Среди основных преимуществ нейрокомпьютеров отмечаем параллельность всех информационных процессов и значительную устойчивость их в работе при наличии помех и разрушений. Уточняем, что нейрокомпьютеры имеют распределенную память, т. е. данные хранятся не на отдельном носителе в конкретной ячейке памяти, а в нейронах по всей сети в виде весовых коэффициентов межнейронных связей.
Остановимся на рассмотрении методики преподавания темы «Эволюционный подход к моделированию нейронный сетей», которая является третьей в модуле.
Цель: закрепить знания об особенностях функционирования персептрона и дать представление о генетическом алгоритме как об инструменте создания нейронной сети.
Контрольные вопросы:
В чем сущность эволюционного подхода?
Каково назначение генетического алгоритма?
Что определяет целевая функция генетического алгоритма?
Что выполняется генетическим алгоритмом на первом этапе?
Какие механизмы эволюционных процессов запускаются генетическим алгоритмом на втором этапе?
В каких случаях генетический алгоритм завершает свою работу?
Что является окончательным результатом задачи оптимизации, решаемой с помощью генетического алгоритма?
Вопросы для обсуждения:
Каким образом выбирают активационную функцию?
Почему генетические алгоритмы можно использовать не только для решения задач оптимизации, но и для создания нейронных сетей?
Какие существуют принципы отбора объектов?
Методические рекомендации:
Обращаем внимание, что кроме рассмотренного ранее структурного подхода к моделированию нейронных сетей существуют и другие подходы. Например, эволюционный подход, который базируется на знаниях из предметной области биологии.
Уточняем, что теория эволюции предполагает адаптацию и изменение живых организмов, а также естественный отбор и генетическое наследование, которые ведут к тому, что выживают только самые сильные особи, умеющие лучше приспосабливаться и развиваться, при этом потомки наследуют не все свойства родителей, а лишь некоторые.
Обсуждаем, что при генетическом наследовании возможны мутации, т. е. случайные изменения, в ходе которых потомки получают новые свойства, которые не имели их родители. Если эти новые свойства окажутся полезными для лучшего приспособления и развития, то потомок выживет и создаст новое, более сильное потомство.
Переходим к рассмотрению генетического алгоритма, предложенного Холландом (вторая половина ХХ в.) для алгоритмизации теории эволюции. Уточняем, что генетические алгоритмы позволяют искать ошибки в нейросетях и находить решения проблем в экономике, бизнесе, промышленности и др.
Формулируем основную идею применения генетических алгоритмов для обучения нейросетей: когда и почему нейронная сеть выдает тот или иной ответ можно определить с помощью активационной функции -- зависимости выходного сигнала нейрона от суммы весовых коэффициентов входящих сигналов и порога чувствительности нейрона.
Рассматриваем этапы выполнения генетического алгоритма на примере обучения нейросети.
На первом этапе создается начальная популяция объектов, каждый из которых имеет свой собственный набор параметров (вектор весовых коэффициентов нейронной сети). Работа генетического алгоритма зависит от целевой функции (функции приспособленности), предназначенной для оценки параметров объектов.
В результате такой оценки каждому объекту ставится в соответствие определенное значение -- приспособленность, которое определяет, насколько объект хорошо решает поставленные задачи.
Обращаем внимание, что при оптимизации процессов в нейронных сетях с помощью генетических алгоритмов целевая функция генетического алгоритма совпадает с активационной функцией нейронной сети.
Подчеркиваем, что целевая функция также может содержать параметры, характеризующие количество нейронов и их взаимосвязи в нейросети. Изменяя эти параметры, генетические алгоритмы помимо обучения нейросети еще и оптимизируют ее.
На втором этапе запускается механизм смены поколений -- многократно повторяющиеся эволюционные процессы (отбор, создание новых объектов и мутации их), в результате которых происходит обучение нейронной сети с использованием генетических алгоритмов. Отбор позволяет выявить наиболее приспособленные объекты, у которых значения весовых коэффициентов наиболее максимальны или минимальны. Создание новых объектов происходит за счет случайного распределения параметров наиболее приспособленных объектов популяции взамен отбракованных параметров. Мутация заключается в получении случайным образом нового значения элемента (параметра) из случайно выбранного вектора (особи). В результате формируется новое поколение объектов, число которых обычно равно числу объектов предыдущего поколения, в которые входят и мутировавшие объекты (обычно не более 5 %).
Уточняем, что смена поколения завершается лишь при достижении одним из объектов заданного максимального значения целевой функции.
Обращаем внимание, что полученные характеристики объекта, позволяющие достигнуть максимального значения целевой функции, принимаются за окончательный результат при решении задач на оптимизацию. А этот результат достигается с помощью генетического алгоритма. Уточняем, что выполнение генетического алгоритма не завершится, если искомого значения целевой функции не существует.
Отмечаем возможность оптимизации параметров генетического алгоритма при помощи самого генетического алгоритма. Делаем вывод, что генетические алгоритмы являются эффективным инструментом создания нейронных сетей.
Теперь остановимся на рассмотрении методики преподавания темы «Квазибиологический подход к моделированию систем», которая является четвертой и завершающей в модуле.
Цель: дать представление о молекулярном компьютере и его возможностях.
Контрольные вопросы:
В чем сущность квазибиологического подхода?
Каким образом моделируется биологическая структура электронных устройств?
Почему можно использовать нанотехнологии при моделировании биологической структуры?
Каково назначение и каковы преимущества молекулярного компьютера в отличие от классического компьютера?
Каковы возможности классических компьютеров, созданных на основе квазибиологического подхода?
Какие средства работы с информацией были созданы в рамках квази- биологического направления?
