Не случайно военно-морской флот США заинтересовался созданием образца машины с тысячей запоминающих ячеек. Предполагается, что такая машина не превзойдет по размерам обычного стола. Правда, пока запоминающие ячейки очень сложны и дороги. Поэтому главное внимание конструкторы уделяют разработке компактных, недорогих и надежных запоминающих ячеек. По последним сообщениям, второй образец перцептрона уже построен. Он содержит в 20 раз больше элементов «памяти» и более сложную схему взаимосвязей, чем первая модель. Американская военщина намерена этот усовершенствованный перцептрон уже в ближайшее время применить для автоматической расшифровки результатов воздушной разведки — аэрофотоснимков и опознавания на них целей.
С применением искусственных нейронов уже создаются машины, обладающие способностью распознавания, еще более совершенные, чем первые перцептроны. Уже создана, например, машина на разновидности электронного нейрона — артроне. Этот электронный нейрон сложнее других аналогов. Он обладает 16 состояниями и свойством задержки. Это чрезвычайно чувствительный элемент, имеющий два входа и один выход. Входной и выходной сигналы имеют цифровую форму. Отличие машины на артронах от первых перцептронов заключается в том, что пути прохождения сигнала между чувствительными элементами и артронами изменяются непрерывно случайным образом, пока в процессе «обучения» не будут найдены оптимальные пути. Но даже и после «обучения» машина легко возвращается к этапу случайного прохождения сигнала.
Основной механизм, с помощью которого такая машина «обучается», составляют четыре высокоскоростных переключателя. Они, сравнивая поступивший сигнал с пороговым уровнем, определяют, разомкнуть переключатель или оставить замкнутым. В первом случае сигнал к артрону не проходит, во втором — проходит. Схема обратной связи и здесь обеспечивает «поощрение» или «наказание», уменьшая или увеличивая пороговый уровень переключателя.
Машина на артронах, по данным зарубежной печати, может применяться для автоматического управления беспилотными космическими летательными аппаратами, будет способствовать созданию быстродействующих командных машин для штабов войсковых подразделений, облегчающих выработку решений командиром. Машина может успешно управлять оборудованием, работающим в опасных условиях.
В печати сообщается и о создании еще одного аналога нейрона для логических устройств. Это — нейристор. Он может выполнять все логические операции существующих электронно-вычислительных машин и даже некоторые функции, которые им пока, как говорят, не под силу. По схеме это канал, содержащий термисторную полоску и распределенную емкость. В них распространяются сигналы — электрические разряды, проходящие с постоянными скоростью и амплитудой. После прохождения разряда прибор в течение некоторого времени становится невосприимчивым и не поддерживает разряды. Спустя некоторый период он восстанавливает работоспособность. Логические устройства на нейристорах характерны тем, что прибор и соединительные провода составляют одно целое.
Одна зарубежная фирма предложила самопрограммирующую машину, которая самостоятельно выбирает оптимальный подход к решению задачи. Она предназначена для распознавания сигналов гидролокатора.
Перед применением машину «обучают». На перфорированную ленту блока «памяти» записываются сигналы гидролокатора и эхо-сигнал, создаваемый кораблем. Если машина путает то и другое, процесс сравнения повторяется, пока она не даст правильный ответ. «Обученная» таким путем машина может анализировать сигналы подводной локации лучше, чем оператор.
Одна из американских фирм построила бионическую обучающуюся машину для быстрого опознавания и классификации трехмерных объектов, имеющих форму шара, куба, пирамиды и эллипсоида. Это качество, по мнению специалистов США, оказывается очень ценным при просмотре, анализе, отборе фотографий на разведывательных спутниках перед передачей их на Землю. И не только в этом случае, но и при распознавании мест запуска снарядов или самих снарядов с борта самолетов или спутников, а также обнаружении боеголовок ракет среди ложных целей.
Такая бионическая машина состоит из объектива, 400 фотоэлементов, усилителей сигналов фотоэлементов, ассоциативного блока «памяти», состоящего из 400 простых логических схем, ответных логических устройств и цифровых логических устройств, указывающих форму наблюдаемого объекта. Выход каждого усилителя соединен (по случайному закону) со входами девяти логических схем блока «памяти».
Как же работает такая бионическая машина? Когда оптическое изображение проектируется на фотоэлементы, сигналы от них после усиления поступают в логические схемы ассоциативной «памяти», оттуда — на два ответных логических устройства. Вот здесь-το и происходит процесс обучения машины. На входе ответных устройств сигналы «взвешиваются», то есть в зависимости от того, способствует или нет наличие этого сигнала правильному опознаванию, он либо усиливается, либо ослабляется. Это достигается благодаря уменьшению или увеличению сопротивлений на входе ответных логических схем.
