ساختن ذهن در مقابل مدل سازی مغز: هوش مصنوعی در مقطع انشعاب شرح

ساختن ذهن در مقابل مدل سازی مغز: هوش مصنوعی در مقطع انشعاب 

هوش انسانی توسط بسیاری از عملکردهای شناختی که به طور مستقیم یا غیر مستقیم توسط محرک های خارجی از انواع مختلف فعال می شوند ، تشکیل می شود. رویکردهای محاسباتی علوم شناختی و علوم اعصاب تا حدودی بر این ایده استوار است که شبیه سازی های محاسباتی چنین عملکردهای شناختی و عملکردهای مغزی که مشکوک به مطابقت با آنها هستند می تواند به کشف بیشتر دانش در مورد این عملکردها و عملیات کمک کند ، به ویژه نحوه کار آنها با هم. این رویکردها همچنین تا حدی بر این ایده پیش بینی شده اند که تحقیقات علوم اعصاب تجربی ، خواه به دنبال چنین شبیه سازی (همانطور که در واقع شبیه سازی و تحقیقات تجربی مکمل یکدیگر هستند) و یا غیر از این ، می تواند به ما در ساخت سیستم های هوشمند مصنوعی بهتر کمک کند. این بر اساس این فرض است که اصول مغز به نظر می رسد تا حدی که بتوان آن را محاسباتی دانست ، حداقل باید به عنوان اصول عملکرد سیستمهای مصنوعی آزمایش شود. این مقاله برخی از اصول مغز را بررسی می کند که به نظر می رسد مسئول ماهیت خودمختار و سازگار با مشکل آن هستند. سیستم عامل مغز (BrainOS) که در اینجا توضیح داده شده مقدمه ای است برای کار مداوم با هدف ایجاد یک مدل قوی و یکپارچه ، ترکیبی از پارادایم اتصال گرایانه شبکه های عصبی اساسی و الگوی نمادین زیربنای بسیاری دیگر از هوش مصنوعی. BrainOS یک رویکرد خودکار است که مناسب ترین مدل را بر اساس (الف) ورودی موجود ، (ب) تجربه قبلی (تاریخچه نتایج تلاش های قبلی برای حل مسئله) و (ج) دانش جهانی (نشان داده شده به روش نمادین) انتخاب می کند. و به عنوان ابزاری برای توضیح رویکرد خود استفاده می شود). این برنامه قادر است انواع داده های ورودی متنوع ، متنوع ، تاریخچه ها و اهداف فرآیند را بپذیرد ، دانش را استخراج کرده و یک زمینه موقعیتی را استنباط کند. BrainOS به گونه ای طراحی شده است که از طریق توانایی خود ، نه تنها انتخاب مناسب ترین مدل یادگیری ، بلکه برای کالیبراسیون موثر آن بر اساس وظیفه موجود ، کارآمد باشد.
1. معرفی

از آنجا که انسانها دائماً توسط داده ها محاصره می شوند ، بقای آنها به توانایی آنها در درک و ارزیابی مشاهدات خود از محیط خارجی بستگی دارد. آنها با تبدیل داده ها به الگوها و مدلهای خاص ، دانش را از اطلاعات دریافتی فرموله و استخراج می كنند. برای این منظور ، تعدادی از فرایندهای بیولوژیکی و جنبه های مغز دخیل هستند ( هرناندز و همکاران ، 2010 ). پس از تاسیس ، عوامل مغز با هر مشاهده این مدل ها را ایجاد و به آنها ارجاع می دهند.

محققان و نظریه پردازان متخصص علوم اعصاب هم عقیده اند که این عوامل مغزی از تجزیه و تحلیل داده های خارجی ، پردازش آنها و تصمیم گیری با استفاده از واحدهای بنیادی فکری پشتیبانی می کنند. هوارد و حسین (2018) این فرایند واحد کد بنیادی را به عنوان حداقل شناختی تفکر توصیف می کنند که در آن تبادل اطلاعات n به N با زبانی مونتاژ مانند در سطح سلولی عصبی بیان می شود. واحد کد بنیادی به این سesال می پردازد که آیا سیگنال های ورودی به شکل مشابه خود به مغز می خورند یا از قبل تغییر شکل می دهند. نظریه شناخت اجزا Bi Bierdman و بررسی یین از نظریه های هندسه ادراک از مدل FCU پشتیبانی می کند که در آن ترکیبی بی نهایت از الگوها از تعداد ثابتی از م componentsلفه ها ایجاد می شود ( یین ، 2008)) نتیجه گیری در مورد فرایندهای مغز حاصل از حوزه علوم اعصاب به موازات حوزه هوش مصنوعی (AI) اعمال می شود ( وانگ و همکاران ، 2016 ). بهترین مثال برای این امر یادگیری ماشینی (ML) است که از روش های پردازش سیگنال های خارجی (داده های ورودی) مغز الهام گرفته شده است ( وانگ و همکاران ، 2016 ). ML با ارائه مجموعه ای از تکنیک های مناسب و هوشمند برای انجام تجزیه و تحلیل داده ها می تواند از رفتار مغز انسان تقلید کند ( لوریداس و ابرت ، 2016 ) ( هوارد و لیبرمن ، 2014) ML با استخراج مدل های پیشرفته تحلیلی ، دستکاری داده ها را خودکار می کند. در این شاخه هوش مصنوعی ، سیستم ها قادر به یادگیری از داده ها و توزیع ها ، تفکیک الگوها و تصمیم گیری های مستقل هستند که به میزان قابل توجهی نیاز به مداخله انسان را کاهش می دهد.

جذابیت ML به دلیل عواملی مانند تقاضای فزاینده ابزارهای داده کاوی بطور قابل توجهی در حال افزایش است ( Bredeche و همکاران ، 2006 ). در واقع ، در جهانی پر از داده ، محاسبات هوشمند از نظر هزینه و عملکرد سودآور است ( وانگ و یان ، 2015 ). مدیریت خودکار داده ها سیستم های ارزنده ای را ارائه داده است که قادر به حل مشکلات پیچیده تر و نتایج دقیق تر است.

