Mạng nơ-ron

Chia sẻ: Nguyen Phuonganh | Ngày: | Loại File: PDF | Số trang:14

Thêm vào BST

Báo xấu

247
lượt xem 65
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mạng nơ-ron Sơ đồ đơn giản về một mạng nơ-ron nhân tạo Theo nghĩa sinh học, mạng nơ-ron là một tập hợp các dây thần kinh kết nối với nhau. Ngày nay, thuật ngữ này còn dùng để chỉ mạng nơ-ron nhân tạo, cấu thành từ các nơ-ron nhân tạo. Do đó thuật ngữ 'mạng nơ-ron' xác định hai khái niệm phân biệt: 1.Mạng nơ-ron sinh học là một mạng lưới (plexus) các nơ-ron có kết nối hoặc có liên quan về mặt chức năng trực thuộc hệ thần ...

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Mạng nơ-ron

Mạng nơ-ron Sơ đồ đơn giản về một mạng nơ-ron nhân tạo Theo nghĩa sinh học, mạng nơ-ron là một tập hợp các dây thần kinh kết nối với nhau. Ngày nay, thuật ngữ này còn dùng để chỉ mạng nơ-ron nhân tạo, cấu thành từ các nơ-ron nhân tạo. Do đó thuật ngữ 'mạng nơ-ron' xác định hai khái niệm phân biệt: 1.Mạng nơ-ron sinh học là một mạng lưới (plexus) các nơ-ron có kết nối hoặc có liên quan về mặt chức năng trực thuộc hệ thần
kinh ngoại biên (peripheral nervous system) hay hệ thần kinh trung ương (central nervous system). Trong ngành thần kinh học (neuroscience), nó thường được dùng để chỉ một nhóm nơ-ron thuộc hệ thần kinh là đối tượng của một nghiên cứu khoa học nhất định. 2.Mạng nơ-ron nhân tạo được thiết kế để mô hình một số tính chất của mạng nơ-ron sinh học, tuy nhiên, khác với các mô hình nhận thức, phần lớn các ứng dụng lại có bản chất kỹ thuật, . Xin xem các bài tương ứng để có được thông tin chi tiết về mạng nơ-ron thần kinh hay mạng nơ- ron nhân tạo. Bài này chỉ tập trung vào mối quan hệ giữa hai khái niệm này. Mục lục  1 Đặc điểm  2 Bộ não, mạng nơ-ron và máy tính  3 Mạng nơ-ron và Trí tuệ nhân tạo o 3.1 Nền tảng
o 3.2 Các loại học  3.2.1 Học có giám sát  3.2.2 Học không có giám sát  3.2.3 Học tăng cường o 3.3 Các thuật toán học o 3.4 Các tính chất lý thuyết  3.4.1 Năng lực o 3.5 Các loại mạng nơ-ron nhân tạo  4 Mạng nơ-ron và ngành thần kinh học o 4.1 Các loại mô hình o 4.2 Các nghiên cứu hiện nay o 4.3 Tham khảo  5 Lịch sử khái niệm mạng nơ-ron  6 Xem thêm  7 Tham khảo  8 Liên kết ngoài Đặc điểm Thông thường, một mạng nơ-ron bao gồm một hoặc nhiều nhóm các nơ-ron được kết nối vật lý với nhau hoặc có liên quan với nhau về chức năng. Một nơ-ron đơn có thể được nối với nhiều
nơ-ron khác và tổng số nơ-ron và kết nối trong một mạng có thể là một giá trị cực kỳ lớn. Các kết nối, gọi là các khớp thần kinh (synapses), thường nối từ các axon tới các tế bào tua gai thần kinh (dendrite), tuy có thể có các vi mạch dendrodentritic [Arbib, tr.666] và các kết nối khác. Ngoài tín hiệu điện, còn có các dạng tín hiệu khác phát sinh từ việc khuyếch tán các chất dẫn truyền xung động thần kinh (neurotransmitter). Chúng có ảnh hưởng đối với tín hiệu điện. Do vậy, cũng như các mạng sinh học khác, mạng nơ-ron vô cùng phức tạp. Trong khi hiện nay, dù chưa đạt được một mô tả chi tiết nào về hệ thần kinh , người ta vẫn ngày càng hiểu rõ hơn về các cơ chế cơ bản. Trí tuệ nhân tạo và Mô hình nhận thức (cognitive modelling) cố gắng giả lập một số tính chất của mạng nơ-ron. Tuy các kỹ thuật của hai ngành là tương tự, Trí tuệ nhân tạo có mục tiêu giải quyết các bài toán cụ thể, trong khi ngành kia hướng tới việc xây dựng các mô hình toán học của các hệ thần kinh sinh học.
Trong ngành Trí tuệ nhân tạo, mạng nơ-ron đã được áp dụng thành công trong các lĩnh vực nhận dạng tiếng nói, xử lý ảnh và điều khiển thích nghi, để xây dựng các agent phần mềm (software agent) (trong trò chơi điện tử và máy tính) hoặc robot tự hành. Hầu hết các mạng nơ- ron nhân tạo hiện được dùng cho trí tuệ nhân tạo đều dựa trên lý thuyết điều khiển, tối ưu hóa, và ước lượng thống kê. Ngành Mô hình nhận thức nghiên cứu mô hình toán học hoặc vật lý của hoạt động của hệ thần kinh; từ mức độ nơ-ron (ví dụ, mô hình cung phản xạ thần kinh tủy sống đối với kích thích), tới mức độ đám nơ-ron (ví dụ, mô hình sự giải phóng và tác dụng của dopamine trong các hạch thần kinh căn bản), rồi tới mức cơ thể sống hoàn chỉnh (ví dụ, mô hình hành vi phản xạ của cơ thể sống đối với kích thích). Bộ não, mạng nơ-ron và máy tính Trong lịch sử, bộ não đã từng được xem là một dạng máy tính, và ngược lại. Tuy nhiên, điều
này chỉ đúng theo nghĩa rộng nhất. Máy tính không phải là mô hình của bộ não (mặc dù có thể mô tả một quá trình suy luận logic như là một chương trình máy tính, hoặc có thể kích thích não bằng một cái máy tính) do chúng đã không được chế tạo với mục đích này. Tuy nhiên, từ xưa, các mạng nơ-ron dùng trong trí tuệ nhân tạo đã được xem là các mô hình đơn giản của hoạt động thần kinh trong não. Một chủ đề của các nghiên cứu hiện nay trong ngành thần kinh học lý thuyết là câu hỏi: mạng nơ-ron cần phức tạp đến đâu và cần có những tính chất gì để có thể tái tạo cái gì đó giống như trí thông minh động vật. Mạng nơ-ron và Trí tuệ nhân tạo Bài chính: Mạng nơ-ron nhân tạo Nền tảng Các mô hình mạng nơ-ron trong trí tuệ nhân tạo thường được gọi là các mạng nơ-ron nhân tạo; chúng thực chất là các mô hình toán học đơn
giản định nghĩa một hàm . Từ mạng được sử dụng vì hàm này phân rã được thành các thành phần đơn giản hơn kết nối với nhau. Một loại mô hình mạng nơ-ron cụ thể tương ứng với một lớp hàm như vậy. Khả năng học là điều thu hút nhiều quan tâm nhất tới mạng nơ-ron. Cho trước một bài toán cụ thể để giải quyết, và một lớp các hàm F, việc học có nghĩa là sử dụng một tập các quan sát để tìm hàm giải được bài toán một cách tốt nhất. Việc đó đòi hỏi định nghĩa một hàm chi phí sao cho, với lời giải tối ưu f * , Hàm chi phí C là một khái niệm quan trọng trong học máy, do nó là một phép đo khoảng cách tới lời giải tối ưu cho bài toán cần giải quyết. Các thuật toán học tìm kiếm trong không gian lời giải để được một hàm có chi phí nhỏ nhất có thể. Các loại học
Có ba kiểu học chính, mỗi kiểu mẫu tương ứng với một nhiệm vụ học trừu tượng. Đó là học có giám sát, học không có giám sát và học tăng cường. Thông thường, loại kiến trúc mạng nào cũng có thể dùng được cho các nhiệm vụ trên. Học có giám sát Trong học có giám sát, ta được cho trước một tập ví dụ gồm các cặp và mục tiêu là tìm một hàm f (trong lớp các hàm được phép) khớp với các ví dụ. Nói cách khác, ta muốn tìm ánh xạ mà dữ liệu đầu vào đã hàm ý, với hàm chi phí đo độ không khớp giữa ánh xạ của ta và dữ liệu. Học không có giám sát Trong học không có giám sát, ta được cho trước một số dữ liệu x, và hàm chi phí cần được cực tiểu hóa có thể là một hàm bất kỳ của dữ liệu x và đầu ra của mạng, f. Hàm chi phí được quyết định bởi phát biểu của bài toán. Phần lớn ứng dụng nằm trong vùng các bài toán ước lượng như mô hình hóa thống kê, nén, lọc (filtering),
blind source seperation và phân mảnh (clustering). Học tăng cường Trong học tăng cường, dữ liệu x thường không được cho trước mà được tạo ra trong quá trình một agent tương tác với môi trường. Tại mỗi thời điểm t, agent thực hiện hành động yt và môi trường tạo một quan sát xt và một chi phí tức thời ct, theo một quy trình động nào đó (thường là không được biết). Mục tiêu là tìm một sách lược lựa chọn hành động để cực tiểu hóa một chi phí dài hạn nào đó, nghĩa là chi phí tích lũy mong đợi. Quy trình động của môi trường và chi phí dài hạn cho mỗi sách lược thường không được biết, nhưng có thể ước lượng được. Mạng nơ-ron nhân tạo thường được dùng trong học tăng cường như là một phần của thuật toán toàn cục. Các bài toán thường được giải quyết bằng học tăng cường là các bài toán điều khiển, trò chơi, và các nhiệm vụ quyết định tuần tự (sequential decision making) khác.
Các thuật toán học Có nhiều thuật toán có thể dùng cho việc huấn luyện các mô hình mạng nơ-ron; hầu hết có thể được xem là áp dụng trực tiếp của lý thuyết tối ưu hóa và ước lượng thống kê Phần lớn các thuật toán huấn luyện mạng nơ-ron sử dụng một kiểu xuống dốc (gradient descent - tiến dần tới cực tiểu địa phương) nào đó. Điều này được thực hiện bằng cách lấy đạo hàm của hàm chi phí theo các tham số của mạng và thay đổi các tham số đó theo một hướng được tính toán theo độ dốc (gradient-related direction) để tiến dần tới cực tiểu địa phương của hàm chi phí. Các phương pháp thường dùng cho huấn luyện mạng nơ-ron là: phương pháp tiến hóa, luyện thép (simulated annealing), expectation maximisation (cực đại hóa mong đợi???) và các phương pháp không tham số (non-parametric methods). Xem thêm bài Học máy. Các tính chất lý thuyết
Năng lực Một số mô hình lý thuyết của mạng nơ-ron đã được phân tích để tính toán một số tính chất, chẳng hạn khả năng lưu trữ tối đa, độc lập với các thuật toán học. Nhiều kỹ thuật ban đầu được phát triển để nghiên cứu các hệ từ trường nhiễu (disordered magnetic systems (spin glasses)) đã được áp dụng thành công cho các kiến trúc mạng nơ-ron đơn giản, chẳng hạn mạng perceptron. Công trình nghiên cứu có ảnh hưởng lớn của E. Gardner và B. Derrida đã cho thấy nhiều tính chất thú vị về các perceptron với các trọng số có giá trị là số thực, trong khi nghiên cứu sau này của W. Krauth và M. Mezard đã mở rộng các nguyên lý này cho các trọng số có giá trị 0 hoặc 1. Các loại mạng nơ-ron nhân tạo Perceptron một lớp Perceptron nhiều lớp
Mạng bán kính-tâm Support vector machines Committee machines Bản đồ tự điều chỉnh Máy thống kê Xem bài mạng nơ-ron nhân tạo để có thông tin về nhiều dạng mạng nơ-ron. Mạng nơ-ron và ngành thần kinh học Thần kinh học lý thuyết và tính toán quan tâm đến các phân tích lý thuyết và mô hình tính toán của các hệ thần kinh sinh học. Do các hệ thần kinh có liên quan mật thiết tới các quá trình nhận thức và ứng xử, ngành này còn liên quan chặt chẽ tới mô hình hóa hành vi và nhận thức. Mục tiêu của ngành là xây dựng mô hình của các hệ thần kinh sinh học để tìm hiểu cơ chế hoạt động của các hệ thống sinh học. Để đạt được hiểu biết này, các nhà thần kinh học cố gắng xây dựng một mối liên hệ giữa dữ liệu về
các quá trình sinh học quan sát được, các cơ chế sinh học cho xử lý thần kinh với việc học (các mô hình mạng nơ-ron sinh học) và lý thuyết (lý thuyết học bằng thống kê và lý thuyết thông tin). Các loại mô hình Ngành thần kinh học sử dụng nhiều mô hình tại nhiều mức độ trừu tượng khác nhau và mô hình các khía cạnh khác nhau của các hệ thần kinh. Từ các mô hình hành vi ngắn hạn của từng nơ- ron, qua các mô hình phát sinh động lực cho các mạch nơ-ron từ tương tác giữa các nơ-ron cá thể, tới các mô hình phát sinh ứng xử từ các mô đun thần kinh trừu tượng đại diện cho các hệ thống con hoàn chỉnh. Các mô hình này còn bao gồm các mô hình về plasticity ngắn hạn và dài hạn của các hệ thần kinh và mối liên quan của nó tới việc học và ghi nhớ, từ mức một nơ-ron tới mức hệ thống. Các nghiên cứu hiện nay Trong khi hầu hết các nghiên cứu ban đầu quan tâm đến các tính chất về điện của các nơ-ron,
một phần đặc biệt quan trọng trong các nghiên cứu gần đây là sự tìm hiểu vai trò của các neuromodulators chẳng hạn dopamine, acetylcholine, và serotonin đối với hành vi và học tập.