مدل.های الكترونیكی از ساختار شبکه عصبی مغز انسان

واضح آرشیو وب فارسی:فان پاتوق: شبكه.های عصبی را می.توان با اغماض زیاد، مدل.های الكترونیكی از ساختار عصبی مغز انسان نامید. مكانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل.های الكترونیكی شبكه.های عصبی طبیعی نیز بر اساس همین الگو بنا شده.اند و روش برخورد چنین مدل.هایی با مسائل، با روش.های محاسباتی كه به.طور معمول توسط سیستم.های كامپیوتری در پیش گرفته شده.اند، تفاوت دارد. می.دانیم كه حتی ساده.ترین مغز.های جانوری هم قادر به حل مسائلی هستند كه اگر نگوییم كه كامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشكل می.شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه.ای از مواردی هستند كه روش.های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی.رسند. درحالی.كه مغز ساده.ترین جانوران به.راحتی از عهده چنین مسائلی بر می.آید. تصور عموم كارشناسان IT بر آن است كه مدل.های جدید محاسباتی كه بر اساس شبكه.های عصبی بنا می.شوند، جهش بعدی صنعت IT را شكل می.دهند. تحقیقات در این زمینه نشان داده است كه مغز، اطلاعات را همانند الگو.ها (pattern) ذخیره می.كند. فرآیند ذخیره.سازی اطلاعات به.صورت الگو و تجزیه و تحلیل آن الگو.، اساس روش نوین محاسباتی را تشكیل می.دهند. این حوزه از دانش محاسباتی (computation) به هیچ وجه از روش.های برنامه.نویسی سنتی استفاده نمی.كند و به.جای آن از شبكه.های بزرگی كه به.صورت موازی آرایش شده.اند و تعلیم یافته.اند، بهره می.جوید. در ادامه این نوشته به این واژگان كه در گرایش شبكه.های عصبی، معانی ویژه.ای دارند، بیشتر خواهیم پرداخت.

شباهت با مغز

اگرچه مكانیسم.های دقیق كاركرد مغز انسان (یا حتی جانوران) به.طور كامل شناخته شده نیست، اما با این وجود جنبه.های شناخته شده.ای نیز وجود دارند كه الهام بخش تئوری شبكه.های عصبی بوده.اند. به.عنوان مثال، یكی ازسلول.های عصبی، معروف به نرون (Neuron) است كه دانش بشری آن را به.عنوان سازنده اصلی مغز می.انگارد. سلول.های عصبی قادرند تا با اتصال به.یكدیگر تشكیل شبكه.های عظیم بدهند. گفته می.شود كه هر نرون می.تواند به هزار تا ده هزار نرون دیگر اتصال یابد (حتی در این مورد عدد دویست هزار هم به عنوان یك حد بالایی ذكر شده است).

قدرت خارق.العاده مغز انسان از تعداد بسیار زیاد نرون.ها و ارتباطات بین آنها ناشی می.شود.

ساختمان هر یك از نرون.ها نیز به.تنهایی بسیار پیچیده است. هر نرون از بخش.ها و زیر.سیستم.های زیادی تشكیل شده است كه از مكانیسم.های كنترلی پیچیده.ای استفاده می.كنند. سلول.های عصبی می.توانند از طریق مكانیسم.های الكتروشیمیایی اطلاعات را انتقال دهند. برحسب مكانیسم.های به.كاررفته در ساختار نرون.ها، آنها را به بیش از یكصدگونه متفاوت طبقه.بندی می.كنند. در اصطلاح فنی، نرون.ها و ارتباطات بین آنها، فرایند دودویی(Binary)، پایدار (Stable) یا همزمان (Synchronous) محسوب نمی.شوند.

در واقع، شبكه.های عصبی شبیه.سازی شده یا كامپیوتری، فقط قادرند تا بخش كوچكی از خصوصیات و ویژگی.های شبكه.های عصبی بیولوژیك را شبیه.سازی كنند. در حقیقت، از دید یك مهندس نرم.افزار، هدف از ایجاد یك شبكه عصبی نرم.افزاری، بیش از آنكه شبیه.سازی مغز انسان باشد، ایجاد مكانیسم دیگری برای حل مسائل مهندسی با الهام از الگوی رفتاری شبكه.های بیولوژیك است.