سه چالش بزرگی که ML هنوز با آن روبروست (1) این است که به مقدار زیادی آموزش نیاز دارد و به دامنه وابسته است ، (2) می تواند نتایج متناقضی را برای انواع مختلف آموزش یا تغییر پارامترها ایجاد کند ، و (3) تولید می کند نتایجی که ممکن است هنگام استفاده از چنین الگوریتم های جعبه سیاه تفسیر آن دشوار باشد. در اینجا ، ما یک رویکرد اتوماتیک جدید برای رفع این کمبودها در یک رویکرد چند رشته ای ارائه می دهیم که هدف آن پر کردن شکاف بین پردازش آماری زبان طبیعی (NLP) است ( کامبریا و دیگران ، 2014) و بسیاری از رشته های دیگر لازم برای درک زبان انسان ، مانند زبانشناسی ، استدلال عقل سلیم و محاسبات. روش پیشنهادی ما ، “Brain OS” یک سیستم انطباقی هوشمند است که ترکیبی از انواع داده ورودی ، تاریخ پردازش و اهداف ، تحقیق در زمینه دانش و زمینه موقعیتی برای تعیین مناسب ترین مدل ریاضی است ، مناسب ترین زیرساخت محاسباتی را برای انجام یادگیری انتخاب می کند ، و بهترین راه حل را برای یک مسئله مشخص ارائه می دهد. BrainOS این قابلیت را دارد که داده ها را در کانال های ورودی مختلف ضبط کند ، بهبود داده ها را انجام دهد ، از مدل های هوش مصنوعی موجود استفاده کند ، مدل های دیگری ایجاد کند و مدل ها را به صورت دقیق تنظیم کند ، اعتبار سنجی کند و ترکیب کند تا مجموعه قدرتمندتری از مدل ها ایجاد کند. برای تضمین پردازش کارآمد ، BrainOS می تواند به طور خودکار مناسب ترین مدل ریاضی را کالیبره کرده و مناسب ترین ابزار یادگیری محاسبات را بر اساس وظیفه ای که برای آن اداره می شود ، انتخاب کند. بنابراین ، به راه حل های “بهینه” یا پیش از بهینه می رسد. BrainOS از دو روش نمادین و زیر نمادین استفاده می کند زیرا از مدل هایی مانند شبکه های معنایی و نمایش وابستگی مفهومی برای رمزگذاری معنا استفاده می کند اما همچنین از شبکه های عصبی عمیق و یادگیری هسته های متعدد برای استنتاج الگوهای نحوی از داده ها استفاده می کند. معماری BrainOS از مفاهیم مدل منتقد-منتخب ذهن و رویکردهای درمان آسیب شناسی مغز استفاده می کند. مانند شبکه های معنایی و نمایش وابستگی مفهومی برای رمزگذاری معنا ، اما همچنین از شبکه های عصبی عمیق و یادگیری چندین هسته برای استنباط الگوهای نحوی از داده ها استفاده می کند. معماری BrainOS از مفاهیم مدل منتقد-منتخب ذهن و رویکردهای درمان آسیب شناسی مغز استفاده می کند. مانند شبکه های معنایی و نمایش وابستگی مفهومی برای رمزگذاری معنا ، اما همچنین از شبکه های عصبی عمیق و یادگیری چندین هسته برای استنباط الگوهای نحوی از داده ها استفاده می کند. معماری BrainOS از مفاهیم مدل منتقد-منتخب ذهن و رویکردهای درمان آسیب شناسی مغز استفاده می کند.

در اینجا ، ارزیابی کاملی از وضعیت هنر ML اتوماتیک مورد بحث قرار گرفته است ، و به طور خاص پیشنهاد BrainOS اتوماتیک با جزئیات ارائه شده است. مزایای BrainOS نسبت به مدل های پیشرفته برشمرده شده است ، و یک تحقیق تجربی برای اعتبار سنجی چارچوب پیشنهادی ارائه شده است.

2. پیشرفته ترین: چارچوبهای ML اتوماتیک

ML چندین مدل دارد که از یک یا چند تکنیک برای یک یا چند کاربرد استفاده می کند. مدل های ML شامل ماشین بردار پشتیبانی (SVM) ( Mountrakis و همکاران ، 2011 ) ، شبکه های بیزی ( BN ) ( Bielza و Larranaga ، 2014 ) ، یادگیری عمیق (DL) ( Bengio و همکاران ، 2013 ) ، درختان تصمیم (DT) ( Kotsiantis ، 2013 ) ، خوشه بندی ( ساکسنا و همکاران ، 2017 ) ، شبکه های عصبی مصنوعی (ANN) ( دیاس و همکاران ، 2004 ) و غیره

هر مدل ML یک محاسبه هوشمند است که برای انجام یک کار کاملاً مشخص طبق یک سری مشاهدات آموزش دیده است. این مدلهای هوشمند برای استخراج دانش در مورد مسئله موجود به مجموعه ای از داده های مرتبط نیاز دارند. ساخت این داده ها عامل مهمی است که به وسیله آن عملکرد مدل مورد ارزیابی قرار می گیرد. هرچه داده ها بیشتر شوند ، عملکرد بهتر می شود.

همه مدل های ML سه مرحله اصلی را طی می کنند: (1) دریافت داده های ورودی (سیگنال ها) ، (2) پردازش این داده ها ، و در آخر (3) خروجی حاصل از کار انجام شده. برای بررسی اینکه آیا سیستم به سطح یادگیری خوبی رسیده است یا خیر ، یک معیار ارزیابی محاسبه می شود. سپس بر روی تعدادی الگو که قبلاً مشاهده نشده اند آزمایش می شود و سپس قضاوت می شود که آیا قابلیت تعمیم خوبی را کسب کرده است یا خیر.

برای هر برنامه خاص ، تعدادی مدل خاص وجود دارد که می تواند عملکرد بهتری نسبت به بقیه داشته باشد. انتخاب بهترین مدل برای یک کار کاملاً مشخص ، از هیچ قانونی تبعیت نمی کند. بلکه فقط دستورالعمل هایی در مورد نحوه عملکرد این مدل ها وجود دارد. بنابراین ، هیچ راهی برای درک نحوه انتخاب بهترین مدل برای یک مسئله وجود ندارد.

در حالی که ML کلاسیک بدون توجه به افزایش پیچیدگی ناشی از آن ، در حال توسعه مدل ها و تکنیک های جدید است ، ML (AML) اتوماتیک تأیید می کند که می توان از این ابزارها به روش آسان تری استفاده کرد. سیستم عامل های AML اکثر وظایف ML را در زمان کمتر و هزینه های پیاده سازی رایانه می کنند. بنابراین ، ML اتوماتیک نه تنها برای کاربران صنعتی ، بلکه همچنین برای اهداف دانشگاهی به یک موضوع داغ تبدیل شده است.

تنظیم دقیق یا بهینه سازی یک م keyلفه اصلی برای ارائه مدلهای مناسب Hutter و همکاران است. (2019) . چارچوب AML به موضوعاتی از جمله بهترین مدل ML برای مشکلات مختلف ، تنظیم مدل یا بهینه سازی بیش از حد پارامترها و غیره پرداخته است ( یائو و همکاران ، 2019 ). روشهای کلاسیک ساده ، بهینه سازی بیزی و فراتورشی از جمله پر کاربردترین ابزارهای بهینه سازی در AML هستند.

برای توسعه چنین چارچوبهای خودکار ، محققان به ترتیب چندین راه حل مانند H2O ، Google Cloud AutoML و Auto-sklearn را که در شکلهای 1 تا 3 نشان داده شده اند ، ارائه و پیشنهاد داده اند. این چارچوب ها مطمئناً چندین مشکل را حل کرده اند اما هنوز با استراتژی مغز انسان فاصله دارند. آنچه در تمام روشهای برشمرده شده قابل مشاهده است این است که توسعه دهندگان بدون استدلال از مدلهای پیچیده ML استفاده می کنند. بنابراین ، هیچ هوش مصنوعی قابل توضیحی وجود ندارد.

• H2O

H2O ( لندری ، 2018 ) یک پلت فرم یادگیری ماشین منبع باز برای شرکت است. این پلت فرم شامل ماژولی است که مجموعه ای از الگوریتم های کاملاً مشخص را برای تشکیل خط لوله به کار می گیرد. این یک رابط گرافیکی خاص برای تنظیم مدل مناسب ، معیارهای توقف و مجموعه داده آموزش ارائه می دهد.

این برنامه از چندین مدل خطی و پیچیده ML مانند شبکه های عصبی عمیق (DNN) ، دستگاه های تقویت کننده شیب و غیره پشتیبانی می کند. همچنین از روش های بهینه سازی جستجوهای شبکه دکارتی و تصادفی پشتیبانی می کند. این برنامه عمدتا بر اساس زبان در حال توسعه جاوا با برخی بلوک ها در پایتون ، جاوا اسکریپت ، R و Flow طراحی شده است. معماری استاندارد H2O در شکل 1 به تصویر کشیده شده است ( Landry ، 2018 ).

پشته نرم افزار H2O که در شکل 1 نشان داده شده است از اجزای بی شماری تشکیل شده است که می تواند به دو قسمت (بالا و پایین) تقسیم شود. قسمت بالایی برخی از مشتریان REST API را برجسته می کند ، در حالی که قسمت پایین ترکیبات تحت ماشین مجازی جاوا را نشان می دهد.

علیرغم سهولت استفاده به خصوص برای مبتدیان و غیر متخصصان ML ، H2O هنوز از کمبود زمینه علوم داده رنج می برد. اشکال دیگر مربوط به حجم عظیم منابع استخدام شده است. در حقیقت ، احتمال شکست در هنگام اعدامهای پیچیده بسیار زیاد است.

• Cloud AutoML Google

Cloud AutoML ( Vinson، 2018 ) مجموعه ای از محصولات را ارائه می دهد که به کاربران بی تجربه امکان استفاده از مدل های واجد شرایط و مطابق با درخواست های تجاری خود را می دهد. این برنامه از قابلیت های پیشرفته Google مانند یادگیری انتقال استفاده می کند. این یک رابط ساده به کاربران ارائه می دهد تا بتوانند با توجه به داده های خود ، تکنیک ها را یاد بگیرند ، ارزیابی کنند ، بهبود بخشند و گسترش دهند. محصولات ارائه شده توسط این چارچوب شامل AutoML Vision و هوش تصویری ، زبان طبیعی و ترجمه AutoML و جداول AutoML و غیره است. معماری استاندارد Cloud AutoML در شکل 2 تجسم یافته است ( Vinson، 2018 ).

این چارچوب عمدتا مبتنی بر شبکه های عصبی عمیق (DNN) و الگوریتم های ژنتیک است. همچنین از کاربران می خواهد که به محدودیت اندازه داده های آموزش احترام بگذارند. برای AutoML ، اندازه داده جداول نباید از 100 Go بگذرد.

• Sklearn خودکار

Auto-sklearn ، پیشنهاد شده توسط Feurer و همکاران. (2015) ، از تنظیمات بیزی برای تنظیمات hyperparameter استفاده می کند. این یک نسخه بهبود یافته از سیستم یادگیری scikit است (یک ML اتوماتیک قبلی). معماری استاندارد Auto-sklearn در شکل 3 به تصویر کشیده شده است .

15 روش طبقه بندی ، 14 روش پیش پردازش و چهار روش مهندسی ویژگی وجود دارد. اگرچه ساختار آن پیشرفته است ، اما بسته این مجموعه ابزار از ورودی های زبان طبیعی پشتیبانی نمی کند. بنابراین ، نمی تواند داده های طبقه ای را از داده های دیجیتال تشخیص دهد ( Feurer et al.، 2015 ).

اگرچه اکثر چارچوبهای ML موجود ، چندین مشکل را از قبیل شناسایی شی و درک تصویر به طرز موثری حل کرده اند ، اما هنوز از شبیه سازی فرایندهای مغز انسان فاصله زیادی دارند. ML سعی کرده مغز را به عنوان مدلی برای محاسبه تقلید کند ، به عنوان مثال الگوریتم های شبکه های عصبی ، با این وجود ML هنوز قادر به عملکرد مغز انسان نیست. ما یک چارچوب اتوماتیک ML جدید به نام “BrainOS” پیشنهاد می کنیم. معماری و عملکرد سیستم پیشنهادی از نظر زیست شناختی از سلول های عصبی الهام گرفته شده است که در سطح انتزاعی بسیار پایین طراحی شده است.

شکل 1
شکل 1 . معماری استاندارد H2O. H2O عمدتا بر روی زبان جاوا با برخی بلوک ها بر اساس Python ، JavaScript ، R و Flow طراحی شده است. پشته نرم افزار از قسمت های بالا و پایین تشکیل شده است که بر اساس ابر شبکه تقسیم می شوند. قسمت بالا برخی از مشتریان REST API را برجسته می کند ، در حالی که قسمت پایین سازنده هایی را که تحت ماشین مجازی جاوا قرار دارند نشان می دهد (تصویر با مجوز از H2O.ai).

شکل 2
شکل 2 . معماری استاندارد Google Cloud AutoML. Cloud AML یک رابط کاربری ساده برای کاربران بی تجربه برای بهره برداری از مدل ها با توجه به نیاز آنها ارائه می دهد. Cloud AutoML با استفاده از DNN و الگوریتم های ژنتیک ، مدل های یادگیری ماشین را آموزش می دهد ، مدل ها را بر اساس داده های کاربر مستقر می کند و داده های آموزش دیده را در ذخیره سازی ابر ذخیره می کند. این چارچوب با REST API (با مجوز از Google Cloud) پیش بینی هایی را ایجاد می کند.

