С момента выхода классического немого фильма «Метрополис» в 1927 году концепция искусственного интеллекта (ИИ) активно исследуется в различных средствах массовой информации. До недавнего времени, однако, ограниченные вычислительные мощности удерживали его в сфере научной фантастики. Теперь, когда за последние несколько десятилетий произошел огромный скачок в вычислительной технике, ИИ, наконец, стал жизнеспособным инструментом и огромной темой для обсуждения в техническом сообществе. Возможно, мы еще не живем в эпоху роботов, которые могут рассуждать самостоятельно, но сегодняшний ИИ все еще может использоваться для решения некоторых из самых сложных мировых проблем.

Определение ИИ изменилось по мере его совершенствования, а идея с годами стала более сложной. В 60-е годы ИИ обычно определяли как способность выполнять серию операций на основе набора правил. По сегодняшним стандартам это лучше описывает простое программирование. Современный ИИ ассоциируется с адаптивным поведением, а не с выполнением простых предопределенных задач. Эта адаптивная природа обусловлена ​​машинным обучением, обычно построенным на искусственных нейронных сетях (ИНС). ИНС - это именно то, на что она похожа - это набор искусственных нейронов, объединенных в сеть, напоминающую органический мозг!

Свойства биологических нейронов

Нейрон - это специализированная клетка мозга, которая получает химические сообщения через ответвления, называемые дендритами. Эти сообщения обрабатываются в теле или соме нейрона и распространяются в виде электрических токов через стволоподобное расширение, называемое аксоном. Концы аксонов образуют синапсы с дендритами других нейронов, что позволяет сообщениям переходить в следующую клетку. Следующие нейроны в цепочке получают сообщение и снова начинают цикл. Многие, многие нейроны, связанные друг с другом таким образом, образуют (биологическую) нейронную сеть.

Вычислительные нейроны намного менее сложны и часто представлены в виде связанных узлов в простом графе. Биологический аспект исчез, но поведение каждого нейрона концептуально одинаково - они получают, обрабатывают и распространяют информацию.

Например, в соме биологического нейрона существует явление, известное как интеграция, когда нейрон решает, будет ли он передавать сообщение следующему нейрону. Это решение зависит от того, достигает ли данный нейрон своего порога срабатывания, т. Е. Нейрон накапливает достаточно электрического заряда для отправки сигнала. Это можно смоделировать с помощью вычислений, запрограммировав каждый искусственный нейрон с помощью функции активации. Искусственный нейрон будет «срабатывать» только в том случае, если получаемые им сообщения удовлетворяют этой функции. Моделируя биологический процесс интеграции, мы можем начать создавать сеть искусственных нейронов, которые выборочно передают сообщения, как настоящие. Поскольку искусственные нейроны запрограммированы с несколькими другими функциями, имитирующими биологические нейроны, их объединенные возможности наделяют сеть способностью к обучению!

Органическое обучение против обучения ИНС

Отрабатываете ли вы штрафные броски на площадке или запоминаете кости человеческого тела, повторение является ключом к освоению новых навыков и информации. Это связано с тем, что каждое повторение создает новые связи между дендритами и окончаниями аксонов соседних нейронов. Эта связь, или синапс, также может быть дополнительно усилена или ослаблена в зависимости от активности между двумя нейронами.

Повторение при обучении новой задаче приводит к большему взаимодействию между нейронами, что усиливает синапс. Это усиление известно как долгосрочное потенцирование (LTP). И наоборот, снижение синаптической активности - известное как долговременная депрессия (LTD) - может происходить, когда навык не повторяется регулярно. Забывчивые нейронные сети не так уж и полезны, поэтому они не часто используются в искусственных системах, но это большая часть того, как работают биологические сети.

Чтобы нейронная сеть обучалась, мы должны моделировать LTP и имитировать усиление синаптического взаимодействия. Сила взаимодействия между двумя искусственными нейронами численно представлена ​​как синаптический вес. Терминалы и дендриты аксонов заменяются методами минимизации, которые регулируют синаптический вес между двумя или более искусственные нейроны. Эта настройка позволяет модели учиться!

