Техника - молодёжи 1995-07, страница 32
TOP SCIENCE Летучая мышь умеет определят вид летящего насеко ого по частоте змахов его крошечн ях крыльев. стандартные задачи, с которыми сталкивается в поисках пищи каждая летучая мышь, а именно: опознавать "цель" и определять скорость ее передвижения. Подготовительный период занял немало времени. Сначала исследователям пришлось синтезировать ультразвуковой писк зверька, а после, вооружившись реп- Знающие люди пророчат: компьютерные системы, имитирующие работу нейронных сетей живого мозга, уже в ближайшем будущем получат широкое практическое применение, особенно в области робототехники. Мать-природа миллионы лет оптимизируя нервные структу-__ЧУ ры своих бесчисленных творений, выработала великолепные образчики таких сетей, которые успешно справляются с чрезвычайно сложными задачами. И теперь, задавшись целью построить совершенные искусственные модели, специалисты скрупулезно исследуют ключевые принципы их работы. Группа сотрудников Гарвардского университета из лаборатории по изучению летучих мышей (Harvard University Bat Lab) — во главе с психологом Синтией Мосс — потратила почти 10 лет, чтобы выяснить, каким образом эти уникальные животные интерпретируют отраженный сигнал собственного сонара. родуктором, усердно имитировать работу его сонара, обстреливая акустическими импульсами самые разнообразные объекты под всевозможными углами. Уловленный специальным микрофоном отраженный сигнал записывали на магнитную ленту, а затем переводили в цифровую форму. Вот так, многими трудами, был накоплен исходный массив информации для обучения нейронной сети. Для чистоты эксперимента ученые решили опробовать оба варианта тренировки системы: на первом этапе — подавая на ее вход "чистое" эхо сонара, а на втором — согласно кросс-корреляционной модели — разность исходного и отраженного сигналов. Итак, первый этап. Задача — распознавание объектов. В эксперименте участвуют разнокалиберные кубики и пирамидки (точнее, отраженные от них сигналы), а нейронная сеть учится относить каждый предъявляемый предмет (соответствующий ему набор эхо) к одному из двух классов геометрических тел. Проще говоря, безошибочно отличать любой кубик от любой пирамидки, невзирая на их размеры и ориентацию в пространстве! Заметим, сия интеллектуальная операция равносильна выработке обобщенного понятия на базе ограниченного множества конкретных примеров (по индукции). Дабы наловчиться правильно решать поставленную задачу, сети потребовалось 700 обучающих сеансов, что в общей сложности составляет более 2 недель чистого компьютерного времени. Срок, прямо скажем, немалый, зато результат хоть куда: не более 5 ошибок на каждые 100 ответов (что чрезвычайно впечатлило биологов). И вдохновленный удачей Дрор приступает к следующей задаче... Теперь нейронная сеть обучается искусству по эху сонара узнавать, с какой скоростью вращаются лопасти миниатюрного пропеллера. Натаскивают ее долго и упорно, поскольку дело движется крайне туго: десятки сеансов, сотни, тысячи, еще тысячи... Но в итоге — просто феноменальный результат: 100-процентная точность! К тому же, пройдя столь жестокий тренинг, сеть Дрора решает обе стандартные задачи практически мгновенно. Второй этап. Исследователи приступают к проверке теории кросс-корреляции. И снова нейронная сеть решает задачу опознания объекта, но теперь на входе — вместо эха — разность исходного и отраженного сигналов. Безуспешно! Уже превысив время обучения, зафиксированное на первом этапе, сеть по-прежнему не может отличить кубик от пирамидки. По общему согласию группы эксперимент прекращается, однако Дрору напоследок приходит мысль подсунуть сети узкие полосы частот, выделенные из полного спектра эха. И, к изумлению ученого, его детище прекрасно справляется с задачей даже при таком, значительно "урезанном" входном сигнале... "Выходит, можно опознавать объекты без всякой кросс-корреляции, исключительно по эху! Иначе говоря, не имея вообще никакой информации об испускаемом сонаром звуке, — комментирует он. — Честно говоря, не могу утверждать, что знаю, как это делает летучая мышь... Зато знаю, и притом абсолютно точно, что отраженный от объекта ультразвуковой сигнал содержит исчерпывающие сведения о его форме". Дальнейшая работа группы планируется в двух направлениях. С одной стороны, будут продолжены тренировки нейронной сети — с целью полностью имитировать восприятие летучей мыши. С другой, предстоит тщательное изучение самих зверьков, дабы окончательно прояснить, на что способны или неспособны их органы восприятия. Если говорить о практическом применении, то у сети Дрора великолепное будущее. Например, некоторые типы роботов снабжены сонаром, но тот может лишь предотвратить их столкновение с крупными препятствиями. Экипированные нейронными сетями, роботы нового поколения станут уверенно ориентироваться почти в любой обстановке, точно определяя местоположение, размер, форму и даже предназначение окружающих предметов. Упомянем еще и такие области возможного приложения, как контроль качества комплектующих и готовой продукции (скажем, на конвейере), автопилоты для наземных нерельсовых транспортных средств, системы безопасности, отличающие бродячую собаку от злоумышленника... да мало ли что! "Это совершенно новый инструмент, и возможности его практически не ограничены, — утверждает Дрор. — Ведь пределы ставит отнюдь не технология, а наше неразвитое воображение". ■ Летучая мышь — единственное на Земле способное к истинному полету млекопитающее (белки-летяги не в счет, они просто планируют), к тому же ориентирующееся в воздухе с помощью весьма совершенной системы эхолокации. Зверек испускает ультразвуковые импульсы и, что вполне очевидно, анализирует возвращающееся эхо — но как? И какую информацию он может извлечь из отраженного звука? Согласно распространенной теории перекрестной корреляции (cross-correlation model), акустическое эхо само по себе не содержит достаточной информации, чтобы летучая мышь могла распознать мешающие ее полету объекты, и, следовательно, принцип анализа отраженного от препятствия сигнала заключается в сравнении его с исходным. Команда из Bat Lab, подойдя к проблеме без предвзятости, поставила тщательно продуманный эксперимент с помощью искусственной нейронной сети из 248 параллельно работающих процессоров; ее сконструировал выпускник Гарварда психолог Айтиел Дрор. И он же — по указаниям Синтии Мосс и ее помощника Марка Загаески — провел свое детище через все серии эксперимента, добившись в итоге того, чего и сам не ожидал... В отличие от привычных компьютеров, искусственную нейронную сеть не программируют, а, грубо говоря, натаскивают методом проб и ошибок; при этом информационные связи между ее элементами постоянно корректируют, дабы добиться наилучшего — из возможных — соотношения правильных и ошибочных ответов ("ТМ", № 2 за 1994 г.). Что же требовалось от сети Дрора? Научиться решать две По материалам журнала OMNI ТЕХНИКА-МОЛОДЕЖИ 7'95 |
