Нейрокодирование

Имеется в виду нелокальность в смысле квантовой физики. Квантовая запутанность устанавливается между любыми взаимодействующими объектами. Одна из основных трудностей при создании квантовых компьютеров – невозможность устранить квантовое запутывание ячеек квантового компьютера и окружающей материи на время, необходимое для проведения вычислений – даже хотя бы на доли секунды. (далее…)

В дополнение к предыдущему сообщению «Тренажер интуиции Норбекова» ( http://neurocod.net/blog/tag/2009/11/тренажер-интуиции-норбекова ). Цитата из книжки «Где зимует кузькина мать, или как достать халявный миллион решений» Норбекова:

Как делаются…
Откуда берутся…
Открытия в науке – способ создания приключению для своей (далее…)

Однажды я купил следующее устройство: http://tintuit.ru/tin/ .

На тот момент я был атеистом-агностиком. Что же меня заставило обратить внимание на прибор? (далее…)

«Крысы вспоминают обучение задом наперёд» (далее…)

При развитии моделей ИНС, происходит усложнение элементарного нейрокластера, добавляются новые нейронные контуры, добавляются новые алгоритмы, последовательности активации нейроконтуров. Но в естественных нейросетях, отдельные нейронные контуры можно вынести в отдельные части мозга. Тогда, вместо представления каждого нейроконтура в каждом стандартном нейрокластере, его усложнения, необходимое поведение сохраняется благодаря связям между отдельными нейрокластерами разных типов в разных частях мозга, где каждый нейрокластер состоит/входит в несколько нейроконтуров – а список нейроконтуров уникален в каждом органе и для каждого типа кластера. Как и для обычных нейрокластеров, связи между различными типами нейрокластеров могут устанавливаться динамически и при обучении, жесткое соответствие не обязательно. Такой способ расширения мозговой функциональности может быть более прост для осуществления эволюции (равно как и управляемой эволюции – намек с широким контекстом). Добавление отдельных нейроконтуров в отдельный мозговой орган может быть легче изменения уже существующих механизмов. Так как легче не нарушить работу старых механизмов, работу новых генов можно запускать в отдельном локальном пространстве (близость клеток с одинаковой экспрессией генов), для новых механизмов меньше комбинаций взаимодействия (усложнено взаимодействие с другими далеко расположенными нейронными сетями).

Вынесение отдельных нейронных контуров в отдельный тип кластера и в отдельный орган полезно также тем, что можно сохранять нормализацию – по аналогии с базами данных. Например, как описывалось в случае с нейронными контурами nSl0/nSl1 в заметке «№91 Нечеткое распознавание и поиск в ИНС Б2» ( http://neurocod.net/blog/tag/2009/04/№91-нечеткое-распознавание-и-поиск-в-ин ), не для всех кластеров памяти нужен отдельный квазинейрон nSl0, и не для каждого nSl0 нужен отдельный квазинейрон nSl1. Аналогично и с ЕНС. Такое разделение помогает сохранить ресурсы. Скажем, для некоторых кластеров памяти может не понадобиться ассоциаций на нейронные контуры «синхронизация и планирование действий». Так что теперь предположительно понятно не только то, почему у людей такая сложная электроэнцефалограмма, но и то, почему столько разных мозговых органов.

В дополнение к предыдущей записи про биополя в нейросетях: при разработке нейроимплантантов может оказаться полезно исследовать биополя и попытаться смоделировать их на микроэлектродах. В случае успеха, нейроны будут сами искать контакты с микроэлектродом. Для укрепления связи можно разрабатывать нанопоры в микроэлектродах, через которые выделяются вещества, способствующие соединению с нейронами. Но не нужно забывать, что многие нейроны для нормальной работы должны сами решать, выгодно или нет им сотрудничать с данным электродом. Но решение этого вопроса можно делегировать другим нейронам: с некоторыми нейронами микроэлектрод взаимодействует жестко и неразрывно, а другие нейроны пусть привязываются уже к ним. Исследование слабосильных биополей может быть очень затруднено. Даже если ограничиться электромагнитными полями, сложно будет даже записать поля. Особенно – шумоподобные, которые могут ловиться окружающими клетками за счет направленных антенн в виде некоторых белков, и даже аналогов фазированных антенных решеток на основе отдельных молекул.

