Bioinspirované výpočty - Bio-inspired computing

Tento článek je o využití biologie jako inspirace při práci na počítači. Počítače složené z biologických částí najdete v tématu biologické výpočty . Pro analýzu dat a matematické modelování v biologii, viz výpočetní biologie .

Bioinspired computing , zkratka pro biologicky inspirované počítače , je studijní obor, který se snaží řešit problémy počítačové vědy pomocí modelů biologie. Týká se to konekcionismu , sociálního chování a vzniku . V rámci počítačové vědy se biologicky inspirované počítače vztahují k umělé inteligenci a strojovému učení. Bioinspirované výpočty jsou hlavní podmnožinou přirozeného výpočtu .

Oblasti výzkumu

Některé oblasti studia biologicky inspirovaných počítačů a jejich biologické protějšky:

Bio-Inspired Computing Topic Biologická inspirace
Genetické algoritmy Vývoj
Predikce biologické rozložitelnosti Biodegradace
Mobilní automaty Život
Vznik Mravenci , termiti , včely , vosy
Neuronové sítě Mozek
Umělý život Život
Umělý imunitní systém Imunitní systém
Vykreslování (počítačová grafika) Vzorování a vykreslování zvířecích kůží, ptačího peří, měkkýšů a bakteriálních kolonií
Systémy Lindenmayer Rostlinné struktury
Komunikační sítě a komunikační protokoly Epidemiologie
Membránové počítače Intra-membránové molekulární procesy v živé buňce
Vzrušující média Lesní požáry , „vlna“ , srdeční stavy , axony
Senzorové sítě Smyslové orgány
Učení klasifikačních systémů Poznání , evoluce

Umělá inteligence

Počítače inspirované biologií lze odlišit od tradiční umělé inteligence přístupem k počítačovému učení. Bioinspirované počítače využívají evoluční přístup, zatímco tradiční umělá inteligence využívá přístup „ kreacionistů “. Bioinspirované výpočty začínají souborem jednoduchých pravidel a jednoduchých organismů, které tato pravidla dodržují. V průběhu času se tyto organismy vyvíjejí v rámci jednoduchých omezení. Tuto metodu lze považovat za zdola nahoru nebo za decentralizovanou . V tradiční umělé inteligenci je inteligence často programována shora: programátor je stvořitel a něco vytvoří a naplní to svou inteligencí.

Příklad virtuálního hmyzu

Biologicky inspirované výpočty lze použít k výcviku virtuálního hmyzu. Hmyz je vycvičen k navigaci v neznámém terénu pro hledání potravy vybavené šesti jednoduchými pravidly:

  • odbočte vpravo a cíl a překážka doleva;
  • odbočte vlevo pro cíl a překážku doprava;
  • odbočte vlevo pro cíl-vlevo-překážka-vpravo;
  • odbočte vpravo pro cíl-vpravo-překážka-doleva;
  • odbočte vlevo pro cíl-vlevo bez překážky;
  • odbočte vpravo na cíl-vpravo bez překážky.

Virtuální hmyz ovládaný vyškolenou neuronovou sítí může najít jídlo po tréninku v jakémkoli neznámém terénu. Po několika generacích aplikace pravidel se obvykle stává, že vzniknou nějaké formy komplexního chování. Složitost je postavena na složitosti, dokud není konečný výsledek něčím výrazně komplexním a často zcela neintuitivním vzhledem k tomu, co by se od původních pravidel očekávalo (viz složité systémy ). Z tohoto důvodu je v modelech neuronových sítí nutné přesně modelovat síť in vivo pomocí živé sbírky koeficientů „šumu“, které lze použít k upřesnění statistické inference a extrapolace, jak se zvyšuje složitost systému.

Přirozená evoluce je dobrou analogií k této metodě - pravidla evoluce ( výběr , rekombinace /reprodukce, mutace a novější transpozice ) jsou v zásadě jednoduchá pravidla, přesto za miliony let vznikly pozoruhodně složité organismy. Podobná technika se používá v genetických algoritmech .

