Осцилляторную нейронную сеть научили распознавать образы

Российские ученые предложили новый тип осцилляторной нейронной сети и научили ее распознавать простейшие образы. Предположительно, такие сети с регулируемым синхронным состоянием отдельных нейронов работают так же, как нейроны в живом мозге. Исследование поддержано Российским научным фондом (РНФ). Статья ученых опубликована в журнале Electronics.

Credit: Stockvault

Осцилляторная нейронная сеть — это сложное сплетение взаимодействующих между собой элементов (осцилляторов), которые способны принимать и передавать колебания определенной частоты. Получая сигналы различных частот от предшественников, искусственный нейрон-осциллятор может согласовывать свой ритм с этими колебаниями. В результате в сети часть элементов синхронизирована между собой (периодически и одновременно активируется), а часть — нет. Таким образом, формируется пространственно-временная картина распределения синхронизации. Считается, что подобные процессы ответственны за обработку и передачу информации, происходящие в мозге человека, и поэтому представляют особый интерес для изучения.

Ученые кафедры электроники и электроэнергетики ПетрГУ создали нейронную сеть, распознающую простейшие образы, на основе осцилляторов из структур двуокиси ванадия. Физики разработали методику регистрации синхронизации, обладающую высокой чувствительностью и избирательностью. Применяя ее на практике, возможно создать сеть, способную распознавать образы подобно тому, как это делают биологические нейронные системы.

В этой работе в качестве входных образов использовали таблицы размерности 3?3, передаваемые в сеть за счет изменения питающих токов, которые, в свою очередь, меняли частоты колебаний осцилляторов. В результате динамика связанной сети реагировала на каждый полученный образ. Идея заключалась в том, что, подобрав ключевые параметры сети, можно обучить систему синхронизироваться только для определенного входного образа, а значит — распознавать его.

В качестве регистрируемого сигнала выбрали состояние синхронизации выходного нейрона-осциллятора относительно ритма основного нейрона-осциллятора. Авторы показали, что синхронизация может наблюдаться не только на основных частотах, но и на их кратных долях (субгармониках). Имея одновременно несколько состояний синхронизации, нейрон становится мультиуровневым. Так, осцилляторная сеть из малого количества нейронов может выполнять сложные операции, к примеру, по распознаванию речи, изображений и видео, а также способна к решению задач прогнозирования, оптимизации и управления.

Используя это свойство, исследователям удалось настроить сеть так, что разные входные образы вызывали различную синхронизацию осцилляторной сети. Оказалось, что сеть способна распознавать одновременно до 14-ти фигур (размерности 3?3) из 102 возможных вариантов, имея при этом всего один осциллятор.

«В перспективе на основе этих сетей могут быть созданы компактные чипы с наноразмерными осцилляторами. Особенность разрабатываемой нами технологии заключается в принципиально новой системе обработки информации. Она основана на эффекте синхронизации высокого порядка, позволяющем реализовывать мультиуровневые нейроны с высокой степенью функциональности. Преимуществом подобных осцилляторных нейронных сетей является перспектива их создания с использованием самых различных физических осцилляторов, в том числе магнитной и электрической природы. При этом обученная сеть уже не нуждается в компьютерных вычислениях, и работает самостоятельно, как отдельный организм», — рассказывает руководитель гранта, доцент Петрозаводского государственного университета Андрей Величко.

Текст: РНФ

A Model of an Oscillatory Neural Network with Multilevel Neurons for Pattern Recognition and Computing

Andrei Velichko , Maksim Belyaev and Petr Boriskov

Electronics 2019, 8(1), 75; https://doi.org/10.3390/electronics8010075

Источник: neuronovosti.ru

Комментарии: