WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 30 | 31 || 33 | 34 |   ...   | 56 |

Факт:Прием_пищи (Y).

Вопрос (цель) ::- еда (Х, Y), время (t,t1,Y).

В этой модели получается, что именно целиустраивают настоящую «битву» над полем текста за возможность реализоваться,т.е. превратится в правило. Чем закончится данное сражение Какимихарактеристиками должна обладать цель, чтобы выйти победителем Обратитевнимание, что все это очень похоже на рост лазерных мод, о которых говорилосьранее: «... На поддержание каждой такой модырасходуется определенная часть потока энергии, поступающего от источниканакачки. Чем больше интенсивность данной моды, тем больше расход энергии на ееподдержание. Поскольку полная мощность источника накачки ограничена, обычно врезультате конкуренции выживает всего одна наиболее эффективнаямода...» [53].

А что в нашем случае может характеризоватьэффективность той или иной цели

Сразу напрашивается ответ — этим чем-то может бытьпроцессорное время, выделяемое каждой цели для обработки текста, а также«близость» правил и фактов, до которых цель сумеет «дотянуться».

Исследуем значимость обоих факторов.Понятно, что если алгоритм поиска правил и фактов не эффективен, то можновеками наблюдать как яблоко падает с дерева и не видеть закона, объясняющегопроисходящее. Тем более, что в случае наличия многопроцессорности (у каждойцели свой процессор, каждая цель— это и есть процессор) и параллельности выполнения, процессорноевремя уже навряд ли может быть характеристикой эффективности реализации той илииной цели. Подобная система параллельности выполнения имеет место быть приработе головного мозга. Тот процесс, с которым в данный момент мы ассоциируемсвое «я», нами называется «сознанием», но вое остальные процессы на это времяникуда не исчезают, они также развиваются, правда, на т.н. подсознательномуровне. (Сознание в данной модели рассматривается как доминирующий информационный процесс самообучающейсясистемы). Получается, что в случае параллельностивыполнения, факт активизации той или иной цели не может являться ресурсом,который надо делить, грубо говоря, «право на жизнь имеет каждая мысль». А разтак, то тогда из лежащих на поверхности характеристик процессов определяющимистановятся:

—наличие в системе соответствующих правил ифактов;

—«близость»правил и фактов к данной цели. «Близость» в искривленном» пространстве правилопределяется в первую очередь эффективностью примененного в системе поисковогоалгоритма, который и

искривляет пространство правил и фактов,стараясь сделать его «удобным» для каждой изсуществующих целей. Проанализируем сказанное. Наличие в системе необходимых дляреализации цели правил и фактов

зависит:

—от ихдействительного наличия, что связано с входнымпотоком

данных и способностью системы восприниматьи обрабатывать этот поток;

— отприоритетности целей. Вполне возможно, что наиболеезначимые цели, например безопасность системы, в интерпретирующемсебя тексте расположены «наиболее близко» кзначимому для системы потоку входных

данных;

—отвозможности одной цели использовать результаты другой цели, рассматривая ее вкачестве подцели (дерево целей), что позволит при минимуме активности получитьмаксимум результата «чужими руками». Для этого используемая подцель должнауспеть превратиться в правило, т.е. реализоваться.

Подведем итог.

Предложенная модель, которую в дальнейшембудем называть ЦПФ-модель (цель-правило-факт), включает в себя множество целей,правил и фактов. Правила, т.е. формализованные знания, могут рождаться всистеме, путем превращения цели в правило, но могут и погибать в случае несоответствия другим правилам. По сути дела мы имеем прообраз самозарождающихсяи саморазрушающихся структур (СР-сети), в которой формальные нейроны, рождаютсяи умирают.

Проанализируем основные характеристикиобеих моделей на предмет поиска общего в них, на предмет их соответствия другдругу.

Результаты такого анализа сведены в таблицусоответствия рассмотренной выше формальной модели процесса целеобразования,базирующейся на языке Пролог, и модели, в основе которой лежит Р-сеть,Реализующая только принцип гибели нейронов без рождения (Табл.4.1).

Обучение на модели Р-сети предполагаетисходную избыточность с последующим избавлением от нее в процессе обучения,типа создания скульптором из глыбы мрамора крохотной статуэтки. Человеческиймозг состоит из не менее 100 * 10нейронов, каждый из которых являясь неповторимым, подобно снежинке, и имеетдо 60 * 10 связей. Таким образом 11 потенциальная информационнаяемкость составляет не менее 60 * 10микропрограмм.

Таблица 4.1. Соответствия основных понятий ЦПФ-модели иР-­сети.