Výpočetní technika inspirovaná mozkem

Výpočty inspirované mozkem se vztahují k výpočetním modelům a metodám, které jsou založeny hlavně na mechanismu mozku, nikoli na úplném napodobení mozku. Cílem je umožnit stroji realizovat různé kognitivní schopnosti a koordinační mechanismy lidských bytostí způsobem inspirovaným mozkem a nakonec dosáhnout nebo překročit úroveň lidské inteligence.

Výzkum

Výzkumníci umělé inteligence si nyní uvědomují výhody učení z mechanismu zpracování informací o mozku. A pokrok mozkové vědy a neurovědy také poskytuje nezbytný základ pro to, aby se umělá inteligence mohla učit z mechanismu zpracování mozkových informací. Vědci v oblasti mozku a neurovědy se také snaží aplikovat porozumění zpracování mozkových informací na širší spektrum vědních oborů. Rozvoj disciplíny těží z prosazování informačních technologií a chytrých technologií a mozek a neurověda zase budou inspirací pro příští 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 víceúrovňových biologických důkazů více typů mozku různými experimentálními metodami a snaží se odhalit strukturu biointeligence od různé aspekty a funkční základ. Od mikroskopických neuronů, synaptických pracovních mechanismů a jejich charakteristik, přes model mezoskopického připojení k síti , k vazbám v makroskopickém mozkovém intervalu a jejich synergickým charakteristikám, víceúrovňové struktuře a funkčním mechanismům mozků odvozeným z těchto experimentálních a mechanistických studií poskytnout důležitou inspiraci pro budování budoucího výpočetního modelu inspirovaného mozkem.

Čip inspirovaný mozkem

Obecně řečeno, mozkem inspirovaný čip označuje čip navržený s odkazem na strukturu neuronů lidského mozku a kognitivní režim lidského mozku. Je zřejmé, že „ neuromorfní čip“ je čip inspirovaný mozkem, který se zaměřuje na návrh struktury čipu s odkazem na model neuronu lidského mozku a jeho strukturu tkáně, která představuje hlavní směr výzkumu čipů inspirovaných mozkem. Spolu se vzestupem a rozvojem „mozkových plánů“ v různých zemích se objevilo velké množství výsledků výzkumu neuromorfních čipů, kterým se dostalo široké mezinárodní pozornosti a jsou dobře známy akademické komunitě a průmyslu. Například EU-backed spinakr a BrainScaleS Stanford je Neurogrid , IBM TrueNorth a Qualcomm nultého .

TrueNorth je mozek inspirovaný čip, který IBM vyvíjí téměř 10 let. Americký program DARPA financuje IBM na vývoj čipů pulzní neuronové sítě pro inteligentní zpracování od roku 2008. V roce 2011 IBM nejprve vyvinula dva kognitivní křemíkové prototypy simulací struktur mozku, které by se mohly učit a zpracovávat informace jako mozek. Každý neuron čipu inspirovaného mozkem je propojen s masivní rovnoběžností. V roce 2014 vydala společnost IBM mozek inspirovaný čip druhé generace 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 celkovým příkonem 70 mW a příkonem 20 mW na centimetr čtvereční. TrueNorth zároveň zpracovává jaderný objem pouze 1/15 první generace mozkových čipů. V současné době společnost IBM vyvinula prototyp neuronového počítače, který využívá 16 čipů TrueNorth s možností zpracování videa v reálném čase. Super vysoké ukazatele a excelence čipu TrueNorth způsobily v akademickém světě na začátku jeho vydání velký rozruch.

