kids-ipad_web

از آنجائیکه ماشین ها به مرور زمان هوشمند تر شده اند می توان گفت ،آنها نیز مانند انسان ها یاد می گیرند و مسائل مختلف را می آموزند.

مطالعات نشان می دهد که شبکه های عصبی ، هنگام انجام یک کار مشخص بسیار شبیه به مغز انسان ها رفتار میکنند.مغز وظایفی مانند ،یادگیری را با استفاده از مجموعه ای پنهان از قوانین انجام می دهد.به منظور پی بردن به این قوانین مخفی و پنهان،سی سال پیش دانشمندان به منظور تکرار و باز آفرینی فرایند یادگیری، شروع به توسعه مدل های کامپیوتری کردند.

بسیاری از آزمایش ها و تجربه ها نشان می دهد که مدل های توسعه داده شده، هنگام انجام یک وظیفه مشخص بسار شبیه به مغز رفتار می کنند. پژو هشگران می گویند:«شباهتی که بین مغز و کامپیوتر وجود دارد نشان دهنده ی یک تناظر بین مغز و کامپیوتر است.»

الگوریتم های استفاده شده در مدل کامپیوتری بولتزمن که در سال ۱۹۸۳ توسط geoffry hinton و terry sejnowski ابداع شد،یک توضیح ساده تئوری درباه ی بعضی از فرآیند های مغز مانند: تشخیص اشیا و صدا ،نحوه شکل گیری حافظه وچرخه خواب و بیداری و… می باشد.

Sue beaker استاد روانشناسی دانشگاه Mc Master انتاریو می گوید:« من مدلی را نمی شناسم که طیف وسیعی از پدیده ها را با بر اساس ساختار مغز توضیح دهد اما مدل بولتزمن بهترین مدلی است که در حال حاضر در اختیار داریم.»

Hinton که از اولین افرادی است که در زمینه هوش مصنوعی شروع به فعالیت کرده و از پیشگامان این حوزه به حساب می آید، همیشه به دنبال آن بود که قوانین حاکم هنگام یادگیری توسط مغز را متوجه شود. در واقع متوجه شود که ما چگونه و با چه الگوریتم هایی و انجام چه پروسه هایی مسائل مختلف را یاد می گیریم.

در این زمینه Hinton می گوید:« به نظر من اگر شما بخواهید چیزی را درک کنید و یادبگیرید، نیاز دارید تا آن را بسازید»

بر اساس رویکرد reductionist در علم فیزیک، Hinton قصد داشت نا مدل کامپوتری ساده ای از مغز که از الگوریتم های یادگیری متفاوتی استفاده می کند را ایجاد کند.

neural-net

در دهه 1980، Hinton مجموعه ای از الگوریتم های یادگیری ماشین را ابداع و طراحی کرد. الگوریتم هایی که به ماشین آموزش می دادند که چگونه از داده ها یاد بگیرند و اطلاعات مفید آن ها را استخراج کنند. این الگوریتم ها در مدل کامپیوتری به نام شبکه عصبی مصنوعی استفاده می شود.

شبکه های نورون های مجازی به هم پیوسته با شلیک کردن (firing) ، سیگنال ها و اطلاعات را به نورون های مجاور و همسایه انتقال می دهند. در مغز انسان تعداد بسیار زیادی نورون وجود دارد که اطلاعات را از طریق دندروید ها ار نورون های دیگر دریافت می کنند. اگر حجم این اطلاعات از حدی فراتر بود به اصطلاح فعال می شود و این سیگنال های فعال شده از طریق آکسون ها به نورون های دیگر فرستاده می شوند.

الگوریتم ها بر اساس الگو های شلیک مشخص می شوند که با کاهش یا افزایش وزن پیوند بین هر جفت نورون همراه است.در واقع هچقدر که همبستگی بین نورون ها بیشتر باشد وزن پیوند بین آن ها نیز بیشتر است و هر چقدر که این همبستگی کمتر باشد وزن پیوند بین آن ها کمتر می باشد.

Geoff-Hinton_web

بعد از چند دهه بسیاری از مدل های Hinton دیگر کارایی سابق را نداشت اما به لطف افزایش قدرت محاسبات و فهم دانشمندان از مغز و الگوریتم ها، به اهمیت نقش نورون ها در علوم اعصاب پی برده شد.

Sejnowski که سابقه فعالیت در زمینه محاسبات نوروبیولوژی را داراست می گوید:« سی سال پیش ما ایده هایی با جزئیات خیلی کم ،ایده هایی خام داشتیم . اما اکنون قصد داریم بعضی از آن ایده ها را آزمایش و به سرانجام برسانیم.»

تلاش های اولیه Hinton در باز آفرینی فرآیند یادگیری مغز محدود بود و کامپیوترها فقط قادر بودند تا الگوریتم های ابداع شده توسط Hinton را در شبکه های عصبی کوچک اجرا کنند.در سال ۲۰۰۵ ، Hinton این نکته را کشف کرد که اگر شبکه عصبی را به لایه هایی تقسیم کنیم و الگوریتم ها را در هر لایه استفاده کنیم، ساختار ماشین بسیار نزدیک به ساختار مغز میشود و کارایی افزایش می یابد.

بولتزمن فیزیکدان اتریشی قرن نوزدهم بود که باعث پیشرفت و توسعه علم فیزیک و شاخه ای از آن به نام مکانیک آماری شد.