ЦПФ-модельпроцесса целеобразования

Р-сеть

правило

локализованный обученный участок Р-сети

цель

локализованный необученный участок Р-сети (хаос)

факт

локализованный разрушенный участок Р-сети (только входныеданные)

Вернемся к исследованию работы ЦПФ-модели,к обоснованию и определению алгоритма ее функционирования. После решения этойзадачи можно будет перейти к ее макетной реализации.

Предлагается следующее описание процессафункционирования ЦПФИ модели (рис. 4.3). И

Рис. 4.3. Схема функционирования ЦПФ-моделив режиме самообучения.

Входные данные через устройства вводаинформации самообучающейся системы поступают в "память-распределитель", котораяна первом этапе представляет собой необученный участок Р-сети, т.е. являетсявопросом Вообще, любой несбалансированный (необученный) участок памяти являетсявопросом, ищущим ответа.

Можно выдвинуть и более сильное утверждение— любой хаос являетсявопросом! До тех пор пока информационная система ненайдет какую-либо интерпретацию бушующему вокруг нее хаосу, этот хаос будет оставаться вопросом, целью,требующей ее достижения. Хаос — этоприманка для любопытствующих, это приманка для исследователей, для научныхработников. Хаос— это вечная криптограмма,притягивающая к себе уже проинтерпретированные частисхемы.

Входные данные, пройдя распределитель,поступают на вход/выход произвольных участков функциональной памяти, т.е.память распределитель ретранслирует обучающую выборку внешней среды.Функциональные участки выбираются произвольным образом в силу того, что. самапамять-распределитель необучена. Выходные данные с функциональных участковпоступают обратно в память-распределитель, но уже в качестве требуемогорезультата, т.е. функциональная память становится учителем, хотя сама ещенеобучена. Однако она способна обучать тому, как надо распределять обучающуювыборку внешней среды. Она способна показать, где должны быть расположены тесамые дорожки на газонах. Это возможно потому, что функциональных участковмного и какой-нибудь из них обязательно будет близок к правильному ответу. Поддействием обучающей выборки память-распределитель превращается из вопроса вправило, согласно которого осуществляется распределение входной информации повсей самообучающейся системе. После чего уже начинается целенаправленнаятрансляция обучающей выборки на участки функциональной памяти. Таким образом,какие-то участки функциональной памяти становятся ответственными за обработку«сильных» сигналов, какие-то — «слабых». Одни участки памяти решают логические задачи, другиезаботятся о том, чтобы «обед был подан вовремя». В системе затверждается«распределение труда», которое до гибели системы никогда не может статьокончательным в силу того, что входные данные обладают большим многообразиемчем возможности любой ограниченной в пространстве и времени самообучаемойсистемы.

Что интересно, по близкому сценариюпредполагается работа биохимического компьютера Адлемана [73].Суть:

1. Реальные объекты отображаются всоответствующий набор произвольных последовательностей из нуклеотидов.

2. С учетом требований модели, используясоответствующий «клей», напускается процесс склеивания цепочек нуклеотидов. Дляразмножения Цепочек используется метод Polymerase Chain Reaction, позволяющийсинтезировать миллионы копий определенной последовательности по несколькимпервым и последним нуклеотидам. В результате в «бульоне» формируется всемножество возможных решений задачи. Осталось отобрать то, которое удовлетворяетограничениям.

3. Известно, что под действиемэлектрического тока молекулы различной длины двигаются с различной скоростью.Используя этот факт, из множества возможных решений отбираются те решения,которые соответствуют молекулам определенной длины.

Грубо говоря, работа подобного компьютерана третьем этапе напоминает работу золотоискателя, который вымывает золото изгруды песка.

Возможно, что аналогичным образомосуществляет поиск ключа и сам природа, используя биосферу в качестве бульона,а людей в качестве нуклеотидов.

Понятно, что уже сегодня при наличии влабораториях биохимических компьютеров говорить о надежной криптографии,ориентирующейся на NP-полные алгоритмы бессмысленно. Для решениякриптоаналитической задачи на подобного рода компьютерах длина ключапрактически не имеет значения. Таким образом, классическая вычислительнаякриптография с появлением подобных средств приблизилась к своей могиле, куда еев ближайшее время и уложат. Но останутся продолжатели ее дела: биохимическийкомпьютер Адлемана компьютерная стеганография.

Медленно, но верно человек в своихисследованиях и разработках удобном для себя масштабе времени поднялся допринципов, применяемых природой в эволюционных процессах, в общем виде решающихзадачу

криптоанализа — поиска оптимальной формы жизни, ивозможно поставил точку в развитии собственной классическойкриптографии.