V roce 2012 Institut výpočetní techniky Čínské akademie věd (CAS) a francouzská Inria spolupracovaly na vývoji prvního čipu na světě pro podporu čipu architektury procesoru hluboké neuronové sítě „Cambrian“. Tato technologie získala nejlepší mezinárodní konference v oblasti počítačové architektury ASPLOS a MICRO a její designová metoda a výkon byly mezinárodně uznávány. Čip lze použít jako vynikající zástupce směru výzkumu čipů inspirovaných mozkem.

Výzvy v oblasti počítačů inspirovaných mozkem

Nejasné poznání mechanismu mozku

Lidský mozek je produktem evoluce. Přestože je jeho struktura a mechanismus zpracování informací neustále optimalizován, 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 mozkovém měřítku. Proto i komplexní výpočet počtu neuronů a synapsí je pouze 1/1 000 velikosti lidského mozku a je stále velmi obtížné studovat na současné úrovni vědeckého výzkumu.

Nejasné výpočetní modely a algoritmy inspirované mozkem

V budoucím výzkumu kognitivního výpočetního modelu mozku je nutné modelovat systém zpracování informací o mozku na základě výsledků analýzy dat mozkového neurálního systému ve více měřítkách, zkonstruovat víceúrovňový výpočetní model neurální sítě inspirovaný mozkem a simulovat multimodalitu mozku ve více měřítku. Inteligentní behaviorální schopnost, jako je vnímání, samoučení a paměť, a výběr. Algoritmy strojového učení nejsou flexibilní a vyžadují vysoce kvalitní ukázková data, která jsou ručně označována ve velkém měřítku. Tréninkové modely vyžadují hodně výpočetní režie. Mozku inspirovaná umělá inteligence stále postrádá pokročilé kognitivní schopnosti a schopnost inferenčního učení.

Omezená výpočetní architektura a možnosti

Většina stávajících čipů inspirovaných mozkem je stále založena na výzkumu von Neumannovy architektury a většina materiálů pro výrobu čipů stále používá tradiční polovodičové materiály. Neurální čip si vypůjčuje pouze nejzákladnější jednotku zpracování mozkových informací. Do studia počítačové výpočetní architektury inspirované mozkem nebyl integrován nejzákladnější počítačový systém, jako je úložiště a výpočetní fúze, mechanismus pulzního výboje, mechanismus propojení mezi neurony atd. A mechanismus mezi různými jednotkami pro zpracování informací z různých měřítek. Nyní je důležitým mezinárodním trendem vyvinout neurální výpočetní komponenty, jako jsou mozkové memristory, paměťové kontejnery a senzorická čidla, založené na nových materiálech, jako jsou nanometry, a podpořit tak konstrukci složitějších mozkových počítačových architektur. Vývoj počítačů inspirovaných mozkem a rozsáhlých mozkových výpočetních systémů založených na vývoji čipů inspirovaných mozkem také vyžaduje odpovídající softwarové prostředí pro podporu jeho široké aplikace.

Viz také

Seznamy

Reference

  1. ^ Xu Z; Ziye X; Craig H; Silvia F (prosinec 2013). Špičkový nepřímý výcvik rozšiřujícího se virtuálního hmyzu ovládaného neurální sítí . Rozhodnutí a kontrola IEEE . s. 6798–6805. CiteSeerX  10.1.1.671.6351 . doi : 10,1109/CDC.2013.6760966 . ISBN 978-1-4673-5717-3.
  2. ^ Joshua E. Mendoza. " " Inteligentní vakcíny " - podoba budoucích věcí" . Zájmy výzkumu . Archivováno od originálu 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" . Elektronické inženýrství a svět produktů .
  5. ^ Chen T, Du Z, Sun N, et al. Diannao: Malý akcelerátor s vysokou propustností 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 neokortikálního mikroobvodu [J]. Cell, 2015, Vol.163 (2), p. 456-92PubMed

Další čtení

(následující jsou uvedeny ve vzestupném pořadí složitosti a hloubky, přičemž ty nové v oboru navrhují začít od začátku)

externí odkazy