روش كار نرون.ها

در شكل یك، نمای ساده شده.ای از ساختار یك نرون بیولوژیك نمایش داده شده است. به.طور خلاصه، یك نرون بیولوژیك، پس از دریافت سیگنال.های ورودی (به. شكل یك پالس الكتریكی) از سلول.های دیگر، آن سیگنال.ها را با یكدیگر تركیب كرده و پس از انجام یك عمل (operation) دیگر بر روی سیگنال تركیبی، آن را به.صورت خروجی ظاهر می.سازد

مان.طور كه در تصویر مشاهده می.كنید، نرون.ها از چهار بخش اصلی ساخته شده.اند. دندریت.ها (Dendrite)، سوما (Soma)، اكسان (Axon) و بالاخره، سیناپس (synapse) دندریت.ها، همان اجزایی هستند كه به.شكل رشته.های طویل از مركز سلول به اطراف پراكنده می.شوند. دندریت.ها نقش كانال.های ارتباطی را برای انتقال.دادن سیگنال.های الكتریكی به مركز سلول بر عهده دارند. در انتهای دندریت.ها، ساختار بیولوژیكی ویژه.ای به.نام سیناپس واقع شده است كه نقش دروازه.های اتصالی كانال.های ارتباطی را ایفا می.كند. در واقع سیگنال.های گوناگون از طریق سیناپس.ها و دندریت.ها به مركز سلول منتقل می.شوند و در آنجا با یكدیگر تركیب می.شوند.

عمل تركیب كه به آن اشاره كردیم، می.تواند یك عمل جمع جبری ساده باشد. اصولاً اگر چنین نیز نباشد، در مدل.سازی ریاضی می.توان آنرا یك عمل جمع معمولی در نظر گرفت كه پس از آن تابع ویژه.ای بر روی سیگنال اثر داده می.شود و خروجی به شكل سیگنال الكتریكی متفاوتی از طریق اكسان (و سیناپس آن) به سلول.های دیگر انتقال داده می.شود.

البته تحقیقات جدید نمایانگر این واقعیت هستند كه نرون.های بیولوژیك بسیار پیچیده.تر از مدل .ساده.ای هستند كه در بالا تشریح شد. اما همین مدل ساده می.تواند زیربنای مستحكمی برای دانش شبكه.های عصبی مصنوعی (Artificial Neural Network = ANN) تلقی گردد و متخصصان گرایش شبكه.های عصبی یا هوش مصنوعی می.توانند با پیگیری كارهای دانشمندان علوم زیست.شناسی، به بنیان.گذاری ساختار.های مناسب.تری در آینده دست بزنند.

مدل ریاضی

در متون فنی برای نمایش مدل ساده.ای كه در بالا. تشریح گردید، به.طور معمول از شكلی مشابه شكل 2 استفاده می.شود. در این شكل كلاسیك، از علامت p برای نشان دادن یك سیگنال ورودی استفاده می.شود. در واقع در این مدل، یك سیگنال ورودی پس از تقویت (یا تضعیف) شدن به اندازه پارامتر w، به.صورت یك سیگنال الكتریكی با اندازه pw وارد نرون می.شود. به.جهات ساده.سازی مدل ریاضی، فرض می.شود كه در هسته سلول عصبی، سیگنال ورودی با سیگنال دیگری به اندازه b جمع می.گردد. در واقع سیگنال b خود به معنی آن است كه سیگنالی به اندازه واحد در پارامتری مانند b ضرب (تقویت یا تضعیف) می.شود. مجموع حاصل، یعنی سیگنالی به اندازه pw + b، قبل از خارج شدن از سلول تحت عمل یا فرآیند دیگری واقع می.شود كه در اصطلاح فنی به آن تابع انتقال (Transfer Function) می.گویند. این موضوع در شكل به.وسیله جعبه.ای نمایش داده شده است كه روی آن علامت f قرار داده شده است. ورودی این جعبه همان سیگنال pw + b است و خروجی آن یا همان خروجی سلول، با علامت a نشانه گذاری شده است. در ریاضی، بخش آخر مدل.سازی توسط رابطه (a = f(pw + b نمایش داده می.شود. پارامتر w یا همان ضریبی كه سیگنال ورودی p در آن ضرب می.شود، در اصطلاح ریاضی به نام پارامتر وزن یا weight نیز گفته می.شود.

زمانی.كه از كنار هم قرار دادن تعداد بسیار زیادی از سلول.های فوق یك شبكه عصبی بزرگ ساخته شود، شبكه.ای در دست خواهیم داشت كه رفتار آن علاوه بر تابع خروجی f، كاملاً به مقادیر w و b وابسته خواهد بود. در چنین شبكه بزرگی، تعداد بسیار زیادی از پارامترهای w و b باید توسط طراح شبكه مقداردهی شوند. این پروسه از كار، در اصطلاح دانش شبكه.های عصبی، به فرآیند یادگیری معروف است. در واقع در یك آزمایش واقعی، پس از آن.كه سیگنال.های ورودی چنین شبكه. بزرگی اتصال داده شدند، طراح شبكه با اندازه.گیری خروجی و با انتخاب پارامترهایw و b به.گونه.ای كه خروجی مطلوب به.دست آید، شبكه را می.دهد. به این ترتیب پس از آنكه چنین شبكه به ازای مجموعه.ای از ورودی.ها برای ساختن خروجی.های مطلوب دید، می.توان از آن برای حل مسائلی كه از تركیب متفاوتی از ورودی.ها ایجاد می.شوند، بهره برد.

تابع f می.تواند بر حسب كاربردهای گوناگون به..طور ریاضی، به شكل .های متفاوتی انتخاب شود. در برخی از كاربردها، پاسخ مسائل از نوع دودویی است. مثلاً مسأله به.گونه.ای است كه خروجی شبكه عصبی باید چیزی مانند یا (یا یا ) باشد. در واقع چنین مسائلی نیاز به آن دارند كه ورودی.های دنیای واقعی به مقادیر گسسته مانند مثال فوق تبدیل شوند. حتی می.توان حالاتی را در نظر گرفت كه خروجی دودویی نباشد، اما همچنان گسسته باشد. به عنوان مثال، شبكه.ای را در نظر بگیرید كه خروجی آن باید یكی از حروف الفبا، مثلاً از بین كاراكترهای اسكی (یا حتی یكی از پنجاه هزار كلمه متداول زبان انگلیسی) باشد. در چنین كاربردهایی، روش حل مسئله نمی.تواند صرفاً بر جمع جبری سیگنال.های ورودی تكیه نماید. در این كاربردها، ویژگی.های خواسته شده فوق، در تابع خروجی یا تابع انتقال f گنجانیده می.شوند.

مثلاً اگر قرار باشد خروجی فقط یكی از مقادیر صفر یا یك را شامل شود، در این صورت می.توان تابع خروجی شبكه عصبی را به .شكل بخش a شكل شماره 3 انتخاب كرد. در این حالت، خروجی چنین شبكه.ای فقط می.تواند بر حسب ورودی.های متفاوت، مقدار یك یا صفر باشد.

در گروه دیگری از مسائلی كه حل آن.ها به شبكه.های عصبی واگذار می.شود، خروجی شبكه عصبی الزاماً بین مقادیر معلوم و شناخته شده. واقع نمی.شود. مسائلی از نوع شناسایی الگو.های تصویری، نمونه.ای از چنین مواردی محسوب می.شوند. شبكه.های عصبی در این موارد، باید به.گونه.ای باشند كه قابلیت تولید مجموعه نامتناهی از پاسخ.ها را داشته باشند. رفتار حركتی یك روبات نمونه.ای از است كه چنین شبكه.های عصبی می.توانند فراهم آورند. اما در چنین شبكه.هایی هم لازم خواهد بود كه خروجی بین مقادیر مشخصی محدود شده باشد

(موضوع محدود شدن خروجی بین دو مقدار حدی ماكزیمم و مینیمم را در اینجا با موضوع قبلی اشتباه نگیرید. در این مورد خروجی مسأله اساساً گسسته نیست و حتی در بین چنین مقادیر حدی، می.توان به تعداد نامتناهی خروجی دست یافت). اهمیت این موضوع زمانی آشكار می.شود كه از مثال واقعی كمك گرفته شود. فرض كنید قراراست از شبكه عصبی برای كنترل حركت بازوی یك روبات استفاده شود. در صورتی.كه خروجی یك شبكه عصبی برای كنترل نیروی حركتی به.كار گرفته شود، طبیعی خواهد بود كه اگر خروجی شبكه محدود نشده باشد، ممكن است بازوی روبات بر اثر حركت بسیار سریع، به خود و یا محیط اطراف آسیب برساند. در چنین مواردی ممكن است از تابع انتقال به.شكل بخش b شكل شماره 3 استفاده شود.

قبل از آنكه به بخش دیگری از موضوع شبكه.های عصبی بپردازیم، باید یك نكته را یادآوری كنیم كه همان.طور كه در ابتدای این بخش تشریح شد، سلول.های عصبی دارای ورودی.های متعددی هستند و خروجی آنها نیز الزاماً محدود به یك خروجی نیست. بر این اساس زمانی كه بخواهیم از مدل.سازی ریاضی برای مدل كردن یك سلول عصبی استفاده كنیم، به.جای آن.كه همانند شكل 2 از یك ورودی p و یك خروجی a استفاده كنیم، از یك بردار p و یك بردار a سخن می.گوییم. بدین ترتیب بدون آنكه نیاز به اعمال تغییری در این تصویر داشته باشیم، می.توانیم از آن برای مدل.سازی سلولی با n ورودی (p1,p2,p3 . . . pn) و به همین ترتیب m خروجی (a1,a2,am) استفاده كنیم. توجه داشته باشید كه در این صورت، تعداد عناصر b و w نیز به تناسب افزایش می.یابند و هر یك به n عدد افزایش می.یابند.