При исследовании нейросетей полезно использовать концепцию биополей. Сначала нужно показать предпосылки для введения этой концепции. (далее…)

В алгоритмах выделения обобщений, рассмотренных ранее, механизм выделения признаков, которые входят в обе цепочки памяти, работал следующим образом. С каждой из двух цепочек памяти на свои признаки слался сигнал обычной силы, и те признаки, которые получили двойную порцию, считались входящими в обе цепочки.

Проверка в коде была вида activation>=2*threshold

Но чтобы писать код с использованием объектов «нейронный контур», нужно было ввести отдельную функцию для такой проверки. В дополнение к функции neuron::isActive, с именем типа isActivatedDoubly. Более красивое решение – использовать шаблонную функцию с параметром «кратность активации». Но так как С++ не поддерживает шаблонные параметры из нецелых чисел, то пришлось коэффициент кратности делать целым. И тогда в функцию обработки нейроконтура можно было передать neuron::isActive<2>, надеясь, что компилятор вместо преобразования типов данных догадается подставить только инкремент степенной части числа с плавающей запятой.

Но у этого подхода есть концептуальные недостатки. Как известно, потенциал действия биологических нейронов при разрядке всегда один и тот же. Накопление на мембране «двойного заряда» не подходит. Повышение порога гуморальными механизмами – слишком медленно (а люди просыпаются достаточно быстро). Можно рассмотреть изменение потенциала на мембранах вспомогательной нейросетью. Можно в режиме выделения тормозить ею нейроны, так что активироваться смогут только нейроны с двойной порцией активации. Или можно во время обычной работы дополнительно активировать нейроны, а в режиме выделения – прекращать поставлять помощь. Можно комбинировать активацию и торможение. Но мне более вероятным кажется использование времени активации в качестве варьируемого параметра. Так как посылка активации в природных нейросетях в режиме высокочастотного возбуждения происходит не единовременно, а множеством спайков, то нейрон, получающий двойную порцию активации (от двух цепочек), будет активирован примерно вдвое быстрее, чем в нормальных условиях. Вариантов реализации механизма выделения нейронов с двойной активацией тогда остается два. В одном варианте, нейроны цепочек шлют вдвое меньше спайков, чем обычно, и активируются только нейроны, входящие в обе цепочки. Мне более вероятным представляется случай, при котором отдельная нейросеть детектирует нейроны, активировавшиеся вдвое быстрее, чем обычно. Вдвое быстрее, конечно, после предыдущего такта нейросети «посылка к признакам». Тот же Бужаки говорил, что есть нейроны, очень точно реагирующие на время активации.

После того, как концептуальные вопросы решены, можно было оставить код, как есть, лишь помня о несколько другом смысле «двойной активации». Понятие двойной активации возникает, так как спайки в моих нейросетях моделируются одним целым, и нет возможности обнаружить изменение времени активации. Можно было бы разделить спайки на два – и вместо одного квазиспайка, всегда слать два квазиспайка. В результате, схема обнаружения общих признаков работала бы так, как и гипотетический природный аналог. Но есть более эффективный подход – слать половинную активацию. Вместо умножения порога или деления активации каждого нейрона при сравнении, лучше послать половинную активацию лишь у тех, кто активирован (с нейронов nDn->* ). Этого можно всего добиться, если понизить порог нейронов контура nDn вдвое, и в зависимости от режима вместо VA(nX, nDn) писать что-то типа VA(nX, nDn, 0.5f), или VA(nX, nDn, 1.f)

Не свиной грипп, а свинский, от слова «свинство».
http://zavtra.ru/cgi//veil//data/zavtra/09/820/61.html
Цитата:
«ЗАВТРА». Разве мы не побеждали болезни? Разве ученые не исследовали их достаточно для эффективной борьбы — пусть не с раком или СПИДом, но хотя бы с элементарным гриппом?

М.С. Грипп далеко не «элементарен», как вы выразились. Сегодня, в начале XXI века, мы очень мало знаем о феномене поддержания возбудителей инфекционных болезней человека в природе.
Мы ведь не знаем даже о природном резервуаре вируса гриппа. Домашняя или дикая птица, или свиньи — это лишь промежуточные «хозяева» вируса, одни из его жертв. Они не поддерживают вирус в природе: (далее…)

