Сходства между нейронами человеческого мозга и искусственными нейронными сетями
Наш человеческий мозг состоит из множества нейронных клеток, и эти клетки создают связи друг с другом. Этот процесс означает, что мы обладаем пластичностью, позволяющей адаптироваться к новым условиям жизни. У нас есть различные типы нервных систем, такие как центральная нервная система и периферическая нервная система. Каждая из них имеет свои особенности.
I. Биологические нейроны человеческого мозга
Наша общая нервная система состоит из двух различных систем: центральной нервной системы (ЦНС) и периферической нервной системы (ПНС). Первая из них имеет особую функцию в организме. ЦНС включает в себя мозг и спинной мозг, в то время как периферическая система включает другие области. Наш уникальный мозг имеет множество частей с различными функциями и анатомией. В частности, мозжечок играет решающую роль в передаче сообщений телу через спинной мозг; таким образом, мозжечок отвечает за связь между лобной двигательной корой и сообщениями, поступающими из периферической нервной системы. Он выполняет миссию по координации движений рук и ног (Thau et al., 2022). Вторая система - это структура, включающая периферические нервы, ганглии и сенсорные рецепторы. ПНС содержит 12 пар черепных нервов, которые создают связи между определенными частями тела и ЦНС (Paz & West, 2014: 129).
Нейроны человеческого мозга - это специализированные клетки для передачи знаний и импульсов между двумя различными нейронными клетками. Нейронам необходимы определенные части для общения друг с другом. Во-первых, некоторые необходимы для хранения информации нейронов и отвечают за защиту и оценку поступающей или исходящей информации. Для приема сообщений от других нейронов, нейроны имеют множество дендритов. Эти дендриты готовы получать информацию от других нейронов. Действительно, каждый нейрон имеет только один аксон для отправки сообщения другому нейрону. Он всегда длиннее дендритов. Все нейроны имеют личную миссию в одном сложном и целом мозге (Bazira, 2021: 451).
Нейроны человеческого мозга работают, когда они активируются для начала связи между нейронными клетками. Это означает, что им необходимо активироваться, и это называется потенциалом активации. Для активации потенциала активации нейронам необходимы некоторые условия, такие как количество калия и натрия. Обычно нейронные клетки имеют высокую концентрацию ионов натрия внутри клетки и высокую концентрацию калия снаружи нейрона (Larkman & Barnett, 2007: 192).
Когда потенциал активации активируется через обмен трех ионов натрия внутри нейрона на два иона калия снаружи, синаптическое соединение завершается, и информация передается постсинаптически в виде химической структуры. Кроме того, каждый из каналов обладает избирательной проницаемостью, что означает, что каждый канал имеет только одну функцию, например, один канал позволяет только поток натрия, в то время как другой канал позволяет только поток калия. В этом контексте, зная, что ион натрия примерно на 30 процентов меньше калия (Stevens, 1979: 55-58), а значение покоя нейрона составляет -70 милливольт. Затем, если мембрана нейрона увеличивается и активирует потенциал активации, это деполяризация; если мембрана нейрона уменьшается и падает ниже мембраны покоя, это гиперполяризация (Larkman & Barnett, 2007: 193).
II. Искусственные нейронные сети
Искусственные нейронные сети (ИНС) - это имитация биологических нейронных клеток. Они имеют схожие модели для обработки входных данных, поступающих извне. ИНС также имеют стиль обучения, подобный мозгу, и это работает с ошибками и учится на ошибках, которые происходят в процессе. После обнаружения разницы между входными данными и ожидаемым выходом, ИНС корректируют свои собственные связи (Dongare et al., 2012: 190). Это обобщенная дисциплина выполнения. Поэтому нам нужно поговорить о типах обучения и разнообразии между ними.