Из моделей нейронов создаются целые сети, которые предназначаются для имитации тех или иных функций нервной системы. Конструируются сети, меняющие свои параметры в соответствии с изменениями характера раздражений, а также сети, предназначенные для запоминания данных и способные к «обучению».
На втором симпозиуме по бионике сообщалось, что в США создана обучающаяся машина на нейронной сети из 102 мемисторов. Мемисторы — это жидкие элементы, конструктивно оформленные в виде небольших пластмассовых сосудов объемом в одну треть кубического сантиметра. Сосуды заполнены электролитом и имеют электроды. Действие элементов основано на изменении сопротивления от 3 до 100 ом. Сеть из таких мемисторов имитирует работу зрительного органа человека при распознавании образов. На базе этой машины предполагается создать устройство для решения комплексных навигационных задач, предсказания погоды и т. п.
В США разрабатывается также машина, предназначенная для распознавания речи и печатания текста с голоса. Специалисты занимаются также проблемой преобразования набора чисел в записанный на магнитную ленту человеческий голос. Этот голос вводится в электронно-вычислительную машину, и она производит математический анализ звуков. А затем из полученных чисел вновь воссоздается (синтезируется) человеческая речь, также записанная на магнитную пленку. Подобный анализ и синтез речи будут очень ценными для сужения каналов связи.
Большое значение для связи в особых случаях боевого применения военной техники, например самолетов, будет иметь преобразование речевого спектра частот в механические колебания. Эти механические колебания будут восприниматься не ухом, а кожей человека.
Дело в том, что в летящем самолете шум мешает приему звуковых сигналов органами слуха. Кожа восприимчива к частотам, в девять раз меньшим, чем частоты, воспринимаемые ухом (1000–4000 гц). Поэтому, когда преобразовали звуковые частоты в механические колебания, операторы могли определять некоторые звуки при помощи пальцев, находящихся на вибраторе. Кроме снижения влияния шума такая передача обладает и большей скрытностью.
Исследования в области обучаемых и самообучающихся машин ведутся и в СССР. Как сообщил в одном из своих выступлений в печати известный советский ученый В. М. Глушков, в Вычислительном центре Академии наук УССР (теперь он называется Институтом кибернетики) электронную машину «обучали» смыслу фраз на русском языке. Программа была предусмотрена такая: машине сообщается некоторое число осмысленных фраз; затем в процессе проверки она правильно отсортировала осмысленные фразы от бессмысленных, причем делала это не только для тех фраз, которые она усвоила в процессе «обучения», но и для незнакомых ей фраз.
При моделировании на машине процесса «обучения» смыслу фраз на русском языке можно было имитировать различные типы «обучения» — от голой зубрежки до склонности к поспешным обобщениям и неуемному фантазированию.
Одним из сотрудников Института автоматики и телемеханики Академии наук СССР была выдвинута гипотеза компактности, позволяющая объяснить процесс обучения и искусственно воспроизвести его. В настоящее время гипотеза компактности проверяется на животных.
Чтобы понять смысл гипотезы компактности, представим себе плоскость, разделенную на клетки и заполненную «n»-фотоэлементами, имитирующими «приемники» световых раздражений-рецепторов (рис. 28, слева). Если на это своеобразное фотополе проектируется изображение, то возбуждаются вполне определенные фотоэлементы. Состояние всего фотополя можно охарактеризовать одной точкой, как говорят, в пространстве рецепторов (рис. 28, справа).
Рис. 28. Схема процесса «обучения» машин опознаванию буквы А.
Эта точка — вершина единичного куба. Значит, букве А будет соответствовать в зависимости от написания одна группа точек, букве Б — другая группа точек в пространстве рецепторов. Ученые предполагают, что и в мозгу человека каким-то путем формируются области в пространстве рецепторов, соответствующие тому или иному образу.
Гипотезу компактности можно сформулировать так: человек воспринимает множество различных зрительных ощущений как единый образ, если множество точек, которое соответствует этому ощущению, в пространстве рецепторов является в известном смысле компактным множеством. Задача «обучения» машины, таким образом, заключается в проведении в пространстве поверхностей, отделяющих одну область от другой, а это и означает способность различать образы. В процессе «обучения» машина «запоминает» положение точек, соответствующих буквам А, Б и т. д. в пространстве рецепторов. В результате, когда потом машине показывают букву, она определяет, где лежит точка, характеризующая показанное изображение, и в зависимости от этого «отвечает», какая это буква.
На основе этой гипотезы была разработана программа, реализованная на цифровых машинах. И оказалось, что машины очень легко «выучиваются» распознавать пять цифр: 0, 1, 2, 3 и 5 (в связи с тем, что цифра 4 похожа на цифру 1, ее в первых опытах не использовали).