En la era de la inteligencia artificial, los principios y uso de las redes neuronales | Micro Classroom |
La era de la inteligencia artificial ha llegado silenciosamente. En un futuro con un rápido desarrollo de la tecnología informática, ¿podrán las máquinas reemplazar al cerebro humano? Algunos lectores tal vez digan que esto nunca es posible porque el pensamiento del cerebro humano implica lógica perceptiva. De hecho, los algoritmos de redes neuronales imitan la forma en que piensa el cerebro humano. ¿Quieres saber cómo "piensan" las redes neuronales? Permítanme presentarles brevemente los principios y métodos de uso de redes neuronales.
La llamada inteligencia artificial consiste en permitir que las máquinas tengan pensamiento y conciencia humanos. Hay tres escuelas de pensamiento principales en inteligencia artificial: el conductismo, el simbolismo y el conexionismo.
El conductismo se basa en la cibernética y trata de construir un sistema de control para detectar acciones. Un buen ejemplo para comprender el conductismo es dejar que el robot se pare sobre un pie y controle los movimientos de sus dos manos detectando la dirección en la que caerá para mantener el equilibrio del cuerpo. Esto construye un sistema de control de acción perceptual.
El simbolismo se basa en la lógica aritmética y las expresiones. Al resolver un problema, primero describe el problema como una expresión y luego resuélvela. Si está resolviendo un determinado problema, puede utilizar declaraciones condicionales como if case y varias fórmulas de cálculo para describirlo. Esto utiliza un método simbólico, como un "sistema experto". Se puede pensar en el simbolismo como una inteligencia artificial descrita mediante fórmulas, que permite a las computadoras tener un pensamiento racional. Pero el ser humano no sólo está dotado de un pensamiento racional, sino también de un pensamiento perceptivo que no puede describirse mediante fórmulas. Por ejemplo, si lees esta publicación y ves las palabras "simbolismo" la próxima vez, te sentirás familiarizado y pensarás que se trata de conocimiento relacionado con la inteligencia artificial, que es la intuición y la percepción humana.
El conexionismo consiste en simular el pensamiento perceptivo de las personas e imitar las relaciones de conexión neuronal en el cerebro humano. Este diagrama muestra una neurona en el cerebro humano. El lado izquierdo es la entrada de la neurona y la parte "axón" es la salida de la neurona. El cerebro humano es una red de 86 mil millones de neuronas conectadas de un extremo a otro.
Las redes neuronales pueden dotar a los ordenadores de pensamiento perceptivo. Primero comprendamos el proceso de diseño de redes neuronales basado en el conexionismo. Esta imagen muestra los cambios en las redes neuronales humanas desde el nacimiento hasta los 24 meses:
A medida que crecemos, una gran cantidad de datos ingresa al cerebro a través de la visión y el oído, lo que hace que nuestras redes neuronales se conecten y sean los pesos. sobre las conexiones entre estas neuronas que han cambiado. Los pesos en algunas líneas han aumentado y los pesos en algunas líneas se han debilitado.
Necesitamos utilizar computadoras para imitar estas conexiones de redes neuronales para que las computadoras puedan tener pensamiento perceptual.
Primero, debe preparar los datos, cuanto mayor sea la cantidad de datos, mejor para formar pares de características y etiquetas. Si desea identificar gatos, debe tener una gran cantidad de imágenes de gatos y la etiqueta de esta imagen como gato para formar un par de etiquetas de características, luego construir la estructura de red de la red neuronal y luego optimizar el peso de la conexión mediante propagación hacia atrás hasta que la precisión de reconocimiento del modelo alcance el requisito, obtenga el peso de conexión óptimo y guarde este modelo. Finalmente, use el modelo guardado para ingresar datos nuevos que nunca antes se hayan visto y generará un valor de probabilidad mediante propagación hacia adelante. El que tiene el valor de probabilidad más grande es el resultado de la clasificación y la predicción.
Pongamos un ejemplo para experimentar el proceso de diseño de redes neuronales. Los lirios se pueden dividir en tres categorías: iris de cola de perro, iris abigarrado e iris de Virginia. Sacamos una fotografía y debemos dejar que la computadora determine qué tipo de iris es. La gente ha resumido las reglas a través de la experiencia: midiendo la longitud del cáliz, el ancho del cáliz, la longitud del pétalo y el ancho del pétalo de la flor, se puede determinar el tipo de flor del iris. Por ejemplo, longitud del cáliz > ancho del cáliz y longitud del pétalo/pétalo. ancho > 2, se puede determinar como Esta es la primera especie, Iris abigarrado. Al ver esto, algunos lectores pueden haber pensado en usar declaraciones condicionales como if y case para clasificar las flores de iris. Sí, la declaración condicional puede determinar la clasificación del iris basándose en esta información. Este es un sistema experto muy típico y este proceso es un cálculo racional. Mientras tengamos estos datos, podremos calcular qué tipo de flor de iris es mediante la fórmula de determinación condicional. Sin embargo, descubrimos que los cultivadores de iris no necesitan cálculos tan racionales al identificar las flores de iris, porque han visto demasiadas flores de iris y pueden saber de qué tipo son de un vistazo y, a medida que aumenta su experiencia, su precisión en la identificación se vuelve más precisa. La tasa aumentará. Esto es la intuición, el pensamiento perceptivo y el método de red neuronal que queremos compartir con usted en este artículo.