شکل 3
شکل 3 . معماری استاندارد Auto-sklearns. Auto-sklearn از تنظیمات بیزی برای تنظیمات ابر پارامتر استفاده می کند. این برنامه با استفاده از 15 روش طبقه بندی ، 14 روش قبل از پردازش ، و چهار روش مهندسی ویژگی.

3. BrainOS: یک چارچوب اتوماتیک جدید ML

ما که به دلیل قدرت توانایی مغز انسان در استدلال و تجزیه و تحلیل اشیا ideas و ایده ها جذب شده ایم ، یک چارچوب اتوماتیک ML جدید با عنوان “BrainOS” پیشنهاد می کنیم. معماری و عملکرد این سیستم از رفتار سلولهای عصبی الهام گرفته شده است.

از آنجا که مدل های ML موجود چالش های زیادی در رابطه با داده های آموزش وابسته به کار با اندازه بیش از اندازه و نتایج غیر قابل تفسیر دارند ، BrainOS این کمبودها را برطرف می کند. در واقع ، این یک رویکرد چند رشته ای را فراهم می کند که قادر به پردازش زبان طبیعی (NLP) است بنابراین فاصله بین NLP آماری و بسیاری از رشته های دیگر لازم برای درک زبان انسان به حداقل می رسد. زبان شناسی ، استدلال عامیانه و محاسبات احساسی برای تجزیه و تحلیل زبان انسان ضروری است. BrainOS شامل تکنیک های نمادین و همچنین زیر نمادین با استفاده از مدل هایی مانند شبکه های معنایی و نمایش وابستگی مفهومی برای رمزگذاری معنی است. علاوه بر این ، از DNN برای استخراج جنبه های نحوی از داده ها استفاده می کند.

3.1 مدل BrainOS سطح بالا

به لطف قدرت انسانی و انطباقی با داده ها ، BrainOS می تواند در انواع مختلف برنامه ها بسیار مورد استفاده قرار گیرد ، زیرا این توانایی را دارد که با توجه به مشخصات و تنظیمات کاربر واکنش متفاوتی نشان دهد. سازگاری داده ها بیانگر توانایی انتخاب مناسب ترین مدل ریاضی از نظر داده های ورودی دریافت شده است.

معماری سطح بالا BrainOS در شکل 4 ارائه شده است . لایه ورودی داده از نقاط داده ای که از کانال های منبع مختلف (سنسورها ، فیلم ها ، تصاویر و غیره) می آیند تشکیل شده است. وقتی از طریق این لایه تغذیه می شود ، داده ها مراحل بسیاری از بازیابی و مدیریت داده ها را طی می کنند. به عنوان مثال ، می توان نقاط ورودی را شناسایی ، تایپ و از قبل پردازش کرد. از تکنیک های نمونه گیری نیز می توان در این سطح استفاده کرد. لایه پردازش داده با توجه به مراحل زیر تعدادی از رویکردهای هوشمند را شناسایی می کند:

• مکانیزم منتخب منتقد : انواع داده های ورودی ، تاریخچه و اهداف پردازش ها ، تحقیقات دانش و زمینه موقعیتی را برای تعیین مناسب ترین مدل ML برای داده های موجود و نحوه مدیریت سیستم برای پردازش منابع ، ترکیب می کند.

• مدیریت داده ها با استفاده از خطوط لوله ML : مجموعه ای از خطوط لوله عمودی و افقی برای گسترش داده ها می توانند به آماده سازی سریعتر و کارآمد داده ها کمک کنند.

• آموزش مدل و یا انتقال یادگیری : منزوی نکردن الگوریتم ها و استفاده از دانش یک کار قبلی برای حل موارد مرتبط باعث افزایش کارایی و دقت می شود.

شکل 4
شکل 4 . سطح بالای معماری سیستم عامل مغز. اطلاعات داده ورودی از کانالهای مختلف داده ورودی ورودی دریافت می شود. زمینه دنیای واقعی از کانتینر فرا جهان بازیابی می شود. هدف ، هدف مسئله پردازش و خروجی های مورد نظر را ارائه می دهد. سپس مناسب ترین مدل ایجاد شده و در مخزن مدل برای استفاده در آینده ذخیره می شود یا از یک مدل موجود در مخزن انتخاب می شود. داده های خروجی حاوی نتایج و یافته هایی است که پس از پردازش داده ها بدست آمده است.

لایه داده خروجی حاوی نتایج و یافته هایی است که پس از گذراندن لایه پردازش داده ها بدست آمده است.

BrainOS با کانالهای مختلف داده سازگار است. از چندین تکنیک پردازش داده و اجزای انتخابگر مدل استفاده می کند. مشابه مغز انسان ، BrainOS از آرشیوی از داده ها ، دانش و مدل های ML استفاده می کند. BrainOS توسط یک جز. متشکل از مجریان و مجریان پیچیده تقویت می شود. منتخب مدل منتقد در درون ارکستر قرار دارد تا به س “ال “بهترین ابزار برای انتخاب یک مسئله معین چیست؟” پاسخ دهد.

بر اساس مغز انسان ، که از مناطق مختلف عصبی برای پردازش داده های ورودی استفاده می کند ، بسته به نوع گیرنده ، زیرساخت پیشنهادی بر روی مجموعه ای از منابع ایجاد می شود که توسط منتخب منتخب مدیریت می شود (روشن و خاموش) ، ذهن بیولوژیکی عمل می کند.

3.2 معماری بنیادی BrainOS

مفهوم اصلی BrainOS سازگاری آن با مشکل موجود است. این مدل های مناسب را برای ماهیت داده های ورودی انتخاب می کند. شکل 5 نمای کلی تری از معماری کل زیرساخت ها را به تصویر می کشد. همانطور که در شکل 5 نشان داده شده است ، توپولوژی BrainOS با تعدادی از اجزا مشخص می شود. در بخش بعدی ، هر جز component با جزئیات ارائه می شود.

شکل 5
شکل 5 . معماری دقیق BrainOS

3.3 م Formلفه رسمی سازی مسئله

رسمیت بخشیدن به مسئله ، نقطه اصلی ورود سیستم است. این سه زیر م componentsلفه را در خود جای داده است: داده ها ، اطلاعات فرا جهان و هدف وظیفه. این سه م componentsلفه حاوی کلیه اطلاعات مرتبط لازم با داده ها و وظیفه مورد پردازش است. داده های ورودی در ظرف داده نگهداری می شوند در حالی که داده های زمینه کلی و دنیای واقعی در محفظه متا جهان نگهداری می شوند. هدف وظیفه نشان دهنده هدف اصلی مسئله پردازش شده و خروجی های مورد نظر است.

