Нейронные сети и их перпективы

     Согласно  смысл текста - это функция, выражаемая некоторым предикатом. Входным аргументом этой функции выступает ситуация. Смысловой предикат структурно представляет собой набор предметных переменных и операций над ними. Значением  предиката является логическое значение "Истина" или "Ложь". Это значение показывает истинность смысла выражаемого  предикатом в данной ситуации. Например, предложение "на полу стоит стул" истинно в ситуации, когда присутствуют пол, стул, и стул стоит на полу. Это  предложение можно записать в  виде: "пол(Х) и стол(У) и стоит(Х,У)".

Рассмотрим  структуру смыслового предиката. Предикат представляет собой предметные переменные, операции узнавания и операции над  значениями, возвращаемыми операциями узнавания. Предметные переменные содержат в себе постоянные ситуации - некоторые  значения, извлеченные из фрагмента  реальности. Например: "объект-стул", "объект-стол", "отношение-стоять". Операции узнавания возвращают логические значения в зависимости от того успешно, или нет прошло распознание значения, поступившего на их вход. Например, операция узнавания, распознающая "стул", вернет значение "истина", если на её входе будет "объект-синий-стул" и "ложь", если на ее входе окажется "объект-стол". Логические операции над значениями выполняются в порядке, заданном структурой предиката. При этом результатом каждой логической операции является логическое значение, подаваемое на вход других логических операций.

     Нетрудно  заметить, что операции над логическими  значениями внутри предиката организованны  в виде направленного графа, у  которого узлы являются логическими  операциями, а ребра указывают  порядок обработки логических значений. Граф, описывающий смысловой предикат, будем называть смысловым графом. Смысловой граф представляет собой  дерево. Листья этого дерева являются операциями узнавания. Ребра указывают  направление передачи логических значений между отдельными операциями. Узлы этого дерева получают логические значения от других узлов через входящие ребра, и возвращают результат выполненной  операции через исходящие ребра. Значение предиката возвращается как  значение корневого узла этого дерева. Таким образом, смысловой предикат однозначно отображается в смысловой  граф, в виде дерева, у которого ребра  направлены от листьев к корню. Количество предметных переменных равно количеству листьев. Количество логических операций в предикате равно количеству узлов дерева. Порядок логических операций в предикате над предметными  переменными соответствует направлению  ребер между узлами дерева, выполняющими логические операции. Следует добавить, что функции с внутренним состоянием, такие как триггер, представляются в виде графа с циклическими связями.

     Математическая  модель смыслового предиката в виде смыслового графа с направленными  связями может быть реализована  в виде имитационной модели на основе семантической нейронной сети. В этом случае операции узнавания значений предметных переменных моделируются в семантической нейронной сети в виде нейронов-рецепторов. Результаты вычисления смысловых функций возвращаются нейронной сетью через специализированные нейроны-эффекторы. Ребра графа преобразуются в дендриты и аксоны нейронов. Логическое значение "истина", обрабатываемое смысловым графом, представляется в виде максимального градиентного значения, обрабатываемого нейроном, а логическое значение "ложь" - в виде минимального градиентного значения. Логические операции, выполняемые узлом смыслового графа, моделируются в семантической нейронной сети операциями нечеткой логики, выполняемой нейронами.

     Смысловой граф обрабатывает результаты распознавания  ситуации, как имеющие всего два  логических значения: "истина" и "ложь". Однако в реальной ситуации часто  приходится сталкиваться с различными неточностями, вероятностями и недостаточностью информации для принятия четкого  решения. Оставляя в стороне философский  вопрос о бесконечной делимости  величин, можно утверждать, что в  обыденной практике мы работаем чаще с вещественными числами, чем  с целыми. Например, массы тел, освещенность, положение представляют собой вещественные значения. Градиентные значения в  семантической нейронной сети выражают степень уверенности или вероятность  распознавания постоянной ситуации, поступившей на вход нейронной сети. Чем выше градиентное значение, тем  ближе оценка ситуации к логической истине. Чем ниже градиентное значение, тем ближе оценка ситуации к логической лжи. Максимальное и минимальное  градиентные значения эквивалентны логическим значениям "истина" и "ложь" соответственно. Следовательно, логические значения, обрабатываемые в смысловом графе, являются частным  случаем градиентных значений, обрабатываемых нейронами.

     В семантической нейронной сети каждый нейрон представляет собой некоторое  элементарное понятие обрабатываемого  смысла. Элементарное понятие - это  совокупность некоторых понятий  и отношений между понятиями, которую возможно свести к одному понятию. Так элементарными понятиями  могут являться все буквы и  все формы всех слов, составленных из этих букв. Например, при необходимости, в качестве элементарного понятия, соответствующего одному нейрону, может  быть представлено даже следующее сложное  понятие: "стул и стол стоят в  одной комнате".

     Нейронные сети можно делить на подсети, выполняющие  различные функции. Будем считать, что обмен данными между подсетями  производится через пару нейрон-эффектор и нейрон-рецептор. Поэтому рецепторами и эффекторами будем называть любые нейроны, соответственно возвращающие или принимающие градиентные значения из данной подсети. Нейрон-рецептор распознаёт только одну постоянную ситуации. Рецептор возвращает градиентное значение пропорциональное степени уверенности в том, что данная постоянная встречается в предъявленной ситуации. Максимальное значение соответствует полной уверенности в присутствии распознаваемой постоянной в ситуации, минимальное значение соответствует полной уверенности в отсутствии данной постоянной в ситуации, а среднее значение соответствует полной неуверенности или неизвестности. Так рецептор, распознающий букву "А" возвращает значение "истина" только в случае, если на его вход поступила буква "А" и - значение "ложь" во всех остальных случаях. Постоянная ситуации может обозначать не только отдельный объект, а и некоторый класс объектов. Тогда рецептор, распознающий эту постоянную, будет распознавать целый класс объектов. Например, возможен рецептор, возвращающий значение "истина" в случае подачи на его вход любого знака препинания.

     Нейроны, как физические объекты выполняют  операции за некоторое время. При  моделировании нейронной сети на последовательных вычислительных системах нейроны выполняют операции не параллельно, а в порядке очереди, определяемой планировщиком системы выполнения. Поэтому, в отличие от смыслового графа, вычисление значения смысловой  функции в семантической нейронной  сети выполняется не мгновенно, а  представляет собой процесс развивающийся в течение некоторого времени. Несмотря на первое впечатление, развитие процесса вычисления смысловой функции во времени является достоинством нейронных сетей. Благодаря эффекту задержки вычислений в нейронных сетях появляется возможность строить системы, в которых информация будет кодироваться не только изменениями пространственно-энергетических характеристик среды, а также и с помощью изменения времени жизни пространственно-энергетических аномалий в этой среде. Возможно такое построение нейронной сети, в которой градиентные данные, обрабатываемые одними и теми же нейронами, но в разное время будут соответствовать не только различным ситуациям, но и различным смыслам. Таким образом, смысловой граф как математическая абстракция может быть полностью смоделирован семантической нейронной сетью.