Вопросы для обсуждения:
Каково отличие вычислительной машины на основе классической архитектуры и вычислительной машины, проектируемой в соответствии с принципами квазибиологического подхода?
Каковы перспективы создания интеллектуальных систем в рамках квазибиологического подхода?
Каковы возможности и ограничения использования различных подходов к моделированию нейросетей?
Методические рекомендации:
Останавливаемся на сущности ранее рассмотренных различных подходов к моделированию нейронных сетей. Вспоминаем, что структурный подход позволяет имитировать функционирование нервной системы живых организмов, а эволюционный подход -- процесс приспособления живых организмов к окружающей среде.
Рассматриваем квазибиологический подход, который направлен на имитацию функционирования биологической структуры живых организмов. Уточняем, что приставка «квази» указывает на то, что подход как будто бы биологический.
Обсуждаем, что организм человека можно представить как сложную биологическую систему, в которой протекают процессы разных уровней сложности: от биохимических (низкоуровневых) до психических (высокоуровневых). Согласно этой теории, предложенной Мак-Каллок (середина XX в.) особенности человеческого поведения, его способность к адаптации и обучению, а также его разум и интеллект являются следствием свойств его биологической структуры и особенностей ее функционирования.
Рассматриваем возможность моделирования биологической структуры с использованием биомолекулярных комплексов и отдельных биомолекул (молекул ДНК и РНК). Приводим пример, что цепочка молекулы ДНК, которая кодирует генетическую информацию, состоит из последовательности огромного количества нуклеотидов.
Уточняем, что моделирование биологической структуры происходит посредством добавления или удаление нуклеотидов в цепочках ДНК, разрезания или склеивания этих цепочек. Обсуждаем, что поскольку биомолекулы переносят электрический заряд, то их можно использовать для построения электронных устройств обработки информации.
Обсуждаем возможность для применения в этой сфере нанотехнологий, поскольку размеры молекул находятся в наноинтервалах (напоминаем учащимся, что нанометр -- это одна миллиардная доля метра). Объясняем, что для решения определенных задач можно создать молекулярный компьютер -- особую вычислительную машину, которая в отличие от универсального компьютера специально конструируется для решения определенной задачи, и поэтому ее решение будет получено оптимальным способом.
Например, молекулярный компьютер довольно просто может реализовать игру в крестики-нолики. Для этого потребуется девять пробирок и специально подготовленные молекулы ДНК. В небольшой пробирке после проведения сконструированной биохимической реакции возможно получить результат, считываемый специальной аппаратурой. Уточняем, что такой молекулярный компьютер позволит решить только данную задачу, но это будет сделано эффективно.
Обсуждаем характеристики молекулярных компьютеров. Уточняем, что физическая структура молекулярного компьютера определяет решение конкретной задачи, а все используемые для вычислений молекулы одновременно взаимодействуют, проводя свои процессы параллельно. Обращаем внимание, что молекулярные компьютеры, как и нейрокомпьютеры, будут достаточно устойчивы в работе при наличии помех и разрушений. Кроме того, молекулярные компьютеры могут адаптироваться к изменениям входных данных.
Уточняем, что цепочки молекул ДНК могут воспроизводиться и клонироваться, что свидетельствует об их эволюционных возможностях.
Обсуждаем, что молекулярные компьютеры можно создать из сетевых нанокомпьютеров. Уточняем, что такой молекулярный компьютер состоит из электронных устройств размером порядка нескольких нанометров. Электронные же устройства молекулярного компьютера являются результатом разработки новых биоматериалов и нанотехнологий.
Выделяем области применения молекулярных компьютеров и возможности квазибиологического подхода к моделированию систем.
Обращаем внимание учащихся, что уже сейчас молекулярные компьютеры способны решать ряд актуальных задач (например, задачу коммивояжера о поиске кратчайшего пути обхода графа) более эффективно, чем классические компьютеры.
Уточняем, что в микросхеме компьютера с классической архитектурой возможно использовать отдельные молекулы или биологические компоненты в качестве структурных элементов, соединять биологические нейроны с электронными элементами с помощью нановолокон.
Обсуждаем, что сегодня становится актуальной идея самовоспроизведения клеточных автоматов, нанороботов. Это позволит расширить рубежи освоения космоса, ограничить участие людей в операциях на опасных производствах и продолжить автоматизацию интеллектуальной деятельности человека.
Литература
Григорьев С. Г. и др. Реализация развивающего потенциала обучения информатике в условиях внедрения государственных образовательных стандартов второго поколения // Вестник Российского университета дружбы народов. Серия «Информатизация образования». 2010. № 1. С. 13-26.
Карташова Л. И., Левченко И. В. Методика обучения информационным технологиям учащихся основной школы в условиях фундаментализации образования //
Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2014. № 2 (28). С. 25-33.
Карташова Л. И., Левченко И. В., Павлова А. Е. Обучение учащихся основной школы технологии работы с базами данных, инвариантное относительно программных средств // Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2017. № 3 (41). С. 57-63.
Карташова Л. И., Левченко И. В., Павлова А. Е. Обучение учащихся основной школы технологии работы с электронными таблицами, инвариантное относительно программных средств // Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2016. № 3 (37). С. 39-46.
Левченко И. В. Формирование инвариантного содержания школьного курса информатики как элемента фундаментальной методической подготовки учителей информатики // Вестник Российского университета дружбы народов. Серия «Информатизация образования». 2009. № 3. С. 61-64.
Левченко И. В. Информационные технологии в общеобразовательном курсе информатики в контексте фундаментализации образования // Вестник Российского университета дружбы народов. Серия «Информатизация образования». 2018. Т 15. № 3. С. 282-293.