Короткий адрес страницы: fornit.ru/69497 
Озвучка:

Относится к сборнику статей телеграм-канала https://t.me/thinking_cycles

Системные исследования механизмов адаптивности

Перспективы, открывающиеся с использованием физических моделей индивидуальной адаптивности типа Beast.

Планирование и проведение системных исследований механизмов адаптивности возможны только на основе модели всей системы. Исследовать отдельные механизмы в отрыве от системы грозит появлением нестыковок как в функциональности, так и в формулировках, и в терминологии (что и было показано для рефлексов).

Но строить и поддерживать модель лишь умозрительно очень сложно и не избавляет от ошибок. Поэтому у системного исследователя механизмов адаптивности должна быть физическая модель, с которой можно взаимодействовать. И тогда становится возможной не только выяснять схемы отдельных механизмов в их рабочем, а не теоретическом состоянии, но и верифицировать взаимодействия таких схем.

Физическая модель может быть вариантом реализации Beast или полностью самостоятельной (особенно, если исследуются такие виды живых существ, у которых психика организована совершенно иначе, чем у млекопитающих).

При этом, в случае использования программной реализации следуют избегать эмуляции отдельных нейронов, а моделировать только принципиальные зависимости. Исследование взаимодействий нейронов всегда локальны, не системны и для них не нужна общая система живого существа.

В случае реализации на дискретных элементах необходимы станут функциональные заменители нейронов нейристоры и синапсов межнейронные коммутаторы, которые уже выпускаются промышленно:

1. IBM: IBM активно работает над проектами в области нейроморфных вычислений, включая разработку чипов с нейристорами. Их проект TrueNorth использует специализированные архитектуры для имитации работы нейронов и синапсов.

2. Intel: intel также занимается нейроморфными вычислениями и разработал чип Loihi. Он использует архитектуру, основанную на нейронных моделях, и нацелен на создание более эффективных систем искусственного интеллекта.

3. MemristorTechnology: Эта компания сосредоточена на разработке мемристоров, которые могут выполнять функции, аналогичные нейристорам. Мемристоры способны менять свои свойства в зависимости от предыдущих электрических импульсов, что делает их подходящими для нейронных вычислений.

4. Crossbar: Crossbar разрабатывает и производит устройства на основе мемристоров и других технологий, которые могут использоваться в качестве функциональных заменителей нейронов и синапсов.

5. BrainChip: Эта компания разрабатывает нейроморфные процессоры, которые используются в системах машинного обучения и обработки нейронных сетей. Их решения включают использование нейристоров для эффективной обработки данных.

6. SynSense работает над нейроморфными чипами, которые могут использоваться в распределенных системах, имитирующих нейронные сети, с внедрением межнейронных коммутаторов для связи между элементами.

7. Samsung также проводит исследования в области мемристорной технологии и её применения в создании нейроморфных систем. Их разработки направлены на создание высокопроизводительных и энергоэффективных вычислительных решений.

Многие другие компании так же создают свои версии дискретных элементов для физических моделей.

 

Но модели на дискретных элементах хотя и наиболее полно способны приблизиться к природным версиям реализации, обладают такими недостатками как огромная сложность и стоимость конструирования, а также ограничения, связанные со способом реализации (например, один и тот же механизм не сможет использоваться одновременно для разных процессов).

Физические модели, формализуя в себе рабочие версии, могут развиваться от самых начальных элементов гомеостаза с произвольными наборами жизненных и функциональных параметров. Это позволяет планировать дальнейшие исследование не методом научного тыка, а по логике развития системы. Но в наиболее принципиальном плане любая такая модель годится для прояснения организации любых отдельных механизмов, реализующих эти принципы.

Условием продуктивности такого подходя является хорошее овладение схемотехническими навыками. Но даже, если исследователь обычный нейробиолог, желающий отработать исследуемый механизм, он может просто положиться на специалистов, ведущих одну из физических моделей, чтобы механизм был встроен и отработан до рабочего состояния реализации адаптивной функции в составе общей системы. Практически всегда это даст не просто верификацию идеи механизма, но в прямом смысле вдохнет в него жизнь.

Для построения же рабочих экземпляров живых существ с искусственным разумом преимущество программной реализации оказывается вне конкуренции из-за отказа от эмуляции нейронов и специфических преимуществ, позволяющих неограниченно наращивать эффективность функциональных механизмов, что принципиально невозможно при использовании дискретных элементов.


Nick Fornit
14 Nov 2024

Авторизованные пользователи могут оставлять комментарии.