Нейрокомпьютеры

Нейрокомпьютеры

Введение

Наряду с развитием персональных ЭВМ, сетей ЭВМ и

высокопроизводительных суперЭВМ традиционной архитектуры в последние годы

существенно повысился интерес к разработке и созданию компьютеров

нетрадиционного типа и, прежде всего, нейрокомпьютеров. Связано это с тем,

что, несмотря на высокую производительность современных суперЭВМ,

приближающуюся к предельно допустимой, все еще остается много практически

важных проблем, для решения которых нужны более мощные и более гибкие

вычислительные средства. Они необходимы для глобального моделирования

процессов в экосистемах, при решении задач нейрофизиологии, искусственного

интеллекта, метеорологии, сейсмологии и т. п. Необходимы они и при

создании систем управления адаптивных интеллектуальных роботов.

Бортовые ЭВМ таких роботов должны воспринимать большие объемы

информации, поступающей от многих параллельно функционирующих датчиков,

эффективно обрабатывать эту информацию и формировать управляющие

воздействия на исполнительные системы в реальном масштабе времени. Более

того, управляющие компьютеры интеллектуальных роботов должны оперативно

решать задачи распознавания образов, самообучения, самооптимизации,

самопрограммирования, т. е. те задачи, которые весьма сложны для

традиционных ЭВМ и суперЭВМ. Поэтому остается актуальной необходимость в

поиске новых подходов к построению высокопроизводительных ЭВМ

нетрадиционной архитектуры. Среди таких подходов центральное место занимает

нейрокомпьютерный подход.

Его суть состоит в разработке принципов построения новых мозгоподобных

архитектур сверхпроизводительных вычислительных систем – нейрокомпьютеров.

Подобно мозгу, такие системы должны обладать глобальным параллелизмом,

самообучением, самооптимизацией, самопрограммированием и другими свойствами

биологических систем. Ожидается, что нейрокомпьютеры в принципе смогут

решить многие из тех проблем, которые сдерживают дальнейшее развитие научно-

технического прогресса.

По современным представлениям нейрокомпьютер (НК) – это система,

предназначенная для организации нейровычислений путем воспроизведения

информационных процессов, протекающих в нейронных сетях мозга. Структурной

единицей НК служит специфический процессор – нейропроцессор (НП),

имитирующий информационное функционирование отдельных нервных клеток –

нейронов. Нейропроцессоры связываются друг с другом в нейроподобные

структуры, имитирующие нейронные сети мозга. По этой причине, чем точнее НП

воспроизводит информационную деятельность нервных клеток, и чем ближе

конфигурации искусственных нейронных сетей к конфигурациям сетей

естественных, тем больше шансов воспроизвести в НК самообучение,

самопрограммирование и другие свойства живых систем.

С точки зрения вычислительной техники, каждый нейропроцессор

представляет собой специализированное процессорное устройство, реализуемое

программным, аппаратным или программно-аппаратным способом. В то же время

это устройство имеет ряд особенностей. Во-первых, НП воспроизводит не

произвольно выбранный набор операций, а только те операции, которые

биологически обусловлены и необходимы для описания процессов переработки

информации в нервных клетках. Во-вторых, при аппаратной реализации

нейропроцессоров они, подобно нейронам мозга, связываются друг с другом

индивидуальными линиями передач последовательных кодов. При большом числе

процессорных элементов такая связь более эффективна, чем связь

нейропроцессоров по общей шине или посредством индивидуальных параллельных

шин.

Эти и другие особенности НП позволяют выделить их в самостоятельный

класс процессорных устройств вычислительной техники.

1. Нервные клетки и их модели

Нервная система (НС) человека и животных является важнейшей

консолидирующей системой организма. Ее основная функция заключается в

поддержании внутренней гармонии организма и в организации его

приспособительной деятельности в изменяющихся условиях внешней среды. НС

имеет клеточную структуру и состоит из клеток – нейронов, сгруппированных в

нейронные ансамбли и сети. Центральным отделом нервной системы является

головной и спинной мозг.

С точки зрения кибернетики мозг представляет собой информационно-

управляющую систему, которая при помощи рецепторов воспринимает информацию

о внешней среде, обрабатывает эту информацию на основе генетической

программы и индивидуального опыта, а также формирует управляющие

воздействия на эффекторные (исполнительные) системы организма.

Данной структуре соответствует хорошо известная специализация нервных

клеток на сенсорные (рецепторные), вставочные (интернейроны) и эффекторные

(мотонейроны) нейроны. Рецепторные нейроны воспринимают энергетические

воздействия внешней среды той или иной модальности (световые, акустические,

тактильные и т. п.) и преобразуют их в импульсные потоки, передаваемые

интернейронам. Взаимодействующие друг с другом интернейроны осуществляют

обработку поступившей информации, а мотонейроны передают результаты этой

обработки непосредственно на исполнительные системы организма (мышцы,

сосуды, железы внутренней секреции и т. п.).

По форме нервные клетки существенно отличаются друг от друга, однако

большинство нейронов имеет древовидную структуру, состоящую из компактного

тела с рядом отростков (волокон). Короткие ветвящиеся веточки называются

дендритами, а длинный, расщепляющийся на терминальные волокна отросток

называется аксоном. Тело клетки (сома) имеет микроскопические размеры от 5

до 100 микрометров, а длина ее отростков может достигать десятков

сантиметров. Например, у крупных млекопитающих и человека аксоны некоторых

клеток при толщине от 10 до 20 мкм имеют длину до метра. Однако и сома и ее

отростки представляют собой единое целое, покрытое общей оболочкой

(мембраной). Как и любая другая клетка организма, нейрон и его отростки

имеют единую внутриклеточную среду, общий генетический аппарат и общую

систему поддержания жизнедеятельности.

Специфическая особенность нервных клеток заключается в способности

воспринимать, преобразовывать и передавать на другие клетки нервное

возбуждение в виде нервных импульсов. Входные импульсы поступают на

дендриты или сому и оказывают на клетку либо возбуждающее, либо тормозное

воздействие. В те моменты, когда суммарное возбуждение клетки превышает

некоторую характерную для нее критическую величину, называемую порогом, в

области аксона возникают нервные импульсы – спайки или, как их еще

называют, потенциалы действия. Возникнув, спайк бездекрементно (без

затухания) распространяется по аксону, поступает на дендриты других клеток

и вызывает их возбуждение или торможение. Такая связь называется аксо-

дендритной, причем возбуждающий или тормозящий характер воздействия

нервного импульса определяется свойствами контакта двух клеток. Этот

контакт называется синаптическим, а пространство между мембранами

контактирующих клеток называется синаптической щелью.

Количество синаптических входов у отдельного интернейрона достигает

150 тысяч. Поэтому общее число межклеточных контактов очень велико.

Например, в мозге человека при 1011 нейронах количество связей между ними

оценивается астрономическим числом 1014. Если дополнительно учесть, что

синаптические связи имеют электрический и химический характер, что наряду с

аксо-дендритными связями возможны синаптические контакты между дендритами,

сомами и аксонами различных клеток, что каждая связь может быть

возбуждающей или тормозной, а также то, что эффективность синаптических

связей в процессе жизнедеятельности меняется, то грандиозная сложность

нейронных сетей у высокоразвитых животных и человека становится очевидной.

В настоящее время установлено, что мозг, судя по всему, основан на

принципе относительно жестко запаянного блока, состоящего из сложно

организованных нейронных сетей, работающих в миллисекундном диапазоне.

Более детальное изучение этих сетей осложняется специфическими свойствами

нервной ткани, содержащей помимо нервных клеток и другие клетки, которые

поддерживают нейрон механически и участвуют в процессах их метаболизма и

проведения спайков.

В целом, нервная ткань представляет собой бесцветную студенистую

массу, в которой даже под микроскопом трудно различить отдельные нейроны и

состоящие из них сети. Поэтому в современной нейроанатомии применяют

специальные методы окрашивания нервной ткани. В частности, используются

красители, которые избирательно воздействуют лишь на некоторые нейроны и

окрашивают их целиком. Окрашенная таким образом ткань замораживается,

разрезается на тонкие слои и изучается под микроскопом. В процессе изучения

удается выделить отдельные нейроны в сетях плотно упакованных нервных

клеток, волокна которых тесно переплетены в густую чащу с промежутками 0,01

мкм. Более того, удается не только различать отдельные клетки, но и

находить их связи друг с другом, как в локальных областях нервной ткани,

так и в различных, далеко отстоящих друг от друга частях мозга. Однако

получаемые при этом сведения не являются полными и не позволяют делать

однозначных выводов о конфигурациях и законах функционирования изучаемых

нейронных сетей. Эти сведения приходится дополнять данными других

исследований, а именно тех, которыми занимается нейрофизиология.

Основным нейрофизиологическим подходом к исследованию мозга в

настоящее время служит микроэлектродная методика. Ее суть заключается в

том, что в живую ткань мозга вживляются микроэлектроды, с помощью которых

регистрируется электрическая активность отдельных клеток. Однако

использование этой методики для изучения высокоразвитых животных связано с

рядом трудностей. Размеры электродов по сравнению с микроскопически малыми

телами клеток велики, а возможности их миниатюризации ограничены. Поэтому

микроэлектродные исследования могут искажать нормальную работу изучаемых

структур. Вживление электродов осуществляется вслепую и не всегда ясно,

работу каких клеток характеризуют снятые с них сигналы. Кроме того, клеток

много, а электродов мало. Поэтому получаемая с их помощью информация

является фрагментарной.

С целью преодоления отмеченных трудностей в нейробиологии вообще и в

нейрофизиологии в частности широко применяют метод биологического

моделирования. В соответствии с этим методом для изучения сложных структур

мозга высокоразвитых животных используют достаточно простые нервные системы

таких беспозвоночных, как черви, моллюски, кальмары, раки и т. п. Нейронные

структуры беспозвоночных содержат сравнительно мало нейронов, упакованных в

нервные узлы - ганглии. Ганглии, в свою очередь, содержат от 100 до 1000

клеток. Сами клетки у беспозвоночных крупнее, чем у млекопитающих, а их

положение в ганглиях и межнейронные связи более определены.

Рассмотренный подход к изучению нервной системы внешне напоминает

хорошо известный в технике метод физического моделирования. В соответствии

с этим методом сложный для изучения объект заменяется менее сложным, но

эквивалентным исходному по сути изучаемых явлений.

Однако в случае нейробиологии о собственно физическом моделировании

можно говорить лишь в том случае, когда исследуются такие свойства нервной

ткани, как электропроводность внутриклеточной среды, электрическая емкость

и сопротивление мембран, механизм генерации спайков и т. п. Эти свойства,

судя по всему, являются фундаментальными и не зависят от вида животного. В

то же время механический перенос данных о структуре и свойствах нейронных

сетей простых животных, например беспозвоночных, на нервную систему

высокоразвитых млекопитающих вряд ли является корректным. Поэтому для

изучения информационных процессов в сложных нейронных сетях необходимы

современные методы математического и кибернетического моделирования. Причем

результаты экспериментов на простых организмах могут использоваться в

данном случае в качестве исходных гипотез для построения адекватных

кибернетических моделей мозга.

Такой подход позволяет уже сейчас создавать искусственные нейронные

сети и строить кибернетические модели информационных процессов в мозге

более сложных животных вплоть до человека. Учитывая то, что экспериме6нты

на мозге людей нельзя проводить по морально-этическим соображениям, путь

создания кибернетических моделей с целью получения экспериментальных

сведений о структуре и функциях человеческого мозга представляется весьма

перспективным. Конечной целью при этом могут служить не только новые

сведения о мозге, о механизмах его самооптимизации, самоорганизации,

самопрограммирования, но и новые идеи, необходимые для построения

нетрадиционных мозгоподобных суперЭВМ – нейрокомпьютеров.

2.Математическая модель информационных процессов в нейроне

Согласно мембранной теории возбуждения нервных клеток, закон изменения

мембранного потенциала аксона может быть описан следующим дифференциальным

уравнением первого порядка:

где P(t) – мембранный потенциал участка аксона; H – локальный сдвиг

мембранного потенциала за счет поступления внешнего воздействия; C –

удельная емкость мембраны; q[P(t)] – проводимость мембраны участка аксона.

Экспериментально установлено, что если мембранный потенциал P(t)

остается ниже некоторой пороговой величины ?П, то проводимость мембраны

практически не меняется. Однако в те моменты времени, когда под влиянием

внешних раздражителей H потенциал P(t) достигает величины порога ?П,

электрически управляемые белки открывают свои шлюзы, что приводит к резкому

изменению проводимости мембран. Аналитически данное обстоятельство можно

выразить следующим образом:

где qK(t) – переменная проводимость мембраны по отношению к ионам калия;

qNa(t) – переменная проводимость мембраны по отношению к ионам натрия.

Однако ввиду того, что аксон является составной частью клетки, а его

мембрана является клеточной мембраной, вполне убедительно мнение о

возможности распространении этой теории на нейрон в целом, и в частности,

на аксонный холмик, где осуществляется запуск потенциала действия.

При таком подходе в качестве правой части уравнения (1) можно

использовать не только локальный сдвиг мембранного потенциала H, но и

внутриклеточный потенциал V(t), формируемый за счет синаптических процессов

в дендритном дереве и соме нейрона. Наиболее распространенная

математическая модель данного процесса представляет собой алгебраическую

сумму произведений всех входных потенциалов действия на соответствующие

синаптические веса:

где Vвхj(t) – выходной потенциал действия, поступающий на j-й синапс; N –

количество синаптических контактов нейрона; (j – вес j-го синапса.

Если синапс возбуждающий, то соответствующий ему весовой коэффициент

имеет положительный знак, в противном случае - отрицательный. Абсолютная

величина этого коэффициента учитывает эффективность синапса (размеры

синаптического контакта, место его расположения на дендрите или соме,

расстояние от аксонного холмика и т. п.).

Учитывая отмеченные обстоятельства, математическую модель

электрической активности нервных клеток, отражающую их информационную

деятельность, можно представить в следующем виде:

В принципе модель (4) может быть использована для построения

искусственных нейронов и нейронных сетей. Однако ее техническая реализация

существенно затруднена нелинейным характером уравнения (1).

С целью преодоления этой трудности воспользуемся соотношением (2) и

представим уравнение (1) в виде совокупности двух выражений, а именно

линейного уравнения подпороговых изменений мембранного потенциала P(t)-(п (

0 и надпорогового процесса формирования потенциала действия в виде функции

f(t), аппроксимирующей форму спайка:

где ti – моменты возникновения спайков, т. е. те моменты времени t, при

которых выполняется нестрогое равенство P(t)- (п ( 0.

В качестве кривой, форма которой близка к форме нервного импульса,

может служить график хорошо известной в теории связи функции вида:

где T – период синусоидальной зависимости, стоящей в числителе.

Учитывая свойства функции f(t), нервный импульс можно описать

следующим образом:

где ti – моменты времени, определяющие начало генерации очередных нервных

импульсов (i=0, 1, 2,...); Vи - амплитуда нервного импульса; tи

–длительность нервного импульса.

При вычислении моментов ti необходимо воспроизводить в модели

абсолютную и относительную рефрактерность нервных клеток. Суть абсолютной

рефрактерности заключается в том, что во время tи генерации спайка нейрон

абсолютно невозбудим для приходящих в это же время входных воздействий, а в

последующий период относительной рефрактерности возбудимость нейрона хотя и

затруднена, но принципиально возможна.

С целью моделирования рефрактерности введем такой переменный во

времени порог ?(t), максимальное значение ?и которого в моменты ti

нарушает условие возбуждения и удерживает нейрон некоторое время в

абсолютно невозбудимом состоянии, после чего ?(t) постепенно возвращается к

величине ?п в соответствии с уравнением

где ? - постоянная времени мембраны нервной клетки; ?п – порог покоя; ?м

Страницы: 1, 2, 3, 4