شبکه‌ی عصبی مصنوعی

شبکه عصبی مصنوعی

شبکه عصبی مصنوعی یکی از موضوعات داغ در دنیای امروزی است و در پروژه‌های زیادی از شبکه‌ عصبی استفاده می‌کنند. میخواهیم در این بخش با خواص جالب شبکه عصبی آشنا شده و اهمیت مدلسازی مغز انسان را بررسی کنیم.

مغز انسان

مغز انسان یک ساختار بسیار بزرگی دارد ، تخمین میزنند که حدودا 10 بیلیون نورون عصبی در مغز انسان وجود دارد که حدودا 60 تریلیون سیناپس این نورونها را به هم وصل کرده اند. مغز انسان یک ساختار پیچیده و غیرخطی است که میشه گفت بخشهای مختلف مغز شبیه کامپیوترهای موازی کنار هم کار می‌کنند.

مغز انسان این قابلیت را دارد که این ساختار بزرگ و پیچیده را طوری سازماندهی کند که یک سری تسک‌های شناسایی الگو، درک و غیره را خیلی سریعتر از ابرکامپیوترها انجام دهد.

برای مثال شما سیستم بینایی انسان را در نظر بگیرید، مغز انسان میتواند چهره‌ی یک فرد آشنا را در یک پس زمینه ناآشنا در یک زمان بسیار کوتاه حدود 100 تا 200 میلی ثانیه تشخیص دهد. در حالی که کامپیوترهای دیجیتال تسک‌های ساده تر از اینرا در یک مدت زمان بسیار طولانی تری انجام می‌دهند.

برای مثال سیستم سونار خفاش را در نظر بگیرید، همانطور که میدانیم خفاش سیستم بینایی ندارد و برای شکار از سیستم سونار کمک می‌گیرید.

این سیستم یک سری امواج صوتی را در فضا پخش می‌کند و این امواج به شکار برخورد کرده و اکوی آنها به سمت خفاش برمی‌گردند. این امواج به مغز خفاش رسیده وسپس مغز این امواج را تحلیل میکند و متوجه می شود که شکار در چه موقعیتی قرار گرفته، با چه سرعتی و به چه سمتی حرکت می‌کند و حتی چه اندازه ای دارد.

تحلیل این حجم از اطلاعات نیاز به یک سیستم عصبی بسیار پیچیده ای دارد، ولی میبینیم که خفاش چنین عملی را بسیار ساده انجام میدهد. در حالی که مغز خفاش میشه گفت به اندازه یک آلو هست.

سوال اینجا اینه که مغز خفاش چه خاصیتی دارد که میتواند چنین تسکهای سخت و پیچیده را به راحتی و با دقت بالا در کوتاترین زمان انجام دهد.

اهمیت مدلسازی مغز انسان

آقای رامون اولین شخصی بودند که پی بردند، مغز انسان از یک سری اجزا کوچک به اسم نورون بیولوژیکی تشکیل شده است. و بعد از اینکه متوجه شدند مغز انسان از چه اجزایی تشکیل شده است، شروع کردند به مدلسازی مغز انسان!

تفاوت مغز انسان با کامپیوترهای دیجیتال

برای اینکه بدانیم مدلسازی مغز انسان چه اهمیتی دارد بهتر است که در ابتدا بدانیم که مغز انسان با کامپیوترهای دیجیتال چه تفاوتی دارد.

همانطور که میدانیم کوچکترین عنصر سازنده مغز انسان نورون است و کوچکترین عنصر سازنده کامپیوترهای دیجیتال ترانزیستور هست. میخواهیم بدانیم که اگر تحریکی به ورودی یک نورون و یک ترانزیستور اعمال شود، سرعت پاسخ‌دهی آنها چقدر خواهد بود؟

زمان پاسخ دهی نورون بیولوژیکی به یک محرک در حدود 1 میلی ثانیه است، این در حالی است که زمان پاسخ دهی یک ترانزیستور در حدود 1 نانو ثانیه است. یعنی در حدود 5-6 برابر سریعتر از نورون به محرک پاسخ میدهد.

ولی الان سوال اینه که این وسط چه اتفاقی می افتد که یک تسک را مغز انسان خیلی سریعتر و دقیق تر از کامپیوترهای دیجیتال انجام میدهد!؟ این در حالی است که عنصر سازنده مغز انسان سرعت پاسخ دهی خیلی کمتری از یک ترانزیستور دارد!