برای سازگاری ، نقاط داده ورودی باید با یک طرح خاص مطابقت داشته باشند. این کار را می توان با استفاده از API برای اتصال BrainOS به بسته های ML دیگر برای حفظ یکپارچگی و سازگاری کار انجام داد. در شکل 6 مثالی از م componentلفه رسمی سازی مسئله ارائه شده است.

شکل 6
شکل 6 . م componentلفه رسمی سازی مسئله. م componentلفه رسمی سازی مسئله شامل داده های ورودی مخلوط ، زمینه داده های عمومی در دنیای واقعی است که در ظرف فرا متنی وجود دارد و هدف اصلی مسئله پردازش ، و همچنین نتایج مورد نظر.

3.4 م Cلفه منتقد

م criticلفه منتقد (واجد شرایط) از فرمول مسئله و تاریخچه BrainOS (دانش فرا جهانی) برای بهبود مجموعه داده تغذیه شده در سیستم استفاده می کند. این داده ها را با مجموعه داده های قبل از آن ، که مکمل ویژگی های ورودی فعلی در ماژولی به نام تقویت کننده داده هستند ، بهبود می بخشد. علاوه بر این ، این شرایط را اعمال می کند ، محدودیت هایی ایجاد می کند و برای دستیابی به یک واسطه مورد نیاز ایجاد می کند. شکل 7 معماری م criticلفه منتقد را نشان می دهد.

شکل 7
شکل 7 . جز qual واجد شرایط (منتقد). م componentلفه مقدماتی مجموعه داده های تغذیه شده در سیستم را افزایش می دهد و صلاحیت ها را اعمال می کند ، محدودیت هایی ایجاد می کند و برای دستیابی به یک واسطه مورد نیاز ایجاد می کند.

3.5 بانک اطلاعات تاریخچه

پیشنهاد یک سیستم یادگیری انطباقی در یک فضای غیر استاتیک به نظر جنبه استدلال انسان می رسد. در حقیقت ، انسان ها از دانش و تجربیات خود برای یافتن راه حل برای هر نوع مشکلی بهره می گیرند. با الهام از این قابلیت خارق العاده ، BrainOS حداقل دو جز components فرعی حافظه را با هم ترکیب می کند: دانش و تاریخ جهان. شکل 8 معماری جز database پایگاه داده تاریخ را نشان می دهد.

1. تاریخچه BrainOS: شامل تجربه به دست آمده از چرخه عمر سیستم از نظر مجموعه داده های مواجه شده ، مدل های قبلاً به کار رفته و نتایج بدست آمده است. چنین منبع دسترسی سریع به حافظه از اهمیت ویژه ای برخوردار است ، خصوصاً در شرایطی که سیستم عامل با مشکلات برطرف شده روبرو می شود. در این حالت ، سیستم از “پاسخ انعکاسی” استفاده می کند.

2. دانش جهانی: دارای دانش جهانی “عقل سلیم” است که از مفاهیم عمومی به حوزه خاص تداخل دارد. بسته دانش دامنه شامل زمینه های بی شماری است که زیرساخت ها به یک متخصص دانش نیاز دارند. تجربه تحقیق یکپارچه شامل مدل ها و استنباط های حاصل از دانش دنیای واقعی است که شامل دو م componentsلفه زیر است:

• مدلهای ذخیره شده : شامل منابع غیرقابل محدودیت قبلاً کشف شده است.

• دانش تحقیق انتزاعی تر : یک زمینه اطلاعاتی بزرگ. می تواند بر روی فرمول بندی های خاص مسئله ، راه حل های مشخص مشکل یا مجموعه داده های دقیق انجام شود.

شکل 8
شکل 8 . م databaseلفه پایگاه داده تاریخچه. م databaseلفه پایگاه داده تاریخ از دانش جهانی و همچنین تاریخچه سیستم عامل مغز تشکیل شده است. زیرمجموعه دانش جهانی شامل بسته دانش دامنه NLP و هستی شناسی خزنده و همچنین تجربه تحقیقاتی متشکل از مدل های ذخیره شده و دانش پژوهشی انتزاعی تر است.

3.6 م Planلفه برنامه ریز

برنامه ریز اساساً مبتنی بر مسئله پردازش شده و تاریخچه مدلهای استفاده شده است. این برنامه قادر است با توجه به دانش جهانی ، هدف و شباهت وظیفه فعلی با مواردی که در گذشته درمان شده اند ، برای پردازش مناسب ترین جریان پردازشی را تعیین کند.

به عنوان مثال ، برای یک مشکل استخراج قصد از تصویر ، برنامه ریز ممکن است مراحل زیر را تجویز کند:

• الگوریتم های زیرنویس را بر روی تصویر اجرا کنید تا به صورت روایتی از تصویر استفاده کنید.

• تشخیص شی و شناسایی فعالیت روی تصویر را اجرا کنید.

• برای بدست آوردن هستی شناسی برای مفاهیم قبلاً استخراج شده ، یک الگوریتم اجرا کنید.

• استفاده از همه موجودات و هستی شناسی های قبلاً بدست آمده را استنباط کنید.

برنامه ریز نقش دانش بزرگ نمودار دوسویه را بازی می کند که در آن می توان الگوریتم های جستجوی اکتشافی ویژه ای را برای تشخیص توالی گره مناسب برای یک کار مشخص اجرا کرد. معماری برنامه ریز در شکل 9 به تصویر کشیده شده است .

شکل 9
شکل 9 . معماری برنامه ریز. برنامه ریز با توجه به دانش جهانی ، مناسب ترین روند پردازش را برای مسئله تنظیم می کند. در داخل برنامه ریز ، می توان الگوریتم های جستجوی اکتشافی ویژه ای را برای تشخیص توالی گره مناسب برای یک کار مشخص اجرا کرد.

3.7 مجری موازی

مجری موازی نقش برنامه ریز وظایف را بازی می کند. این م componentلفه مدل هایی را ایجاد می کند ، ماژول های راه حل را ذخیره می کند و زیرساخت ها را انتخاب می کند. این موضوع هنگامی که رشته ها از طرف انتخابگر به دست می آیند ، زمان ، چه چیزی و چگونه اجرا می شود.

مجری موازی تعدادی رشته برای ساختارهای راحت ایجاد می کند. بر اساس مدلهای ارائه شده توسط انتخاب کننده ، مجری مدلهای جدیدی ایجاد می کند یا مدلهای موجود را با هم ترکیب می کند. این وظایف مربوطه را در پردازش رشته های موازی به طور همزمان تقسیم می کند. معماری مجری موازی در شکل 10 نشان داده شده است .