В литературе выделяются следующие типы обучения: контролируемое, неконтролируемое и обучение с подкреплением. Согласно Dongare et al. (2012: 190), контролируемое обучение означает, что система имеет образец для классификации входных данных и адаптации к ожидаемому выходу. В этом процессе алгоритм пытается найти, какой из них правильный или похож на ожидаемый выход. При неконтролируемом обучении алгоритм не имеет ожидаемого выхода, поэтому он пытается классифицировать сходства на основе входной информации. Он пытается выявить разнообразие и сходство входных данных и попытаться создать метод классификации. Мы можем использовать слово группировка вместо классификации. Наконец, обучение с подкреплением работает как условное обучение, потому что этот стиль требует получения обратной связи от окружающей среды. Он работает по принципу вознаграждения или наказания; таким образом, обучение с подкреплением основано на реакции окружающей среды, и оно настраивает систему на свои параметры.
Контролируемое обучение включает в себя такие вещи, как изучение названия фрукта или того, что является желтым, с помощью учителя. В этом случае алгоритмы имеют наставника и ожидаемый результат. Система продолжает идентифицировать и выяснять, что подходит к желтому или какое у него название. При неконтролируемом обучении алгоритмы не имеют ожидаемого ответа. Они просто пытаются обнаружить сходства между различными изображениями. Если вы предоставите данные с некоторыми изображениями, включающими изображения кошек и собак, модель неконтролируемого обучения попытается обнаружить различия и определить, что является кошкой или собакой. При обучении с подкреплением алгоритмы работают для получения более высоких баллов. Это похоже на получение некоторых достижений в игре. Алгоритмы с подкреплением пробуют каждое условие и начинают учиться, какое событие улучшает показатели, а какое снижает.
Согласно исследованиям Wu и Feng (2017: 1650-1653), когда мы смотрим на области применения ИНС, мы можем увидеть множество областей использования:
Обработка информации: ИНС обладают высокой отказоустойчивостью. Они имеют функцию классификации, и мы видим их в системах автоматического отслеживания и мониторинга, системах автоматического управления и системах сигнализации.
Распознавание образов: Распознавание образов с помощью искусственных нейронных сетей заменяет традиционный метод распознавания образов. Оно имеет множество применений в таких областях, как распознавание символов, распознавание речи, распознавание лиц и распознавание рукописных символов.
Обнаружение и анализ биологических сигналов: ИНС гибко адаптируются к новым ситуациям для обнаружения различий и дефицитов. В частности, в этой области ИНС сосредоточены на анализе сигналов ЭЭГ, компрессии сигналов ЭКГ и, наконец, распознавании медицинских изображений.
Оценка рисков: В коммерции получение прибыли является целью, а предсказание того, что произойдет в будущем, является методом для продолжения роста. Поэтому ИНС открыты для изучения записей о продажах и прогнозирования того, что необходимо для получения большей прибыли.
Транспортные приложения: Существуют некоторые важные факторы, связанные с транспортом, такие как тип транспортного средства, водитель и дорожное покрытие. Поэтому проекты сосредоточены на моделировании поведения водителя, обслуживании дорожного покрытия, обнаружении и классификации транспортных средств, экономике и транспортной стратегии.
Психология: ИНС основаны на функциях нейронов и имитируют память, познание, обучение и другие когнитивные процессы. ИНС используются для понимания памяти мозга, обучения и всех функций путем создания механизмов процессов.
Ссылки
A. D. Dongare, R. R. Kharde, & D. Kachare, A. (2012). Introduction to Artificial Neural Network. International Journal of Engineering and Innovative Technology 2(1), 188-194.
Barnett, MV. & Larkman, PM. (2007). The Action Potential. Practical Neurology 7(3), 192-197.
Bazira, P. J. (2021). An Overview of the Nervous System. Surgery, 39(8), 451–462. https://doi.org/10.1016/j.mpsur.2021.06.012
Paz, J. C. & West M. P. (2019). Acute Care Handbook for Physical Therapists. Elsevier.
Stevens, C. F. (1979). The Neuron. Scientific American, 241(3), 54–65. http://www.jstor.org/stable/24965287
Thau, L., Reddy, V. & Singh P. (2022). Anatomy, Central Nervous System. Stat Pearls.
Wu, Y. C., & Feng, J. W. (2017). Development and Application of Artificial Neural Network. Wireless Personal Communications, 102(2), 1645–1656. https://doi.org/10.1007/s11277-017-5224-x
Comments