Аверкин Алексей Николаевич, кандидат физ.-мат. наук., доцент, ВЦ им. А.А.Дородницына, аverkin2003@inbox.ruаverkin2003@inbox.ru. - презентация

1 Аверкин Алексей Николаевич, кандидат физ.-мат. наук., доцент, ВЦ им. А.А.Дородницына,

2 Нечеткое отношение моделирования Нечеткое отношение моделирования - отношение, задаваемое специальной коммутативной диаграммой, связывающей элементы и операции одного множества с элементами и операциями другого множества с помощью операторов, характерных для нечеткой логики

3 Преобразование информации на основе нечеткого отношения моделирования Приведем общую схему преобразования информации, представленной нечетким отношением моделирования. Основной целью обработки нечеткой информации в виде отношения моделирования является построение классификации по заданным отношениям моделирования. В рамках решения этой задачи можно выделить следующие этапы: преобразование отношения моделирования в отношение моделирования другого типа (метод А); преобразование отношения моделирования в отношение сходства (метод Б); преобразование отношения сходства в отношение эквивалентности (метод В); построение по отношению эквивалентности иерархической классификации (метод Г). R=> метод А => R1=> метод Б =>S1 => метод В => S=> метод Г

4 Принцип ситуативной инвариантности Принцип ситуативной инвариантности - для однородных ситуаций 1 и 2 соответствующие отношения моделирования получаются друг из друга монотонными преобразованиями шкалы

5 Несимметричная псевдофизическая пространственная логика Москва находится близко от Дубны ( между ними умещается 3 диаметра Москвы) Дубна находится далеко от Москвы ( между ними умещается 8 диаметров Дубны

6 Универсальная шкала Д.А. Поспелов в 1977 предположил, что существует универсальный инструмент, спрятанный в уме или языке человека, который содержит универсальные когнитивные образы для описания и различения полезных паттернов окружающего мира. Введенные Л.Заде лингвистические термы типа «большой», «маленький» и т.д. могут быть представлены этими образами на Универсальной Шкале, хотя они имеют различные значения в традиционных физических шкалах. «Универсальные Шкалы привели к разработке принципов Когнитивной Относительности, Рациональности и Ясности (CRRC). Они обеспечили создание само-организующихся Систем Взаимодействующих Контекстных Систем (C2S) способных моделировать поведение сложных интеллектуальных систем и явлений. Это привело к созданию новой концепции Эволюционно Вовлекающих Интеллектуальных Систем (EI), основанных на λ-интеллекте» И.Ежкова

7 Концепция мягких вычислений Концепция «мягких» измерений является развитием нечеткого подхода к формированию оценок измеряемых параметров. Она основана на применении байесовых интеллектуальных измерений, объединяющих в себе черты теоретико-вероятностного подхода, байсовского критерия принятия решений и теории нечетких множеств. Фундаментальным понятием является лингвистическая шкала, которая расширяет представление о традиционных шкалах репрезентативной теории измерений. Основная идея заключается в сопряжении лингвистической шкалы с основной за счет использования общего метрического носителя, что позволяет формировать нечеткие измерения, обработка которых выполняется с помощью «мягких» вычислений. В традиционных «жестких» вычислениях главными целями являются точность, определенность и строгость результата. В противоположность им при организации «мягких» вычислений исходят из тезиса, что достижение этих целей требует полного информационного описания всех элементов вычислительного процесса, что в большинстве случаев приводит к большим ресурсным и финансовым затратам или в принципе невозможно. Поэтому задача «мягких» вычислений - обеспечение толерантности их результата по отношению к неточности и неопределенности обрабатываемых информационных объектов. Принципиальными компонентами таких вычислений являются нечеткие системы, искусственные нейронные сети (ИНС) и эволюционные вычисления, включающие, в частности, генетические алгоритмы

8 Беспроводные сенсорные сети Современные достижения микроэлектроники позволяют интегрировать на одном кристалле как вычислительные блоки, так и все необходимые устройства для поддержки беспроводных сетейвстроенными средствами интеллектуальной обработки данных Устройства данного класса содержат: программируемый процессор,радиопередатчик, шину для размещения большого набора аналоговых или цифровых сенсоров Направление является обобщением на случай вложенных, распределенных, адаптивных систем концепции мягких измерений, разработанной в ВЦ РАН и ЛЭТИ в 1997 г. Мягкие измерения возникли на основе гибридизации методов мягких вычислений и математической статистики для обработки результатов разнородных измерений

9 XII Международная конференция по мягким вычислениям и измерениям (SCM 2009) Международный программный комитет Почетный председатель: проф. Л.А. Заде, США Программный комитет Председатель: проф. Д.А. Поспелов, Россия Сопредседатели: акад. Н.П. Лаверов, проф., д.т.н. И.И. Мазур, Россия Зам.председателя: д-р. А.Н. Аверкин, Россия проф. С.В. Прокопчина, Россия

10 Темы конференции Неопределенность в измерениях и вычислениях. Меры и шкалы. Моделирование сложных систем. Вероятностные методы в обработке информации. Байесовский подход. Нечеткие множества, приближенные выводы и их приложения. Перспективные информационные технологии и среды программирования для сложных объектов и распределенных систем в условиях неопределенности. Активные INTERNET-технологии. Нейрокомпьютерные сети, генетические алгоритмы и их применения. Новые подходы в измерениях: интеллектуальные, нечеткие и мягкие измерения. Интеллектуальные измерительные системы и приборы. Управление сложными объектами в условиях неопределенности. Методы и средства проектирования экспертных систем и систем поддержки принятия решений. Приложения систем поддержки принятия решений в экономике и социальной сфере. Экологические информационные системы. Применение мягких вычислений для оптимизации бизнес-процессов. Применение Байесовских интеллектуальных технологий для контроля качества Неопределенность и риски. Управление рисками.

11 Конвергенция управления знаниями, искусственного интеллекта и когнитивной науки

12 Компьютерное моделирование верхнего слоя колонки Маунткастла (neocortical columns) (узловые структуры содержащие от 10 до 70 тысяч нейронов) мозга крысы. Здесь возбуждённые нейроны подсвечены розовым, голубыми и желтыми цветами (проект Blue Brain).

13 Визуализация взаимодействия блоггеров

14 Жизненный цикл знаний

15 Архитектура нейро-нечеткой сети – инструмента извлечения знаний

16 Связь ИИ и когнитивных наук Однако и через 50 лет остаются задачи, которые человек решает эффективнее, чем компьютер, хотя скорости передачи сигналов в мозгу в миллион раз медленнее, чем в компьютере. И механизмы мозга, участвующие в решении этих задач, по-прежнему остаются неразгаданными. Ясно лишь, что "компьютерная метафора" (т. е. представление о мозге, как о биологическом компьютере), сыграв важную роль в первые годы существования ИИ, давно уже перестала быть ведущей при исследовании информатики мозга, и потому успехи в этих исследованиях должны принести принципиально новые знания, существенно повышающие возможности информатики. О.П.Кузнецов

17 Биологическая и когнитивная обработка информации Основы биологической обработки информации Когнитивная наука Психологические и нейрофизиологические эксперименты Нейросетевое моделирование процессов обработки сенсорной информации Восприятие и обработка речи

18 18 Нейрокогнитивные технологии будущего 18

19 19 Нейрокогнитивные технологии будущего 19 "to enhance public awareness of the benefits to be derived from brain research (Congress of the USA) The Decade of the Brain ( ) The Decade of the Mind ( ?) Proposal for a $4 billion 10-year US national program to understand the mechanisms of mind. The proposal is modeled after the Human Genome project in structure and size.

20 3D визуальная лаборатория сканирования мозга человека

21 Нейробиологические различия оценок Джорджа Буша и Джона Керри (А – негативная оценка Буша, В – позитивная оценка Буша, С – негативная оценка Керри)

22 Разница в работе мозга демократов и республиканцев при оценке Буша и Керри

23 НЕЙРОБИОЛОГИЯ СОЗНАНИЯ и мозговые интерфейсы A unit in the right anterior hippocampus that responds to pictures of the actress Halle Berry. This cell also responds to a drawing of her, to herself dressed as Catwoman (a movie in which she played the lead role) and to the letter string Halle Berry (picture no. 96). Quiroga et al., Nature 435 (2005) Системная специализация нейронов

24

25 NBIC-конвергенция (по первым буквам областей: N - нано; B -био; I -инфо; C -когно). Термин введен в 2002 г. Михаилом Роко и Уильямом Бейнбриджем, авторами отчета Converging Technologies for Improving Human Performance, подготовленного 2002 г. в Всемирном центре оценки технологий (WTEC) По аналогии, можно сказать, что синергетичекий искусственный интеллект– конвергенция управления знаниями (M-knowledge management), искусственного интеллекта (AI), и когнитивной науки (C) – MAIC- конвергенция.

26 26 Нейрокогнитивные технологии будущего 26 Отчёт Национального научного фонда и Министерства экономики США о конвергенции 4-х мегатехнологий: Converging Technologies for Improving Human Performance: Nanotechnology, Biotechnology, Information Technology and Cognitive Science NSF/DOC-sponsored report 2006 «…В основе конвергенции технологий лежит материальное единство мира на наноуровне и его интеграция на более высоких уровнях. » « Из четырех НБИК областей когнитивная наука является наименее зрелой, но по этой же причине она несет и наибольшие обещания. Развитие когнитивных технологий может иметь наиболее заметные последствия для общества в целом…» NBIC-отчёт

27 Нейроморфный искусственный интеллект von Neumann Machines Neuromorphic Machines Machine Complexity e.g. Gates; Memory; Neurons; Synapses Power; Size [log] Human level performance Dawn of a new age Dawn of a new paradigm simple complex Environmental Complexity e.g. Input Combinatorics [log] Program Objective A trade between universality and efficiency Human CortexSimulated Human Cortex 15 Watts10 10 Watts I Liter4x Liters Проблема По сравнению с биологическими системами интеллектуальные машины в 1000 раз менее эффективны в сложной среде. Чтобы интеллектуальные машины были бы полкзны их нужно сочетать с биологическими системами. Цель Развить технологию электронные нейроморфные машины сравнимую с биологоческим уровнем.