شکل 10
شکل 10 . مجری موازی مجری موازی مدل های جدیدی را ایجاد می کند یا مدل های موجود را با هم ترکیب می کند. این وظایف مربوطه را در پردازش همزمان موضوعات تقسیم می کند.

3.8 زمانبند ماژول

برنامه ریز ماژول رشته های ارسال شده توسط مجری موازی را دریافت می کند و برنامه ای برای اجرای راه حل برنامه ریزی می کند. این قابلیت اجرای موازی با استفاده از منابع مختلف را می دهد.

3.9 م Selectلفه انتخابگر

Selector ، م keyلفه اصلی BrainOS ، مدل مناسب را با توجه به فرمول بندی مسئله انتخاب می کند. با انتخاب مدل های مناسب ، گام به گام مراحل زیر را به صورت موازی انجام می دهد:

1. جستجوی یک مدل مناسب در تاریخ BrainOS. اگر تناسب خوبی یافت شود ، ابزار مربوطه بهینه سازی ، آموزش و ارزیابی می شود.

2. از این طریق ، جستجو در دانش پژوهشی شامل مقالات منتشر شده و کد منبع. اگر کاندیدای مناسبی پیدا شود ، آن را تنظیم ، یادگیری و ارزیابی می کند.

3. ساختن ابزاری از ابتدا پس از تعریف نوع و توپولوژی. پس از آن ، مدل تنظیم ، آموزش و ارزیابی می شود.

4- انجام یک آموزش گروهی با ترکیب چندین مدل که ممکن است یافته های بهتری نسبت به یک مدل با دقت بالاتر ارائه دهد.

بنابراین ، قبل از اینکه انتخابگر از مدل حل برای فرمول بندی معین استفاده کند ، تحلیل می کند که آیا ترکیبی از مدل ها وجود دارد که بتواند از مدل انتخاب شده بهتر عمل کند. اگر انتخابگر چنین ترکیبی از مدل را پیدا کند ، راه حل مدل مجموعه ای از مدل ها است. معماری انتخاب ماژول در شکل 11 به تصویر کشیده شده است .

شکل 11
شکل 11 . انتخاب کننده انتخابگر به طور موازی انتخابگر مدل تاریخچه ، سازنده مبتنی بر تحقیق ، گروه مدل و طراح مدل را اجرا می کند. انتخابگر مدل تاریخ به دنبال مدلی مناسب در تاریخچه BrainOS است. سازنده تحقیق مبتنی بر مقالات منتشر شده و کد منبع برای یافتن یک مدل مناسب جستجو می کند. گروه مدل چندین مدل را با هم ترکیب می کند که ممکن است یافته های بهتری نسبت به یک مدل با دقت بالاتر ارائه دهد. طراح مدل از ابتدا ابزار می سازد. پردازشگر مدل ، مدل های انتخاب شده را ارزیابی و آموزش می دهد.

سپس مجموعه انتخاب شده از مدل ها ، فرمول بندی مسئله و دقت داده شده در تاریخ BrainOS بایگانی می شود. چهار روش به صورت موازی در جایی که هر ماژول بهترین مدل را در مخزن مدل آنلاین ضبط می کند ، اجرا می شوند.

این معیار تعیین می کند که آیا بازیابی با توجه به اهداف از پیش تعیین شده ، رویکرد کافی مناسبی است یا اینکه یکی از ماژول ها باید از جستجو خارج شود. برای هر قسمت از طرح پردازش BrainOS ، مدل های مناسب انتخاب می شوند. توصیه می شود موارد خاص خاص دامنه خاص انتخاب را ارائه دهید ، هر یک برای یک دانش دامنه خاص یا زمینه مشکل بهینه شده است. به عنوان مثال ، برای اهداف طبقه بندی ، SVM ، خوشه بندی K-means ، شبکه های عصبی و سایر ابزارها می توانند مورد استفاده قرار گیرند. برای مشکلات وابسته به زمان ، معماری های مکرر ، مانند شبکه های عصبی راجعه ( RNN ) ( Chouikhi و همکاران ، 2017 ) بسیار توصیه می شوند. برای مقابله با مشکلات مهندسی ویژگی ، تجزیه و تحلیل م independentلفه های مستقل (ICA) ( Henriquez and Kristjanpoller، 2019)) ، تجزیه و تحلیل م componentلفه های مستقل (PCA) ( کاچا و همکاران ، 2020 ) ، خود رمزگذاران (AEs) ( Xu و همکاران ، 2016 ) ، فاکتوراسیون ماتریس و اشکال مختلف خوشه بندی.

در مورد وظایف بهینه سازی ، بسیاری از تکنیک های مفید مانند محاسبات تکاملی ( چویخی و همکاران ، 2016 ) ، بهینه سازی جهانی ، بهینه سازی ساده لوحانه و غیره وجود دارد.

3.10 م Orلفه ارکستراتیو

از سطح بالایی از انتزاع ، BrainOS هنگام نظارت بر مدل های کلی ، نقش یک زیرساخت ارکستر محور را بازی می کند. برای انتخاب مسیرهای پردازش در یک نمودار مرتب شده است. چارچوب پیشنهادی قدرتمند به نظر می رسد زیرا می تواند از هر روشی از یادگیری تحت نظارت تا نظارت بدون نظارت ، یادگیری تقویت کننده ، الگوریتم های جستجو یا هر ترکیبی از آنها استفاده کند.

ارکستراتور یک جز component فرادست است که داده های ورودی را با هم ادغام می کند ، تاریخچه و اهداف را پردازش می کند ، و دانش و زمینه موقعیتی را تحقیق می کند تا مناسب ترین مدل ML را برای یک فرمول مسئله معین تعیین کند. انتخاب کننده مدل از چهار م :لفه تشکیل شده است: انتخاب مدل ، صلاحیت مسئله ، برنامه ریز و مجری موازی.

4. تفسیرها

ارزیابی ما از BrainOS بر روی سوالات زیر متمرکز است:

سوال 1 انعطاف پذیری و سازگاری : آیا BrainOS به اندازه کافی توانایی مقابله با طیف گسترده ای از مناطق کاربرد را دارد؟

سوال 2 همگرایی سریع : آیا هنگام انجام یک کار خاص ، BrainOS به سرعت پیش می رود یا زمان زیادی برای همگرایی لازم است؟

صحت س Questionال 3 : BrainOS چگونه اطمینان از دستیابی به نتایج دقیق دارد؟

4.1 انعطاف پذیری و سازگاری

یکی از مهمترین ویژگیهای BrainOS انعطاف پذیری آن در رسیدگی به چندین مسئله است. BrainOS را می توان برای مجموعه بزرگی از مشکلات موجود سازگار کرد ، و همچنین برای رویکردهای جدید گسترش داد. در اینجا ، ما فقط زیر مجموعه کوچکی از زمینه های کاربردی ممکن را برای BrainOS ارائه می دهیم. می توان آن را در زمینه های ارتباط متقابل انسان و ماشین از جمله تقلید شخصیت و هوش هیجانی در زمینه انسان شناسی به کار برد. علاوه بر این ، BrainOS در معاملات با تشخیص و درمان بیماری مغز (به عنوان مثال ، آلزایمر ، بیماری پارکینسون و غیره) ، سیستم های تولید خودکار ، مدیریت انرژی و غیره مرتبط است.

