Российские физики научили осцилляторную нейронную сеть распознавать образы

Electronics 20198(1), 75;

https://doi.org/10.3390/electronics8010075

Физики из Петрозаводского государственного университета предложили новый тип осцилляторной нейронной сети и научили сеть распознавать простейшие образы. Нейроны-осцилляторы в модели могут иметь электрическую, магнитную или биологическую природу. Считается, что такие сети на аналоговой компонентной базе биоподобны, то есть отражают связи между нейронами в живом мозге. Исследование, выполненное при поддержке РНФ, опубликовано в открытом доступе в журнале Electronics.

Рисунок 1. Схема нейронной сети на основе связанных осцилляторов.

Перед учеными кафедры электроники и электроэнергетики ПетрГУ, как рассказывает руководитель гранта, доцент Величко Андрей Александрович была поставлена актуальная задача разработки методики распознавания образов на основе сетей из связанных осцилляторов, давно исследуемых авторами, и реализуемых на оксидных структура из двуокиси ванадия. Оказалось, что, используя разработанный авторами алгоритм регистрации синхронизации осцилляторов, обладающий высокой чувствительностью и селективностью, удалось сделать такую сеть обучаемой, способной, к примеру, распознавать образы как это делают нейронные сети. Сети с вынужденными осцилляторами напоминают спайковые нейронные сети, когда в нейронах генерируются отдельные импульсы (спайки), которые вызывают поочередную когерентную активацию других нейронов, и формируют, таким образом, пространственно-временную последовательность возбуждений. Считается, что такие процессы ответственны за кодирование и передачу информации, проходящие в мозгу человека, и поэтому очень интересны для изучения.

Обучение сети происходит за счет подбора сил связей между осцилляторами и значений основных частот осцилляторов. Самой замечательной особенностью является то, что существует великое множество комбинаций параметров, которые перепрограммируют (обучают) сеть для выполнения заданных функций.

В данной работе авторами ставятся задачи распознавания входных образов размерности 3×3. Образы передаются в сеть за счет модуляции питающих токов осцилляторов (IOFF и ION), как это показано на рисунке 1. Эти токи меняют частоты осцилляторов, и, в результате, динамика осцилляций связанной сети откликается на каждый входной образ. Идея заключается в том, что, подобрав нужным образом значения этих токов и величин коэффициентов связи между осцилляторами (sr, sm, so) можно заставить сеть синхронизироваться только для определенного входного образа. Это и есть реализация функции распознавания.

Авторы работы пошли дальше, в качестве выходного сигнала сети было выбрано состояние синхронизации входного осциллятора и референсного осциллятора (см. рисунок). Авторы показали, что синхронизация может наблюдаться не только на основных частотах, но и субгармониках. Увеличение числа синхронных состояний за счет субгармоник называется эффектом синхронизации высокого порядка. Он универсален для разных осцилляторных систем. Имея одновременно несколько состояний синхронизации, нейрон, по словам авторов, становится мультиуровневым, то есть обладает повышенной функциональностью для решения когнитивных задач. Благодаря этому 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 авторам удалось настроить (обучить) сеть так, что на разные входные образы выходной осциллятор обладал разной синхронизацией. В работе было показано, что сеть способна распознавать одновременно до 14-ти классов фигур из 102 возможных, имея при этом на выходе всего один осциллятор.

В перспективе на основе этих сетей могут быть созданы компактные нейросетевые чипы с наноразмерными осцилляторами. Особенность разрабатываемой в проекте нейросетевой технологии – это новый принцип обработки информации на основе эффекта синхронизации высокого порядка импульсных сигналов, позволяющий реализовывать мультиуровневые нейроны с высокой степенью функциональности. Преимуществом подобных ОНС является перспектива их реализации на аналоговой компонентой базе, с использованием самых различных физических осцилляторов, в том числе электронной (электрической) природы, с минимальной потребностью в компьютерных вычислениях на этапе сопряжения интерфейсов. Кроме того, осцилляторные сети могут быть реализованы на высокопроизводительных вычислительных платформах используя цифровые осцилляторы и их модели.

3 просмотров всего, 1 просмотров сегодня

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *