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

– максимально возможное значение порога.

Условие возбуждения нейрона примет следующий вид:

P(t) - ?(t) ( 0

(7)

С учетом отмеченных обстоятельств получаем следующую математическую

модель информационных процессов в нервной клетке:

Первое уравнение системы (8) воспроизводит процесс пространственной

суммации возбуждающих и тормозных входных воздействий Vвх(t), поступающих в

момент времени t на все синаптические контакты нейрона. Второе уравнение

моделирует процесс входной суммации входных воздействий в области аксонного

холмика и отражает кумулятивные свойства нейрона. Третье, четвертое и пятое

соотношения описывают процесс генерации спайков с учетом условия

возбуждения нейрона (7), его рефрактерности и формы генерируемых импульсов.

Рассмотренная модель (8) довольно точно отражает современные

нейрофизиологические представления об информационной деятельности нервных

клеток. Кроме того, она проще исходной модели (4), поскольку не содержит

нелинейного уравнения (1). Все это позволяет использовать ее в качестве

основы для построения искусственных нейронов и нейронных сетей,

воспроизводящих подпороговые и надпороговые процессы спайковой активности с

учетом формы нервных импульсов. Воспроизведение рефрактерности и формы

спайков, в свою очередь, весьма актуально при организации биоуправляемых

экспериментов, поскольку организация таких экспериментов предполагает

согласование входных и выходных параметров сопрягаемых естественных и

искусственных нейронов. Однако в случае моделирования информационных

процессов в сетях взаимосвязанных интернейронов, которые не должны

Страницы: 1, 2, 3, 4