Este proceso de diseño de redes neuronales primero requiere recopilar una gran cantidad de longitud del cáliz, ancho del cáliz, longitud de los pétalos, ancho de los pétalos y a qué tipo de iris corresponden. La longitud del sépalo, el ancho del sépalo, la longitud del pétalo y el ancho del pétalo se denominan características de entrada y sus categorías correspondientes se denominan etiquetas. Se utiliza una gran cantidad de pares de características y etiquetas de entrada para construir un conjunto de datos, y luego este conjunto de datos se introduce en la estructura de la red neuronal construida. La red optimiza los parámetros mediante retropropagación para obtener el modelo. Cuando se introducen en la red neuronal características de entrada nuevas y nunca antes vistas, la red neuronal generará resultados de reconocimiento.
De cara al comienzo del siglo XXI, en el contexto de las tendencias de investigación de la teoría de redes neuronales en la última década, las principales áreas fronterizas de la teoría de redes neuronales incluyen:
1. La relación entre inteligencia y máquinas La concienciación crece aún más.
Estudiar la inteligencia humana siempre ha sido el desafío más significativo y sin precedentes en el desarrollo de la ciencia. El cerebro humano es el único sistema inteligente que conocemos, con inteligencias como la percepción y el reconocimiento, el aprendizaje, la asociación, la memoria y el razonamiento. Al explorar continuamente la naturaleza y el mecanismo de conexión de la inteligencia humana y utilizar sistemas artificiales para reproducirla o reproducirla parcialmente, creamos varias máquinas inteligentes, que pueden brindar a los humanos más tiempo y oportunidades para participar en trabajos más complejos y creativos.
La red neuronal es un sistema no lineal, adaptativo y autoorganizado compuesto por una gran cantidad de unidades de procesamiento. Se propone basándose en los resultados de la investigación en neurociencia moderna y en los intentos de simular la forma en que las redes neuronales procesan y memorizan. Diseñar una nueva máquina con capacidades de procesamiento de información al estilo del cerebro humano. Los temas que enfrenta la teoría de la inteligencia provienen del "ambiente-problema-propósito", que tiene una gran tentación y presión. Su dirección de desarrollo será combinar la teoría de redes neuronales basada en el conexionismo y el sistema experto de inteligencia artificial basado en el simbolismo. La teoría y la vida artificial basada en la teoría de la evolución se combinan espontánea y orgánicamente bajo el mismo objetivo general.
2. Principales avances en computación neuronal y computación evolutiva.
La informática y los algoritmos son campos de investigación a los que el ser humano ha concedido gran importancia desde la antigüedad. En los años 30, la investigación sobre la lógica simbólica era muy activa. En los últimos años, los campos de la computación neuronal y la computación evolutiva han estado muy activos, con nuevas tendencias de desarrollo en la transformación del nivel de sistema al nivel de célula, se está estableciendo una base teórica matemática. A medida que la gente continúa explorando nuevos cálculos y algoritmos, la teoría de la computación se promoverá en la dirección de la inteligencia informática. En el siglo XXI, los humanos entrarán de lleno en la sociedad de la información y enfrentarán problemas como la adquisición, el procesamiento y la transmisión de información y las redes. cuestiones de optimización de enrutamiento y datos Habrá nuevos requisitos en materia de seguridad y confidencialidad, etc., y estos se convertirán en las principales prioridades para el funcionamiento de la sociedad. Por lo tanto, la computación neuronal y la computación evolutiva estarán más estrechamente relacionadas con la teoría de las redes de información de alta velocidad y desempeñarán un papel muy importante en el campo de las redes informáticas. Por ejemplo, la computación evolutiva es necesaria para realizar la función de autoorganización de las computadoras a gran escala. redes.
La forma de pensar de la humanidad está cambiando, del pensamiento lineal al pensamiento no lineal. Las redes neuronales tienen características como no linealidad, no localidad, inestabilidad, no convexidad y caos. Estudiamos sistemas dinámicos no lineales, redes neuronales caóticas e investigación matemática sobre redes neuronales a nivel de inteligencia computacional, y además estudiamos wavelets adaptativos, patrones de excitación de campos neuronales no lineales, mecánica macroscópica de grupos neuronales, etc. Porque el estudio de problemas no lineales es una de las mayores fuerzas impulsoras para el desarrollo de la teoría de redes neuronales, y también es el mayor desafío al que se enfrenta.
Lo anterior es contenido relevante sobre redes neuronales, espero que pueda ser útil para los lectores.
El contenido anterior fue proporcionado por Xie Yuhong del Instituto de Investigación de Información Aeroespacial de Suzhou.