دلیل مدلسازی مغز انسان به خاطر همین توانایی بالا هست و محققان را مجاب می‌کند که کامپیوترهای دیجیتال را شبیه ساختار مغز انسان طراحی کنند. دانشمندان به این نکته پی برده‌اند که روشی که مغز برای محاسبات استفاده می‌کند، یک روش کاملا متفاوت با کامپیوترهای دیجیتال هست. برای همین دانشمندان در تلاش هستند که با ساختارهای مختلف مغز آشنا شوند و بتوانند این ساختارها را در قالب شبکه‌های عصبی مصنوعی مدلسازی کنند و بتوانند از این شبکه‌ها در تسکهای مختلف بکار بگیرند.

البته خیلی فاصله داریم تا بتوانیم کامپیوتری طراحی کنیم که بتونه شبیه به مغز انسان کار کند. مدل سازی مغز انسان به قدری اهمیت دارد که در آمریکا مدلسازی مغز انسان یک پروژه ملی است!

خواص شبکه عصبی

شبکه‌های عصبی مصنوعی مدلهای بسیار ساده ساختارهای عصبی مغز هستند. حال میخواهیم چند تا از خواص جالب شبکه‌های عصبی مصنوعی را بررسی کنیم.

قابلیت یادگیری شبکه عصبی

مهمترین خاصیت شبکه عصبی قابلیت یادگیری است. مغز انسان با کمک تجربه یاد می‌گیرد، یعنی با تجربه کردن برخی پدیده ها دانش لازم را کسب می‌کند.

شبکه عصبی که طراحی میکنیم باید قابلیت یادگیری داشته باشد! حال سوالی که ایجاد میشه این است که شبکه چقدر میتونه یاد بگیرد؟ مغز انسان قابلیت یادگیری بی نهایت دارد، شبکه هم باید همچین خاصیتی داشته باشد.

یادگیری به عبارتی ذخیره سازی اطلاعات و دانش هست! دانشی که شبکه عصبی بدست می آورد در وزنهای سیناپسی آن ذخیره می‌شود! این دانش و اطلاعات باید طوری باشد که به تغییرات وابسته نباشد! یعنی اگر داده جدید مقداری تغییر کرد شبکه باز بتواند روی آن داده هم درست عمل کند.

خاصیت غیرخطی شبکه عصبی

شبکه عصبی خاصیت غیرخطی دارد و  میتواند مسائل پیچیده و غیرخطی را حل کند. شبکه های عصبی چندلایه چنین توانایی را دارند و میتوانند مسائل پیچیده و غیرخطی را حل کنند.

نگاشت ورودی به خروجی توسط شبکه عصبی

شبکه عصبی ورودی به ازای هر ورودی خروجی مطلوب را تولید می‌کند. در قانون یادگیری نظارت شده، در پروسه آموزش به ازای هر ورودی یک خروجی مطلوب به شبکه ارائه می دهند و در پروسه تست شبکه عصبی به ازای هر وروردی یک خروجی(برچسب) تولید می‌کند.

پردازش اطلاعات به صورت contextual در شبکه عصبی

شبکه عصبی اطلاعات رو به صورت contextual پردازش می‌کند. بدین معنی است که دانشی که شبکه عصبی بدست می آورد، در میان وزنهای سیناپسی توزیع شده است و این اطلاعات رابطه یک به یک به یک با ورودیها ندارند. شبکه عصبی باید متاثر از تمام نورونها است. دانشی بدست آمده لزوما از یک نمونه بدست نمی آید، از چندین نمونه در پروسه آموزش بدست می آید و این دانش متاثر از کل نمونه ها هست.

قابلیت تعمیم شبکه عصبی

یعنی اگرشما در یک شرایط خاصی یک شبکه عصبی را آموزش دادید، شبکه عصبی میتواند در زمانی که شرایط یک مقدار تغییر میکنند، شبکه عصبی همچنان میتواند خوب عمل کند.

پردازش اطلاعات به صورت موازی در شبکه عصبی

شبکه عصبی  اطلاعات را به صورت موازی پردازش می کند و این امکان را میدهد که قابلیت پیاده سازی سخت افزاری (VLSI) داشته باشد.

مقاوم بودن شبکه عصبی

در یک شبکه عصبی اگر یک بخشی از شبکه آسیب ببیند، همچنان میتواند تسک را بدرستی انجام دهد. مغز انسان این قابلیت را دارد که ساختار شبکه عصبی رو تغییر بدهد، ارتباطات بین نورونها را کم و زیاد بکند، و یا اگر یک بخشی آسیب ببیند، کار اون بخش را با سایر بخشهای مغز انجام دهد. شبکه عصبی هم باید چنین قابلیتی داشته باشد.