در حقیقت ، ماژول های حافظه داخلی که در ساختار BrainOS انکوبه شده اند ، تجربیات و دانش قبلی را ذخیره می کنند. این امکان را برای سیستم عامل ما فراهم می کند تا بتوانید هر نوع کاربردی را ، حتی آنهایی که سطح بالایی از انتزاع دارند ، حل کنیم. آنچه پارادایم پیشنهادی در مورد وضعیت هنر را مشخص می کند ، سازگاری با داده های مفهومی مانند NLP است. در واقع ، این کاستی های مدل های موجود را در حل بسیاری از وظایف زمینه ای برطرف می کند. علاوه بر این ، بسیاری از مدل های ML را ارائه می دهد که هر یک در زمینه خاصی کار می کنند.

4.2 همگرایی سریع

BrainOS می تواند زمان اجرا را کاهش دهد. اگر قبلاً مشكلی برطرف شده باشد و مشكل دیگری در همان زمینه در شرف تغذیه BrainOS باشد ، مدلی را كه قبلاً به كار گرفته شده می توان مستقیماً در تاریخچه BrainOS پیدا كرد و برای حل وظیفه جدید استفاده كرد. در این حالت دیگر نیازی به ادامه انتخاب و اجزای بعدی نیست. بعلاوه ، یکی از چالشهای رایج سیستمهای ML اتوماتیک ، تصمیم گیری سریع در مورد نحوه انتخاب مدل متناسب با وظیفه داده شده است. BrainOS یک جز component انتخابگر را در بر می گیرد که به طور خودکار و مستقیم مدل های بهتری را با توجه به وظیفه انتخاب شده انتخاب می کند. این از نظر زمان اجرا می تواند سودآور باشد. علاوه بر این ، BrainOS با راه اندازی چندین رشته به طور همزمان از طریق م execلفه اجرایی موازی ، از اجرای موازی پشتیبانی می کند. این می تواند باعث صرفه جویی در وقت و سرعت پردازش داده ها شود.

4.3 دقت

BrainOS م componentsلفه های بسیاری را در خود جای داده است که سطوحی را تشکیل می دهند که داده ها از طریق آنها گردش می کنند. در اکثر این سطح ، ذخیره سازی از پردازش های تاریخی و مدل ها و دانش حاصل از تجربه جهانی وجود دارد. ثبت مدل های قبلی و یافته های آنها نشانه های پیشینی در مورد استفاده از مدل می دهد. علاوه بر این ، BrainOS چندین روش بهینه سازی و همچنین مدل های ML را ارائه می دهد که توانایی تعمیم بالا را دارند. همچنین می توان با اجرای همزمان بسیاری از مدل ها و گرفتن بهترین مدل ، یک گروه یادگیری را انجام داد.

4.4 در دسترس بودن و مقیاس پذیری

سرویس پردازش داده وظیفه جمع آوری داده ها از کانالهای ورودی مختلف ، فشرده سازی آنها و ذخیره سازی آنها برای استفاده های بعدی را دارد. تعداد زیادی کانال کانال داده وجود دارد که می توانند داده ها را به BrainOS ارسال کنند. بنابراین ، در Cloud ، نیاز به مقیاس پذیری بالا در ثبت این داده ها وجود دارد و همچنین تقاضای ذخیره مقدار زیادی از آن وجود دارد. فن آوری های مختلفی وجود دارد که می تواند از این امر پشتیبانی کند ، اما مناسب ترین آنها که می توانند باعث افزایش مداوم ورودی ها و موازیابی زیاد داده های ورودی شوند ، فناوری های مبتنی بر پارادایم انتشار / اشتراک هستند. در این حالت خاص پردازش داده ها ، ورودی ها به عنوان ناشران داده و BrainOS که داده ها را پردازش می کند ، به عنوان مشترک عمل می کنند.

5. نتایج تجربی

در حال حاضر اجرای مدل های AML ، مانند راه حل AI گوگل احتمالاً مستعد تاخیر زیاد ، هزینه محاسباتی و مصرف برق است. این به دلیل جریان عظیم داده ای است که توسط مجموعه داده های بزرگتر ارائه شده است. مسئله بزرگی که صنعت به راحتی از آن عبور نخواهد کرد ، استفاده از واحدهای حساب دیجیتال و دروازه های بولی است که خود با عملکرد نورون ها و سیناپس ها مغایرت دارد. بنابراین ، این نشان دهنده یک رویکرد ضعیف در اجرای معماری های عصبی عمیق است. برای ادامه حل مشکلات پیچیده تر ، استفاده روزافزون از سخت افزار اجباری و در عین حال ناپایدار است. BrainOS پیشنهادی در دست اجرا است. ما در حال طراحی و آزمایش برخی از ماژول های BrainOS هستیم و همه ماژول ها را در یک چارچوب جمع خواهیم کرد. مثلا،هوارد و دیگران ، 2019 ).

5.1 شبکه عصبی شناختی عمیق (DCNN)

DCNN یکی از مدلهای جدید ML است که خصوصیاتی مشابه مغز انسان مانند ادراک و استدلال را به نمایش می گذارد و برای ساخت شبکه های عصبی بسیار مناسب است. ارزش این معماری جدید این است که تجزیه و تحلیل داده های بزرگ را می توان نزدیک به زمان واقعی بر روی دستگاه های کوچک ، مانند تلفن های همراه و دستگاه های اینترنت اشیا اجرا کرد. معماری پیشنهادی DCNN ، که در شکل 12 نشان داده شده است، از یک میلیون نورون و 2.5 میلیارد سیناپس تشکیل شده است. DCNN دارای ویژگی چشمگیری در دستیابی همزمان به اجرای بسیار کارآمد انرژی ، تصمیم گیری سریع و تعمیم عالی (یادگیری طولانی مدت) است. DCNN در محاسبات با نیازهای بسیار کم انرژی بسیار کم مصرف است که به راحتی می تواند هم در سخت افزار و هم در نرم افزار اجرا شود ، زیرا نورون های آن را می توان با معادلات ساده متشکل از عملیات جمع ، تفریق و تقسیم نشان داد. اجرای بسیار کم مصرف انرژی شبکه های عصبی کم عمق با استفاده از نیمه هادی مکمل اکسید فلز (CMOS) یا فناوری احتمالی CMOS (PCMOS) نشان داده است که آنها از نظر محصول عملکرد انرژی (EPP) تا 300 برابر کارآمدتر هستند. سود قابل توجه در هر عملیات متناسب است ، که به کل برنامه بستگی دارد ،

شکل 12
شکل 12 . معماری DCNN (1000 لایه پنهان ، 1 میلیون نورون و 2.5 میلیارد سیناپس).

5.2 تصمیم گیری سریع DCNN

DCNN با استفاده از مجموعه داده های پیشرفته MNIST آموزش دیده و آزمایش شد ( LeCun و همکاران ، 1998 ). نتایج تصمیم گیری در شکل 13 نشان داده شده است . دیده می شود که برای پردازش در مقیاس بسیار بزرگ ، DCNN تا 300 × تصمیم گیری سریعتر در مقایسه با پیشرفته ترین شبکه عصبی عمیق چند لایه (MLP) نشان داده است.

شکل 13
شکل 13 . سرعت تصمیم گیری: برای پردازش DNN در مقیاس بسیار بزرگ ، نتایج شبیه سازی DCNN نشان داده است که تصمیم گیری 300 برابر سریعتر در مقایسه با پیشرفته ترین شبکه عصبی عمیق مبتنی بر چند لایه Perceptron (MLP) شامل یک میلیون نورون و 2.5 میلیارد سیناپس.

5.3 ادغام DCNN با الگوریتم استدلال

یکی دیگر از ویژگی های منحصر به فرد DCNN توسعه یافته ، سازگاری سریع و رفتار همگرایی آن در هنگام تلفیق با الگوریتم های استدلال برای دستیابی به محاسبات شبه انسان (هم درک و هم استدلال همزمان) در زمان واقعی است. شبیه سازی در مقیاس بزرگ تا 80 × تصمیم گیری سریعتر گزارش شده است. چارچوب استدلال / بهینه سازی شبیه سازی شده در شکل 14 نشان داده شده است . شکل 14A روش سنجش و سازگاری مبتنی بر DCNN را نشان می دهد که در یک مجموعه داده بهینه شده تولید شده توسط چارچوب بهینه سازی آموزش داده شده است. چارچوب بهینه سازی در شکل 14B نشان داده شده است، که مسئول تحلیل و استدلال است. در این چارچوب ، ماژول یادگیری به فرایند استدلال در تصمیم گیری درباره بهترین تنظیمات برای استفاده در شرایط جدید کمک می کند. در حالی که ، ماژول استدلال [به عنوان مثال ، الگوریتم ژنتیک (GA)] از ماژول یادگیری برای به حداکثر رساندن عملکرد سودمند استفاده می کند. چارچوب پیشنهادی برای کنترل توان بهینه و خودمختار در سیستم های اتصال بی سیم استفاده می شود. نتایج شبیه سازی از نظر تصمیم گیری در زمان واقعی ، بهبود عملکرد قابل توجهی از چارچوب DCNN + GA را نسبت به DNN + GA نشان داده است. به طور خاص ، در حالت بهینه سازی آفلاین ، DCNN 0.28 ثانیه در ثانیه تصمیم گرفت در مقایسه با تصمیم 2 دقیقه ای DNN. با این وجود ، هنگامی که DCNN در یک مجموعه داده بهینه سازی شده آموزش داده شد ، عملکرد آن 300 برابر سریعتر از DNN است که در شکل 14 نشان داده شده است. جزئیات بیشتر در مورد چارچوب بهینه سازی و مجموعه داده ها به طور جامع در Adeel و همکاران ارائه شده است. (2016) .

شکل 14
شکل 14 . تصمیم گیری بهینه شده مبتنی بر DCNN. (A) انطباق بهینه در زمان واقعی بر اساس DCNN. (B) استخراج بهینه شده مجموعه داده ها: داده ها ابتدا برای یادگیری جمع آوری می شوند که به فرایند استدلال مبتنی بر GA برای ایجاد مجموعه داده بهینه کمک می کنند.

ما معتقدیم که DCNN پیشنهادی ما یک گزینه بهینه برای دستگاههای کم مصرف و کم مصرف در آینده است که قادر به مدیریت آرایه های عظیم محاسبات ریاضی در زمان واقعی برای برنامه های یادگیری و بهینه سازی عمومی هستند. برای دستیابی به انعطاف پذیری بیشتر در برخورد با انواع برنامه ها ، ما در حال حاضر مدل رگرسیون DCNN همراه با طراحی و آزمایش سایر ماژول های BrainOS را اجرا می کنیم. اخیراً ، همه ماژول ها را در یک چارچوب جمع می کنیم.

6. نتیجه گیری

انگیزه کار ما هم این بود که هدف فکری ما ایجاد الگویی از هوش انسانی باشد که بیشتر به نحوه کار مغز و شناخت شباهت داشته باشد و همچنین هدف عملی مرتبط با آن ایجاد یک رویکرد یادگیری ماشین موثرتر باشد. یک رویکرد اتوماتیک ML به طور خاص. در حالی که رویکردهای ML و AI به طور کلی در مورد تکثیر عملکردهای مغزی و شناختی پیش بینی شده اند ، تنوع متنوع آنها برای انواع مختلف مشکلات به این معنی است که هیچ یک از مدل ها برای همه مشکلات مناسب نیستند. راه پیش رو همانطور که مدت ها پیش بسیاری تصور می کردند ، این است که بفهمیم چگونه می توان رویکردی (که ممکن است یک یا یک مدل از مدل ها باشد) را به صورت خودکار ، منطقی / قابل توضیح برای هر مشکل خاص موجود ، برای استخراج بهینه راه حل هایی برای آن مشکل این به معنی انتخاب و کالیبراسیون است (به عنوان مثال ، انتخاب پارامتر) از سیستم / معماری مدل ها. سیستم BrainOS توضیح داده شده در این مقاله با ابزارهای اتوماتیک ML موجود در خودکار و نحوه انجام آن متفاوت است. این از طبقه بندی موجود رویکردها در ادبیات ML اتوماتیک حاصل می شود تا معماری خاص خود را توسعه دهد. مطالعات اولیه ما را متقاعد کرده است که BrainOS می تواند با مشکلات پیچیده سطح بالا مانند پردازش زبان طبیعی مقابله کند.

اجرای پروژه های تخصصی هوش مصنوعی با مشاوره رایگان سلول پیشتاز

منبع : www.frontiersin.org