Использование нейросетей в Украине

Исторически начало исследований в области ИНС в Украине связано с созданием А. Г. Ивахненко обучаемого автомата «Альфа» и проведением с его помощью первых экспериментов по распознаванию образов. Это произошло еще в 1959 году, спустя 2 года после появления перцептрона Ф. Розен-блатта. В дальнейшем большинство исследований ИНС проводилось в различных закрытых организациях. В 1970 году в одном из НИИ Киева А. М. Резником была создана цифровая ЭВМ «Адам», реализующая сеть из 512 нейронов, ставшая первым в Европе прототипом современного нейрокомпью-тера. В 1992 году под руководством Э. М. Куссуля был создан сверхмощный нейрокомпьютер В512М на основе ассоциативно-проективной сети, содержавший более 60 тыс. нейронов (совместная раз­работка ИК НАН Украины и японской фирмы VACOM Со).

В 1994 году в отделе нейротехнологий Института математических ма­шин и систем НАН Украины был создан многопроцессорный нейрокомпь­ютер NEUTRAM на базе транспьютеров Inmos T800, в котором впервые был применен метод потоковой организации нейровычислений. Два года спустя здесь была разработана программа NeuroConstructor-2, позволяв­шая моделировать сети, содержащие до 4 тыс. нейронов. С ее помощью был решен целый ряд прикладных задач: идентификация документов, прогнозирование нагрузки Киевэнерго, выявление фальшивых денежных купюр в разменных автоматах, распознавание запахов по реакции матричных сенсоров и др.

Последней разработкой отдела является нейроприложение широкого на­значения NeuroLand под 32-разрядные ОС Windows, в котором реализованы основные парадигмы, применяемые в нейросистемах профессионального уровня (таких, как NeuralWare или NeuroShall), а также усовершенствованные версии нейронной ассоциатив­ной памяти, примененные ранее в программе NeuroConstructor-2.

Нейрокомпьютер NeuroLand позволяет создавать нейронные сети различной архитектуры с использованием 12 типов нейропарадигм. осуществлять их обучение и тестирование в заданном пользователем режиме. Программа содержит богатый набор средств препро-цессинга и постпроцессинга, что позволяет моделировать разнообразные при­кладные нейросистемы и проводить их исследование на реальных данных. Кроме того, она имеет уникальный пользовательский интерфейс, дающий беспрецедентные возможности для наблюдения и регистрации внутренних параметров нейронной сети при ее обучении и тестировании.

Перспективы нейротехнологий

Появление нейрокомпьютерных программ в популярном пакете Mathlab способствует превращению нейронных сетей в стандартный инструмент, доступный широкому кругу исследователей. Применение ИНС перестает быть экзотикой, доступной энтузиастам, и становится одним из стандартных методов исследования. Значительно увеличивается число задач, решаемых с помощью нейронных сетей, что позволяет говорить о формировании нейротехнологий — самостоятельной прикладной дисциплины, охватывающей различные аспекты применения нейронных сетей для решения разнообразных задач.

Сейчас нейрокомпьютеры широко применяют для управления технологи­ческими процессами на производстве, обработки данных в системах связи, распознавания образов в системах наблюдения, идентификации документов в криминалистике. В сфере бизнеса и финансов эти устройства широко используются для прогнозирования состояния рынков, оценки риска капиталовложений, принятия решений при недостатке исходных данных. Около 95 % крупнейших банков мира используют нейрокомпьютеры при планировании своей деятельности.

Использование нейрокомпьютеров для решения все более сложных при­кладных задач требует дальнейшего увеличения размеров и совершенство­вания методов обучения нейронных сетей. Достигнутый за последние годы прогресс в области микроэлектроники уже делает реальным создание искусственных нейронов, сравнимых с живой клеткой по размерам и энергопотреблению. Однако пока остаются далекими от решения вопросы извлечения информации из потока сенсорных реакций, ее представления в нейронных структурах, формирования знаний в нейронной памяти.

Новые поколения ИНС сегодня представляются как многомодульные системы, состоящие из нейронных модулей, построенных на основе различных нейропарадигм. Такие искусственные нейронные сети будут действовать подобно коллективу ученых-экспертов, занимающихся поиском решения трудной задачи. По уровню сложности такие системы уже сейчас приближаются к нервной системе живых организмов.

Поиск эффективных методов организации и обучения крупных нейрон­ных сетей является сегодня актуальной проблемой. Ее решение поможет лучше понять механизмы памяти и принцип действия нервной системы живых организмов. Кроме того, эти исследования будут способствовать разработке эффективных информационных систем с искусственным интеллектом.

Литература.

1. Каллан Роберт. Основные концепции нейронных сетей. – М.: Вильямс, 2001. – 288.

2. Мелюхин С.Т. Философские проблемы естествознания. - М.: Высшая школа, 1985. - 400 с.

3. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнорзирования и оптимизации. – СПб.: Наука и техника, 2003. – 384 с.

4. Магнус, Я., Нейдекер Х. Матричное и диффернциальное исчисление с приложениями к статистике и экономике. - М.: Физматлит, 2003. – 332 с.

5. Пугачев В.С. Теория вероятностей и математическая статистика. - М.: Физматлит, 2003. – 532 с.