Теперь попробуем перенести сказанное влогику работы нашей модели.

Через W, обозначим вопрос, заключенный в iучастке памяти, т.е. W, — это :-F1F,,...Fk.

Ответить на этот вопрос можно либо путемпоиска доказательств, т.е. путем перебора известных правил и фактов, либопопробовать упростить сам вопрос выполнить следующее:

1) подставить в левую часть интересующийфакт;

2) проверить истинность полученногоправила, если результат верен перейти к п.5, иначе к п.З;

3) устранить из правой части вопросанаиболее «мешающий» факт (уничтожить мешающий элемент), т.е. упростить вопрос(чаще всего этим мешающим фактом является вновь поступивший);

4) если вопрос еще существует, то перейти кп.2, иначе завершить работу по данной цели;

5) зафиксировать данный вопрос в видеправила и завершить работу. В том случае, если процесс обучения завершен неудачно, т.е. вопрос участок памяти) полностью уничтожен, начнется переобучениепамяти-распределителя до тех пор, пока управление не будет передано на другойучасток памяти.

В многопроцессорной системе обученнаяпамять-распределитель транслирует обучающую выборку сразу на несколько участковфункциональной памяти. Образно говоря, входные данные, попав в систему,копируются в количестве достаточном для удовлетворения всех целей,«проглатываются» этими целями, встраиваются, превращая цель в правило, илиотвергаются, не найдя себе места.

Сточки зрения самообучаемой системы,реализованной на принципе избыточности (можно считать, что природа поискрешения практически всех своих проблемы строит на этом принципе), придти кпониманию чего-либо, используя поиск доказательства через полный переборвариантов, не всегда возможно в условиях ограниченного времени. Полный переборвсегда слишком длителен и утомителен и вряд ли может способствовать выживаниюсистемы в тяжелых условиях внешней среды, где время нужной реакции во многомопределяет способности системы по выживанию.

Не всегда у системы есть время для того,чтобы гоняться за «рыбой любимого сорта и любимого размера».

Надо дать рыбе возможность самой приплыть внужное время в нужное место.

В этом случае задача заключается только внахождении соответствующего знания в самом себе. А это знание, с той или инойстепенью точности всегда имеет место быть (в силу огромной избыточностиприроды).

Сказанное выше, пока еще рано применять ксовременным техническим системам, в которых каждый элемент на счету. Но вот чтокасается живой природы, то она скорее всего строит свои процессы познанияименно отталки­ваясь отизбыточности.

В предложенном алгоритме явнопросматривается стремление самообучающейся системы к минимальности, т.е. кизбавлению от бесполезных (лишних) аксиом, фактов, правил вывода.

ЦПФ-модель позволяет дать объяснение такназываемому интуитивному знанию, когдачеловек мгновенно приходит к пониманию чего-либо, а на логическое обоснованиеобъяснения уходят годы и годы, так как логическое обоснование требует осознанияпроцессов, в том числе неосознанных ранее, которые и позволили получитьрезультат.

Вернемся к формальному описаниюмодели.

Проведем условное разделение нашейпрограммы (модели) на два блока в соответствии со схемой рис.4.3.

Первый блок реализует работупамяти-распределителя, назовем его блоком распределения, а второй— функциональной памяти-функциональный блок. Обозначим через W — вопрос;

Р — правило;

F—факт;

Введем следующие операции(функции):

Z=Prav (X, Y);

Z=Wopr (X);

Z=Delp (X, Y). F = Delf (P);

где

«Prav()» — функция, в ходе выполнениякоторой значение первого аргумента становится левой частью значения второгоаргумента. Выходом является правило. Данная операция предназначена дляпревращения вопроса в правило, например P=Prav (F, W).

«Wopr()» — функция, осуществляющая поиск дляаргумента в тексте программы его отрицания. В случае нахождения происходитуничтожение самого левого факта в значении аргумента. Выходом является вопрос.Данная операция предназначена для уничтожения взаимоисключающих правил ипревращения их в вопрос, например

W = Wopr (P).

«Delp()» — функция, реализующая исключениеиз значения первого аргумента подстроки, совпадающей со значением второго аргумента. Выходомявляется вопрос. Данная операция применяется для установления истинностиправила, путем исключения «мешающих» фактов, например P=Delp (P,F).

«Delf()» — функция для выделение факта,который больше других мешает стать значению аргумента истинным,например

F = Delf (P). Выходом являетсяфакт

Pages:     | 1 |   ...   | 30 | 31 || 33 | 34 |   ...   | 56 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.