Please enable JavaScript.
Coggle requires JavaScript to display documents.
Neuralne mreže i umjetni mozak - Coggle Diagram
Neuralne mreže i umjetni mozak
neuralne mreže
mreže međusobno povezanih neurona
50-80% ukupne energije koju mozak troši ide na akcijske potencijale i sinaptičke prijenose, ostalo ide na proizvodnju i održavanje
neumorfno inžinjerstvo
sustavi kodiranja
analogno kodiranje - analogni krugovi kodiraju neprestane promjene napona (koristi ne u silikonskim neuronima)
kodiranje zivčanih impulsa je energetski skupo, pa se maksimizira količina informacija koje predstavlja obrazac impulsa, umanjujući redundanciju te se oskudnim kodiranjem smanjuje broj aktivnih neurona
digitalni (binarni) sustav se koristi u normalnim računalima
vrsta inžinjerstva koja se bavi prevođenjem neurobioloških modela u tehnološke
glavni razlozi prelaska sa digitalnog na analogno kodiranje je činjenica da analogno omogućuje veću brzinu impulsa i manju potrebnu snagu
silikonska mrežnica
integriraj-i-šalji-signal neuroni
mijenjaju vrijednosti ulaznih inputa koji na njihove sinapse dolaze u obliku napona, a šalju akcijski potencijal samo ako razina napona prijeđe određeni prag
često korišteni u neumorfnom inžinjerstvu
koriste tranzistore koji djeluju u rasponu ispod granice okidanja, unutar kojeg djeluju više kao stanične membrane nego pravi neuroni
dodatni tranzistori pružaju aktivno vođenje te tako oponašaju tokove struje pravih ionskih kanala ovisne o naponu i vremenu
određuje orijentaciju linije u prizoru
jednostavna inačica biološke mreže koja sadrži
silikonsku mrežnicu koja hvata svijetlo i automatski prilagođava svoj odgovor promjenama sveukupnih svjetlosnih uvjeta
2 silikonska neurona koji izdvajaju linije o kutovima linija i kontrastima granica slike u mrežnici
umjetne mrže djeluju u pravom svijetu, u stvarnom vremenu i troše vrlo malo energije
ANN - umjetne neuralne mreže
feedforward associator
slojevi međusobno povezanih ulaznih i izlaznih jedinica
jedinice pridruženog asocijativnog pamćenja kodiraju se modificirajući snagu između slojeva
kada se prezentira ulazni signal, prizivaju spremljeni obrasci povezani s tim obrascem
najjednostavnija vrsta ANN-a
distributirana memorija s pretraživim sadržajem (pohranjivanje stvari u mreži)
rekurentna neuralna mreža
jedan sloj u kojem je svaka jedinica međusobno povezana i sve su jedinice i ulazne i silazne
vrsta autoasocijativne mreže
može pamtiti uzorke, a ne samo uparivati podatke
koriste se u istraživanjima pamćenja i učenja, pokreće se na digitalnom računalu te se sastoje od određenog broja jednostavnih jedinica obrade koje su povezane u mrežu
sličnost mozga i ANN-a
nema posebnih spremnika memorije, već se ona nalazi u samoj mreži
u ANN-u se informacije pohranjuju na temelju stupnja povezanosti, jednako kao što sinapse mijenjaju svoju snagu tijekom procesa učenja
svaki "silikonski" neuron jednostavno reagira prema zbroju ponderiranih ulaza
uz pomoć "pravila učenja" se mrežu može podučavati i tako mijenjati jačine veza
tipično se uspoređuje izlazni i ulazni podatci sa željenim ishodom te se svaka pogreška tada rabi za podešavanje snaga veza i postizanje izlaza bližeg željenom (djeluje polako)
mreže koje "ne uče" na pogreškama se nazivaju "pretvorene u bake" jer mitske "bakina slika" stanice u mozgu reagiraju samo kad osoba vidi svoju baku
ANN može generalizirati te tako odgovarati na ulazne signale kojima nikada nije bila izložena (vidi povezanost, udruži asocijacije i otkrije pravilnost u postupku)
i ANN i mozak toleriraju pogreške te mogu prizvati pohranjeni obrazac čak i ako je ulazni obrazac pun šuma ili je nepotpun
silikonski čipovi vs mozak
mozak ima manju brzinu, no mnogo veći broj veza između neurona (zbog svoje trodimenzionalnosti)
inžinjeri mogu početi oponašati mozak umnogustročivanjem - procesom prenošenja većeg broja različitih poruka istom žicom
paradoks moderne računalne tehnologije
umjetne neuralne mreže ne mogu djelovati u stvarnom vremenu jer se podražuju matematički na digitalnom računalu, a podraživanje traje
tijekom hitnog slučaja se digitalna računala ne mogu nositi s greškom, a ANN se presporo uvježbava za takve situacije (kada bi silikonski neuroni mogli učiti, ovo bi bilo riješeno)
NOMAD - robot koji radi bez uputa te "u mozgu" ima simulirane stanice i uči razlikovati ukusne i neukusne kocke kušajući ih