Старая запись:
Биология

Чтобы иметь возможность проектировать что-либо, нужно хотя бы в общих чертах уметь предсказывать результаты работы проектируемых систем. Без этого остается только экспериментирование. На данный момент, в микробиологии возможность минимально удовлетворительного прогнозирования в целях проектирования еще не достигнута. Одна из основных причин – большие трудности в расчете взаимодействия сложны молекул. Дело в том, что количество операций, нужных для расчета конфигурации молекулы, с увеличением количества атомов растет не линейно, не квадратично и не кубично (что уже считается достаточно плохим алгоритмом), а вообще – экспоненциально. Добавили еще один электрон к молекуле – удесятиряй количество процессоров в суперкомпьютерном центре. Тогда как сложные клеточные механизмы содержат сотни тысяч атомов, а вирусы – миллионы. Поэтому сейчас ограниченно используются только неточные и приблизительные методы вычислений, которые занимаются только уровнем отдельных молекул, и которые все равно требуют дикого количества компьютерных ресурсов. Вторая причина – отсутствие средств детального наблюдения за внутриклеточными процессами. Электронным или атомно-силовым микроскопом не заглянуть внутрь клетки без ее уничтожения. А желательно заглянуть туда надолго, прослеживая работу целых клеточных механизмов. Третья причина – большое количество параметров и элементов в живых системах, которые усложняют не только вычислительную работу, но и человеческое ассоциативное мышление – трудно запомнить все связи, результаты экспериментов, ориентироваться в последних достижениях других исследователей. Кроме того, живые системы развивались без оглядки на «правильность» и красоту проектирования. В сравнении с современным программным обеспечением, в природе куча «заплаток», корявых решений, которые используют побочные эффекты от работы других механизмов, плохое разделение ответственности и структурирование. В таких условиях разобраться даже в исходниках компьютерной программы бывает очень затруднительно, что уж говорить про скопления астрономических количеств молекул. Ко всему, работу чрезвычайно усложняет еще и сверхвысокий параллелизм работы всех механизмов в живых системах. Даже если что-то удается отследить, совсем не очевидно, что данный механизм имеет смысл только с одновременной работой других определенных процессов, быть может, в других органеллах, клетках, тканях или органах, запустился в совершенно другом месте и когда и на что он повлияет. Еще одна сложность, не только проектирования, но и экспериментирования – низкая скорость проверки предположений. Ей не сравнится со скоростью экспериментирования у программистов – чаще всего от нескольких секунд до минут, редко – часов. Больше уже считается серьезными исследованиями или стратегическими и принципиальными разработками. Подождать деления клетки, а лучше – многих, подождать их развития, провести нужные манипуляции, и лишь затем работать – слишком долго. Что уж говорить про многоклеточные организмы. А еще есть сложность подготовки экспериментов, низкая автоматизация этих процессов. В результате на «чисто научную» работу, без рутины, остается совсем немного.

Однако, в относительно ближайшее будущее ситуация может кардинально поменяться. Причин тому несколько. Одна из важнейших – создание и развитие квантовых компьютеров. Рост количества вычислений взаимодействий молекул от количества атомов в исследуемой системе станет линейным. Причем, ожидать таких результатов можно уже в ближайшие годы. Даже если у некоторых фирм ничего не выйдет в 2008 году, за несколько следующих десятилетий можно ожидать радикального прогресса. Другая причина – наука как раз массово выходит на молекулярный уровень изучения сложных систем. Не зря сейчас такой бум с использованием приставки «нано». Входит в обиход использование квантовых точек для отслеживания внутриклеточных передвижений, молекулярных маркеров для управляемого присоединения нужных частиц к специфическим белкам и клеткам, использование информационных технологий для создания баз данных генов, веществ, их связей со сложными механизмами. Возможный близкий прогресс в хотя бы частичном и грубом моделировании ассоциативного мышления также может радикально ускорить развитие биологии. Если не в самостоятельном мышлении машин, то в облегчении информационной работы экспериментаторов. Одни только гиперссылки, бледное подобие ассоциативного мышления, как сильно упростили обмен информацией. Средства автоматизации экспериментов также сильно ускорят развитие. Работая 24 часа в сутки, с высоким параллелизмом, автоматика удешевит и ускорит исследования, освободит экспериментаторов от рутины. Им дастся не просто дополнительное время на исследования, а возможность изучать на порядок более сложные системы.

Все это может привести к возможности создания генетически направленного оружия, оптимизации использования энергии растениями с экономией десятков процентов территории, необходимой под посевы, кардинальных усовершенствований тела человека и достижения бессмертия, и т. д., а в перспективе – созданию принципиально новых форм жизни и распространению жизни за пределы Земли.