de neurociencia. - 27 de junio de 2007. - No. 27 . - Pág. 6931-6936 . -doi : 10.1523 / JNEUROSCI.1051-07.2007 .
  20. ↑ Terekhov V. A., Efimov D. V., Tyukin I. Yu. Sistemas de control de redes neuronales. - M .: Escuela superior , 2002. - S. 184. - ISBN 5-06-004094-1 .
  21. ↑ Tyukin I. Yu., Terekhov V. A. , Adaptación en sistemas dinámicos no lineales Copia de archivo fechada el 2 de noviembre de 2012 en Wayback Machine , (Serie: Synergetics: from the past to the future), St. Petersburg: LKI, 2008. - 384 pág. ISBN 978-5-382-00487-7
  22. ↑ El uso de neurocomputadoras en tecnología espacial y de cohetes. Compendio de artículos. Efimov V. V. (ed.). - M .: Ingeniería de radio, 2006. - 144 C.
  23. ↑ Galushkin A.I. Aplicación de neurocomputadoras en sistemas de energía , M.: Centro científico de neurocomputadoras, 1997.
  24. ↑ Danil V. Projorov. Toyota Prius HEV Neurocontrol y Diagnóstico , Redes Neuronales. – 2008. – No. 21. - Pág. 458 - 465
  25. ↑ Zmeu K.V., Markov N.A., Shipitko IA, Notkin B.S. Neurocontrol inverso predictivo sin modelo con un transitorio de referencia regenerado // Sistemas inteligentes. - 2009. - Nº 3. - Pág. 109 - 117. . Consultado el 30 de octubre de 2011. Archivado desde el original el 27 de septiembre de 2016.
  26. ↑ D'Emilia G., Marrab A., Natalea E. Uso de redes neuronales para un ajuste automático rápido y preciso del controlador PID // Robótica y fabricación integrada por computadora. - 2007. - vol. 23. - Pág. 170 - 179.
  27. ↑ Dias FM, Mota AM Comparación entre diferentes estrategias de control utilizando redes neuronales // 9ª Conferencia Mediterránea sobre Control y Automatización. – Dubrovnik, Croacia, 2001 . Consultado el 30 de octubre de 2011. Archivado desde el original el 27 de septiembre de 2016.
  28. ↑ Venayagamoorthy GK, Harley RG, Wunsch DC Implementación de neurocontroladores adaptativos basados ​​en críticos para turbogeneradores en un sistema de energía multimáquina, IEEE Transactions on Neural Networks. - 2003. - vol. 14, Número 5. - P. 1047 - 1064. (enlace inaccesible) . Consultado el 30 de octubre de 2011. Archivado desde el original el 12 de junio de 2010. 
  29. ↑ Ruaro ME, Bonifazi P. y Torre V., Toward the Neurocomputer: Image Processing and Pattern Recognition With Neuronal Cultures Archivado el 6 de mayo de 2006 en Wayback Machine , IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 52, núm. 3, MARZO 2005, 371-383.
  30. ↑ Micheli-Tzanakou, E., Uyeda, E., Ray, R., Sharma, A., Ramanujan, R., Dong, J. , Comparación de algoritmos de redes neuronales para reconocimiento facial, SIMULATION 65 (1995), 37- 51
  31. ↑ Rossiev D. A. , Medical Neuroinformatics Archival copy of August 19, 2017 on the Wayback Machine , In the book: Neuroinformatics / A. N. Gorban, V. L. Dunin-Barkovsky, A. N. Kirdin and others - Novosibirsk: The science. Empresa Siberiana de la Academia Rusa de Ciencias, 1998. - 296 p.
  32. ↑ I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Aplicación de redes neuronales artificiales para la predicción de propiedades de compuestos químicos // Neurocomputadoras: desarrollo, aplicación. - 2005. - N° 1 - 2. - S. 98 - 101.
  33. ↑ Galushkin A.I. , Aplicaciones de neurocomputadoras en actividades financieras. Archivado el 10 de junio de 2008 en Wayback Machine .
  34. ↑ Mirkes E. M. , Redes neuronales lógicamente transparentes y producción de conocimiento explícito a partir de datos Copia de archivo del 19 de agosto de 2017 en Wayback Machine , En el libro: Neuroinformatics / A. N. Gorban, V. L. Dunin-Barkovsky, A. N Kirdin and others - Novosibirsk : Ciencias. Siberian Enterprise RAS, 1998. - 296 con ISBN 5-02-031410-2
  35. ↑ Borisyuk, R., Borisyuk, G., Rallings, C. y Thrasher, M. Previsión de las elecciones generales de 2005: un enfoque de red neuronal. Revista británica de política y relaciones internacionales. 7(2) (2005), 199-209.
  36. ↑ Terekhov S. A. , Modelos de información de redes neuronales de sistemas de ingeniería complejos Copia de archivo fechada el 19 de agosto de 2017 en Wayback Machine , En el libro: Neuroinformatics / A. N. Gorban, V. L. Dunin-Barkovsky, A. N. Kirdin and others - Novosibirsk: Science. Siberian Enterprise RAS, 1998. - 296 con ISBN 5-02-031410-2
  37. ↑ Morillas C., Romero S., Martinez A., Pelayo F., Reyneri L., Bongard M., Fernandez, E., A neuroengineering suite of computational tools for visual prostheses , Neurocomput., 70 (16-18) ( 2007), 2817-2827.
  38. ↑ Gorban AN, Rossiyev DA, Dorrer MG , MultiNeuron: simulador de redes neuronales para aplicaciones médicas, fisiológicas y psicológicas Archivado el 17 de febrero de 2016 en Wayback Machine , Wcnn'95, Washington, DC: Congreso mundial sobre redes neuronales 1995 Red neuronal internacional Reunión Anual de la Sociedad: Hotel Renaissance, Washington, DC, EE. UU., 17 al 21 de julio de 1995.
  39. ↑ Dorrer MG, Gorban AN, Kopytov AG, Zenkin VI , Intuición psicológica de las redes neuronales. Actas del Congreso Mundial de 1995 sobre redes neuronales, un volumen de la serie de textos, monografías y actas de INNS, vol. 1, 1995, 193-196.
  40. ↑ M. G. Dorrer , Psychological Intuition of Artificial Neural Networks Archivado el 25 de marzo de 2009 en Wayback Machine , Diss. … 1998. Otras copias en línea: [2] Archivado el 7 de abril de 2009 en Wayback Machine .
  41. ↑ Taniguchi M., Haft M., Hollm\'en J., Tresp V. , Detección de fraude en redes de comunicaciones mediante métodos neurales y probabilísticos . Archivado el 29 de diciembre de 2009 en Wayback Machine . , Speech and Signal Processing (ICASSP'98), volumen II, páginas 1241-1244, 1998.
  42. ↑ Chervyakov N.I., Evdokimov A.A., Galushkin A.I. , Lavrinenko I. N. et al. , El uso de redes neuronales artificiales y el sistema de clases residuales en criptografía Copia de archivo del 6 de septiembre de 2014 en Wayback Machine , - M.: FIZMATLIT, 2012.- 280 p. - ISBN 978-5-9221-1386-1 .