بولتزمن معادله ای را کشف کرد که احتمال مقدار انرژی مولکول گاز در یک معادله موازنه شده را در اختیار ما قرار می داد. حال مولکول های گاز را با نورون ها جایگزین کنید و ماشین بولتزمن را به عنوان شلیک نورون در نظر بگیرید،دقیقا به همان معادله ای که بولتزمن کشف کده بود خواهیم رسید.

ماشین بولتزمن زمانی بهترین عملکرد را داشت که به وسیله هزاران داده به عنوان ورودی آموزش داده شود. در ابتدا پایین ترین لایه داده های خام را دریافت میکند که این داده ها می توانند عکس و صدا و .. باشند.نورون ها اگر در داده هایی که دریافت میکنند تضادی را تشخیص دهند شلیک میکنند.به عنوان مثال در یک عکس از یک نقطه تاریک به یک نقطه روشن برویم یا برعکس.

شلیک کردن یک نورون ممکن است باعث شلیک کردن سایر نورون های متصل به آن شود .شلیک نورون ها به یکدیگر و انتقال داده ها باعث ایجاد یک رابطه معنی دار بین آن ها می شود که به تدریج این رابطه تقویت و محکم تر می شود.

هر لایه بعدی با استفاده از داده های ورودی از لایه های پایینی آموزش داده می شود.اگر یک تصویر شامل یک اتوموبیل به یک شبکه عصبی داده شود و بخواهیم جنبه ها و اجزای مختلف آن را تشخیص دهیم،سیگنال ها از لایه های پایینی به سمت لایه های بالایی حرکت می کنند که هر کدام از لایه ها قسمت خاصی از عکس مانند بخش هایی از چرخ های ماشین و .. تشخیص داده اند. در لایه های بالایی نورون هایی وجود دارند که تنها تصویر اتومبیل را شلیک می کنند.

Yanlean مدیر مرکز داده دانشگاه نیویورک می گوید:« اگر شما تصویر یک اتومبیل را به شبکه عصبی بدهید که قبلا به آن نداده بودید ، با توجه به مثال هایی که قبلا به شبکه عصبی داده بودید و توسط آن داده ها آن را آموزش داده بودید ، ماشین به راحتی می تواند اتومبیل را تشخیص دهد . شبکه ها اکنون می تو.انند حدود ۸۸ درصد از کلماتی که ما در کفتگو های روزانه از آن ها بهره می بریم را به درستی و با دقت بالا تشخیص دهند.و همچنینن ،همانطور که تصویر یک اتومبیل را تشخیص داد قادر است سایر تصاویر و جزئیات آن را تشخیص دهند.

ساخت یک مغز

هیچکس نمی داند که چگونه می توان قواعد یادگیری مغز را مستقیما درک کرد.اما شباهت های بسیاری بین نحوه عملکرد و رفتار مغز و ماشین بولتزمن وجود داد.هر دو بدون نظارت الگوهای طبیعی موجود در داده ها را یاد میگیرند و تشخیص می دهند.

Hinton می گوید:« شما باید یاد بگیرید که اشیا را تشخیص دهید بدون آنکه کسی به شما بگوید آن ها چه هستند.سپس بعد از آنکه شما دسته بندی ها را یاد گرفتید مردم و سایر افراد به شما نام آن دسته بندی ها را می گویند. بنابراین کودکان درباره سگ ها وگربه ها یاد می گیرند و سپس یاد می گیرند که سگ ها را ،سگ و گربه ها را، گربه مینامند.در واقع یک کودک زمانیکه یک سگ را می بیند با شکل و ابعاد و نحوه رفتار و حرکت آن آشنا میشود و سپس مادر و پدر او یا سایرین به او می گویند که چنینن موجودی با این ویژگی ها را سگ می نامند.

در طول ۵ الی ۱۰ سال گذشته، مطالعاتی که روی فعالیت های مغز به هنگام خواب صورت گرفته است، نشان می دهد که مغز نیز از یک الگوریتم مانند بولتزمن برای ترکیب و ادغام داده های جدید و ذخیره سازی آنها استفاده می کند.دانشمندان علوم اعصاب به این نکته پی برده اند که خواب نقش مهمی را در تثبیت حافظه وکمک به ادغام اطلاعات جدید فرا گرفته شده ایفا می کند. Giulio tononi به این نکته پی برد که بین ژن ها و سیناپس ها ارتباطی وجود دارد به گونه ای که ژن هایی که در synaptic growth مشارکت دارند درطول روز فعال تر هستند و آنهایی که در synaptuic pruning مشارکت دارند در طول شب فعال تر می باشند.

البته که مغز انسان ها از هر مدلی که به منظور شبیه سازی مغز طراحی شده است بسیار پیچیده تر می باشند زیرا یکی از دلایل این ادعا وجود تعداد زیاد نورون ها در مغز است.

Bruno olshausen که دانشمند علوم اعصاب می باشد میگوید:« اگر چه مدل های طراحی شده در حال پیشرفت هستند اما علوم اعصاب نیز جای پیشرفت دارد.او میگوید علوم اعصاب مانند علم فیزیک قبل از نیوتون است، اما مطمئن هستم که بالاخره الگوریتمی پیدا می شود که به معما مغز (که چگونه مغز داده های حسی را به یک آگاهی ذهنی از واقعیت تبدیل می کند) پاسخ می دهد.

0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *