ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ.. Реферат по дисциплине Физика, по темеИскусственные нейронные сети
 Скачать 0.56 Mb.
|
1 2 КОМПЬЮТЕРНОЕ ЗРЕНИЕ До того, как мы научились это применять к компьютерному зрению — в общем, как такового его не было. Во всяком случае, оно работало не так хорошо, как работает сейчас. Все эти свойства мы переносим в нейронную сеть, и вот оно заработало, если не включать небольшое отступление к датасетам, о котором расскажу попозже. Но сначала немного о простейшем перцептроне. Он также образован по образу и подобию нашего мозга. Простейший элемент напоминающий клетку мозга — нейрон. Имеет входные элементы, которые по умолчанию располагаются слева направо, изредка снизу вверх. Слева это входные части нейрона, справа выходные части нейрона. Простейший перцептрон способен выполнять только самые простые операции. Для того, чтобы выполнять более сложные вычисления, нам нужна структура с большим количеством скрытых слоёв.  Рисунок 5 – Схема перцептрона В случае компьютерного зрения нам нужно еще больше скрытых слоёв. И только тогда система будет осмысленно распознавать то, что она видит. Итак, что происходит при распознавании изображения, я расскажу на примере лиц. Для нас посмотреть на эту картинку и сказать, что на ней изображено именно лицо статуи, достаточно просто. Однако до 2010 года для компьютерного зрения это было невероятно сложной задачей. Те, кто занимался этим вопросом до этого времени, наверное, знают насколько тяжело было описать объект, который мы хотим найти на картинке без слов. Нам нужно это было сделать каким-то геометрическим способом, описать объект, описать взаимосвязи объекта, как могут эти части относиться к друг другу, потом найти это изображение на объекте, сравнить их и получить, что мы распознали плохо. Обычно это было чуть лучше, чем подбрасывание монетки. Чуть лучше, чем chance level. Сейчас это происходит не так. Мы разбиваем наше изображение либо на пиксели, либо на некие патчи: 2х2, 3х3, 5х5, 11х11 пикселей — как удобно создателям системы, в которой они служат входным слоем в нейронную сеть. Сигналы с этих входных слоёв передаются от слоя к слою с помощью синапсов, каждый из слоёв имеет свои определенные коэффициенты. Итак, мы передаём от слоя к слою, от слоя к слою, пока мы не получим, что мы распознали лицо. Условно все эти части можно разделить на три класса, мы их обозначим X, W и Y, где Х — это наше входное изображение, Y — это набор лейблов, и нам нужно получить наши веса. Как мы вычислим W? При наличии нашего Х и Y это, кажется, просто. Однако то, что обозначено звездочкой, очень сложная нелинейная операция, которая, к сожалению, не имеет обратной. Даже имея 2 заданных компоненты уравнения, очень сложно ее вычислить. Поэтому нам нужно постепенно, методом проб и ошибок, подбором веса W сделать так, чтобы ошибка максимально уменьшилась, желательно, чтобы стала равной нулю.  Рисунок 5 – Уменьшение ошибки сети в дискретный момент времениНейронная сеть учится на примере картинки и лейбла. Как нас в детстве учат «это кошка, а это собака», так же нейронные сети обучаются на большом количестве картинок. Но дело в том, что до 2010 не существовало достаточно большого data set’a, который способен был бы научить такое количество параметров распознавать изображения. Самые большие базы данных, которые существовали до этого времени: PASCAL VOC, в который было всего 20 категорий объектов, и Caltech 101, который был разработан в California Institute of Technology. В последнем была 101 категория, и это было много. Тем же, кто не сумел найти свои объекты ни в одной из этих баз данных, приходилось стоить свои базы данных, что, я скажу, страшно мучительно. Однако, в 2010 году появилась база ImageNet, в которой было 15 миллионов изображений, разделённые на 22 тысячи категорий. Это решило нашу проблему обучения нейронных сетей. Сейчас все желающие, у кого есть какой-либо академический адрес, могут спокойно зайти на сайт базы, запросить доступ и получить эту базу для тренировки своих нейронных сетей. НЕЙРОННЫЕ СЕТИ В ФИЗИКЕ Нейронная сеть и поведение сложной квантовой системы Моделирование сложно устроенных квантовых систем на сегодняшний день— крайне непростая задача. Дело в том, что традиционные методы тут не подходят, так как с увеличением сложности системы количество ее состояний увеличивается по экспоненте. Для примера: система, состоящая из 100 квантовых частиц, может находиться в любом из 1035 состояний. Даже мощные суперкомпьютеры не в силах быстро справиться с просчетом такого количества вариантов. И группа ученых из Швейцарского федерального технологического института представила новый метод с использованием нейросети, что позволит ускорить данный процесс. В своей разработке специалисты использовали инновационный подход: вместо поочередного вычисления каждого возможного состояния квантовой системы они используют нейронную сеть для ее обобщения. Ученые разработали упрощенный вариант нейронной сети и запрограммировали ее для моделирования волновых функций квантовой системы. Получившаяся модель может использовать обширный набор числовых коэффициентов и один слой «скрытых» состояний. Основываясь на этих данных, система способна вычислять состояние системы, исходя из заданного набора условий, минуя стадию просчета каждого из возможных состояний. Для проверки своего метода ученые сравнили данные, полученные с помощью своего алгоритма, с результатами, которые были получены «стандартным» способом вычисления всех возможных вариантов. В результате при одинаковом наборе выходных данных нейросеть справилась с поставленной задачей гораздо быстрее. Разработчики надеются, что в будущем подобные системы помогут ученым проводить исследования более быстро и эффективно, чем сейчас. Нейронная сеть смогла решить задачу трех тел Нейронная сеть смогла решить задачу трех тел в 100 млн раз быстрее человека. Задача трех тел — одна из самых известных в области астрономии, которая предполагает вычисление движения трех небесных объектов под влиянием их взаимных гравитационных притяжений. Для этой задачи до сих пор нет общего решения, поэтому в каждом случае, когда она применяется, вычисления нужно производить отдельно. Теперь эту функцию на себя может взять нейронная сеть. Команда использовала 10 тыс. примеров для обучения нейросети и 100 для их проверки. Теперь они тестируют сеть с 5 тыс. совершенно новыми ситуациями и сравнивают их результаты с вычислениями человека. Результаты показали, что нейронная сеть точно предсказывает потенциальное движение трех тел и, в частности, правильно имитирует расхождения между близлежащими траекториями. «Мы показали, что глубокие искусственные нейронные сети дают быстрые и точные решения сложной задачи за фиксированный промежуток времени», — отметили исследователи. Более того, они проверяют показания нейросети, отмечая, насколько хорошо он экономит энергию во время работы. С помощью нескольких корректировок прогнозы сети соответствуют условиям энергосбережения с погрешностью всего в 5–10 раз. У этого результата есть значительный потенциал, добавили ученые. В частности, нейронная сеть может помочь решить проблемы трех тел в ситуациях, которые становятся вычислительно невыполнимыми для человека. Таким образом, нейронные сети должны позволить моделировать движение небесных тел внутри галактических ядер и шаровых скоплений звезд намного точнее, чем когда-либо ранее. ЗАКЛЮЧЕНИЕ Развитие нейронных сетей вызвало немало энтузиазма и критики. Некоторые сравнительные исследования оказались оптимистичными, другие - пессимистичными. Для многих задач, таких как распознавание образов, пока не создано доминирующих подходов. Нужно пытаться понять возможности, предпосылки и область применения различных подходов и максимально использовать их дополнительные преимущества для дальнейшего развития интеллектуальных систем. Множество надежд в отношении нейронных сетей сегодня связывают именно с аппаратными реализациями, но пока время их массового выхода на рынок, видимо, еще не пришло. Они или выпускаются в составе специализированных устройств, или достаточно дороги, а зачастую и то и другое. На их разработку тратится значительное время, за которое программные реализации на самых последних компьютерах оказываются лишь на порядок менее производительными, что делает использование нейропроцессоров нерентабельным. Но все это только вопрос времени — нейронным сетям предстоит пройти тот же путь, по которому еще совсем недавно развивались компьютеры, увеличивая свои возможности и производительность, захватывая новые сферы применения по мере возникновения новых задач и развития технической основы для их разработки. Сегодня нейронные сети используются для работы в относительно узких областях, и неизвестно, доверят ли им когда-нибудь решение вопросов, которые требуют понимания социального контекста. Между тем нейронные сети уверенно продолжают проникать в нашу жизнь, и примеров тому немало. СПИСОК ИСПОЛЬЗОВАНЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 1. Нейронная сеть смогла решить задачу трех тел в 100 млн раз быстрее человека. [Электронный ресурс]. URL: https://hightech.fm/2019/10/26/three-bodies (дата обращения: 16.11.2019). 2. Применение нейронных сетей в интеллектуальных системах [Электронный ресурс]. — URL: http://lazysmart.ru/iskusstvenny-j-intellekst/primenenie-nejronny-h-setej-v-intelle/ (дата обращения: 16.11.2019). 3. С помощью нейронной сети удалось смоделировать поведение сложной квантовой системы[Электронный ресурс]. —URL: https://yandex.ru/turbo?text=https%3A%2F%2Fhi-news.ru%2Fscience%2Fs-pomoshhyu-nejronnoj-seti-udalos-smodelirovat-povedenie-slozhnoj-kvantovoj-sistemy.html (дата обращения: 16.11.2019). 4. Нейронные сети: практическое применение [Электронный ресурс]. — URL: https://habr.com/post/322392 (Дата обращения 28.11.2018). 1 2 |