پیاده.سازی.های الكترونیكی نرون.های مصنوعی
نرم.افزارهایی كه در آن.ها از شبكه.های عصبی استفاده شده است، نرون.های شبكه را المان پردازنده (Processing element) می.نامند. به.طور معمول در محصولات نرم.افزاری، المان.های پردازنده قابلیت بسیار بیشتری از نمونه ساده.شده.ای كه در بخش.های پیشین تشریح كردیم، دارند. در شكل شماره 4، نمایی با جزئیات بیشتر از یك نرون مصنوعی را نشان می.دهد.

در این مدل، ورودی.ها در نخستین گام، در ضریب وزنی (weighting factor) متناظر خود ضرب می.شوند. در مرحله بعد، ورودی.هایی كه تغییر مقیاس داده.اند وارد واحدی می.شوند كه در آن سیگنال.های ورودی با هم تركیب می.شوند. به.طور معمول عمل تركیب در این واحد همان عمل جمع جبری است، اما در اصول، می.توان در این واحد، ورودی.ها را به روش.های دیگری علاوه بر عمل جمع معمولی نیز با یكدیگر تركیب كرد. مثلاً می.توان به.جای عمل جمع، از عمل متوسط گیری، انتخاب بزرگترین، انتخاب كوچك.ترین، عمل OR یا. AND منطقی هم استفاده كرد. در واقع هدف نهایی در این واحد آن است كه از تعداد n ورودی، یك سیگنال خروجی برای ارائه به بخش.های بعدی فرایند، به.دست آید. انتخاب نوع در این واحد، موضوع دقیقی است كه كاملاً به كاربرد مسأله وابسته است.

به.طور معمول در نرم.افزارهای تجاری، امكان انتخاب و حتی ساختن توابع گوناگون برای این واحد، از طرف نرم.افزار به كاربران داده می.شود. حتی می.توان كاربردهایی یافت كه در آنها، عمل تركیب در این واحد، وابسته به زمان باشد و در زمان.های گوناگون پردازش مسأله، عملیات مختلفی برای تركیب كردن ورودی.ها به.كار برده .شوند.

در هر صورت، پس از آنكه ورودی.ها با یكدیگر تركیب شدند، سیگنال حاصل به واحد دیگری كه در آن تابع انتقال یا Transfer Function به سیگنال اعمال می.شود، هدایت می.گردد. خروجی این بخش، سیگنال.های حقیقی خواهند بود. بدین ترتیب جعبه.ای در دست خواهیم داشت كه تعداد n عدد سیگنال ورودی را به m عدد سیگنال خروجی تبدیل می.كند. در عمل توابع انتقالی كه در بخش انتهایی نمودار شكل 4 به.كار برده می.شوند، معمولاً یكی از توابع سینوسی، تانژانت هذلولی، sigmoid و نظایر این.ها است. در تصویر شماره 5، نمونه.ای از یك تابع انتقال از نوع sigmoid نمایش داده شده است. همانطور كه در این شكل مشاهده می.كنید، این تابع انتقال، سیگنال خروجی واحد تركیب را به سیگنال خروجی تبدیل می.كند كه مقدار (یا اندازه آن) بین صفر و یك می.تواند باشد.
در عمل، سیگنالِ خروجی یك المان پردازنده می.تواند برحسب نوع كاربرد، به المان.های پردازشی دیگر و یا به اتصالات دیگر خارج از شبكه عصبی هدایت شود. در واقع تمامی شبكه.های عصبی بر اساس ساختار المان.های پردازشی فوق كار می.كنند. در قسمت بعدی این مقاله به تشریح عملیات در شبكه.های عصبی و آموزش این شبكه.ها می.پردازیم.

منابع:
www.generation5.org/content/2000/nnintro.asp

http://cortex.snowseed.com/neuralnetworks.htm

www.cs.stir.ac.uk/lss/NNIntro/InvSlides.html

:ARTIFICIAL NEURAL NETWORKS TECHNOLOGY by

Dave Anderson and George McNeill

این صفحه را در گوگل محبوب کنید

[ارسال شده از: فان پاتوق]

[مشاهده در: www.funpatogh.com]

[تعداد بازديد از اين مطلب: 2040]