Искусственные нейроны позволяют нам использовать хорошие стороны биологических нейронов и оставлять плохие позади. Как только нейрон можно смоделировать, наш фокус смещается на две вещи, которые регулируют синаптический вес. Первый из них - вышеупомянутая функция активации. Второй - и, возможно, более важный - фактор - это сетевая архитектура - способ, которым нейроны организованы и связаны.

Как люди, мы способны выполнять сложные задачи, например танцевать, говорить и запоминать факты. Все эти задачи различаются по сложности и, следовательно, для их выполнения требуются разные типы сетей. Во время танца мы используем часть мозга, известную как мозжечок, основная роль которого заключается в том, чтобы помочь нам поддерживать правильное время и координацию. С другой стороны, пытаясь запомнить факты или вспомнить факты, мы в основном используем гиппокамп. Нейробиологи обнаружили, что архитектура нейронных связей широко варьируется в зависимости от назначения области мозга. Нейроны в коре мозжечка отличаются по типу и связности от нейронов в гиппокампе. Каждый регион оптимизирован для разных задач, и это отражается в их разном составе. Подобным образом искусственные нейроны могут иметь самые разные архитектуры, в зависимости от того, какой способ лучше всего подходит для конкретной проблемы, которую пытается решить сеть. Например, архитектура ИНС для распознавания изображений будет сильно отличаться от архитектуры ИНС, пытающейся предсказать крах фондового рынка. Некоторыми примерами распространенных архитектур, используемых сегодня, являются Deep Convolutional Networks (DCN), Recurrent Neural Networks (RNN) и Deep Belief Networks (DBN). Эти сети различаются организацией своих слоев и тем, как связаны их нейроны. Манипулируя существующими архитектурами и методами, исследователи постоянно разрабатывают новые подходы к проблемам, которые слишком сложны для существующих методов.

Применение ИНС в биотехнологии

Теория, лежащая в основе нейронных сетей, существует уже большую часть века, но благодаря достижениям в области компьютерного оборудования и огромному количеству данных, на которых можно учиться, теперь они стали реальностью. Благодаря массивным легкодоступным источникам данных, таким как UniProt и PDB, биотехнологическая промышленность смогла невероятно эффективно использовать ИНС. Сегодня исследователи используют их для моделирования белков, диагностики заболеваний и создания дизайнерских антител. И это только верхушка айсберга!

Адаптивное, неутомимое изучение нейронных сетей и искусственного интеллекта не только захватывает наше воображение, но и служит реальной цели практически во всех отраслях. Нейронные сети могут быть ограничены вычислительными пределами сегодняшнего дня, но по мере того, как технологии совершенствуются и становится доступным больше данных, возможности безграничны!

Цитаты и ссылки
1. Коллекция Wellcome https://wellcomecollection.org/
2. Fa, Rui, et al. Прогнозирование функции белков человека с помощью многозадачных глубоких нейронных сетей. PLOS ONE, Публичная научная библиотека.
3. А. Хилькевич, Дж. Замбрано, М.М. Ричардс, доктор медицины Маук. Реализация последовательностей движений мозжечком посредством обратной связи. elife 7: e37443
4. D.H. Ackley, G.E. Хинтон, Т. Сефновский. Алгоритм обучения для машин Больцмана. Когнитивная наука 9 (2): 147–169, 1985.
5. Дж. Джордан. Сверточные нейронные сети. Https://www.jeremyjordan.me/convolutional-neural-networks/

Ищете дополнительную информацию о Macromoltek, Inc? Посетите наш веб-сайт www.Macromoltek.com
Заинтересованы в молекулярном моделировании, биологическом искусстве или узнают больше о молекулах? Подписывайтесь на наши Твиттер и Инстаграм!