Разнообразно саморегулирующиеся машины мы уже достаточно знаем между изделиями человеческих рук. С этой точки зрения метод изучения системы-человека тот же, как и всякой другой системы: разложение на части, изучение значения каждой части, изучение связи частей, изучение соотношения с окружающей средой и, в конце концов, понимание на основании всего этого ее общей работы и управление ею, если это в средствах человека» (Павлов,1973, с.394–395).
Наряду с работой в реальном эксперименте, как уже говорилось, мы проводили исследования на моделях нейросетей из нейроноподобных возбудительных и тормозных элементов. Целью этого моделирования явилось применение моделей разной степени сложности для имитации процессов взаимодействия возбудительных и тормозных нейронов при обучении, для выяснения функциональной роли параметров биоэлектрических процессов – показателей этого взаимодействия и для имитации некоторых функций мозга при обработке, фиксации и воспроизведении новой информации. Предполагается, что эти исследования, в свою очередь, могут представить полезные сведения и для развития теории и практики нейрокомпьютинга – нового направления в технологии ЭВМ.
Методика моделирования была в основном приведена в начале Главы III. Здесь имеются некоторые дополнения. Имитационные математические модели сети нейроноподобных элементов (НЭ), возбудительных и тормозных (ВЭ и ТЭ соответственно), были реализованы в виде программ на различных ЭВМ. Первая работа в этом направлении была проведена на пороговых элементах (Крылов, Острякова и Шульгина, 1974), все последующие – на нейроноподобных элементах, свойства и параметры взаимодействия которых, естественно, в абстрактном виде, были приближены к таковым в реальных условиях работы нервной системы (Шульгина,1993 б, 2002; Шульгина и соавт. 1983; Шульгина и Ляпичева, 1981; Шульгина и Веселовский, 1997; Шульгина и Александрин, 1993; Шульгина и Муравьев, 2000; Фролов и Шульгина, 1977; Бардычев и Шульгина 2006 и др.)
Исходно для каждого варианта расчетов устанавливались размеры матриц НЭ, форма связей внутри них и между ними, знак связей и параметры составляющих элементов. Структура модели предполагает возможность создания любого необходимого числа матриц, связанных между собой любым способом, наиболее пригодным для решения поставленной задачи. При необходимости матрицы могут быть связаны в модули, состоящие из нескольких матриц. Модули, в свою очередь, могут быть связаны между собой.
Работа каждого варианта модели заключалась в решении на очередном такте времени системы уравнений, характеризующих изменения состояния всех НЭ и связей между ними в зависимости от заданных условий. Значения сопротивления и постоянной времени мембраны НЭ, порогов покоя и их изменений после импульса, значения силы связей между НЭ и параметров, количественно имитирующих уровень и постоянные времени распада возбудительного и тормозного медиаторов, а также интенсивность и другие параметры внешних воздействий, задавали исходно в условных единицах перед очередным вариантом расчетов. На каждом такте времени вычисляли токи в контактах от одного НЭ к другому, суммарные токи, потенциалы и текущие пороги, сравнивали величины мембранных потенциалов и порогов, определяли наличие импульса в каждом НЭ. При условии, если сумма всех возбудительных и тормозных влияний на НЭ превышала исходно установленный порог, считалось, что в данном НЭ возник разряд, влияние которого на последующие НЭ учитывалось в следующем такте счета.
Обучение определялось принципом Хебба (Hebb, 1949), который заключается в повышении эффективности веса или силы тока в контактах данного элемента к другим нейронам при условии совпадения активации пре- и постсинаптического НЭ. Сила связи между НЭ, участвующих в обучении, увеличивалась до некоторого предела.
По принципу построения системы уравнений наши модели наиболее близки к направлению адаптивно-резонансной теории, которую развивает в своих работах С. Гроссберг (Grossberg, 2012).
На основе вышеизложенного можно предположить, что относительное повышение интенсивности тормозных гиперполяризационных процессов при выработке внутреннего торможения играет активную роль в реализации его основной функции – ограничения проведения возбуждения на периферию. Это ограничение проведения возбуждения может осуществляться уже вследствие периодического повышения уровня поляризации клеточных тел, т. е. снижения их возбудимости и реактивности. Ограничение проведения возбуждения, как предполагал М. Н. Ливанов (Ливанов, 1972; Livanov & Shul’gina, 1983), вероятно, определяется еще и тем, что эти колебания возбудимости и реактивности при выработке внутреннего торможения не согласованы по частоте и сдвигу фаз во взаимосвязанных структурах мозга, т. е. определяются системной организацией нервных процессов. Для проверки этих предположений были проведены две формы экспериментов на моделях. Результаты первой изложены в главе III, 3, второй – в главе III, 4.
Строение модели. В данном разделе мы остановимся на изложении результатов работы с моделью сети нейроноподобных элементов для выяснения роли гиперполяризационного торможения в процессе прямого и обратного взаимодействия символов в паре при обучении и при последующем распознавании этих символов.
В соответствии с поставленной задачей вариант модели, на котором проведена эта работа, отличается от предыдущих вариантов набором подсистем и архитектурой связей между ними. Обработку информации выполняли четыре системы. Они состояли из матриц, реализующих следующие функции: С – рецептивная матрица. Не производит расчетов, только передает изображение, преобразованное в набор нулей и единиц, на входы к матрице А; А – воспринимающая или ассоциативная матрица, воспринимает информацию от С и выполняет запоминание ее при обучении в виде модифицированных контактов своих элементов на матрице R в зависимости от наличия в этот момент активации соответствующего элемента R по правилу Хебба. R – матрица, подкрепляющая символы при обучении и распознающая в процессе опознания; Р – матрица памяти. На ее элементах в виде распределенного расположения синапсов с различной эффективностью от матриц С и R хранятся образы, зафиксированные при обучении. Была установлена следующая система связей между ними: от рецептивной матрицы С к воспринимающей А и к матрице памяти Р, а также от матрицы памяти Р к матрице А, связи были по принципу «один к одному». Такой тип связи имитирует экранное строение путей передачи модально-специфической (свет, звук, осязание и т. д.) информации в проекционных структурах ЦНС. Связи воспринимающей матрицы А с подкрепляющей и распознающей матрицей R были по принципу «все со всеми», так же, как матрицы R с матрицей памяти P. Такой тип связей имитирует организацию путей для переключения возбуждения посредством «неспецифических» структур, реализующих возможность передачи афферентного возбуждения в любую точку мозга и связь его с любым видом поведения посредством выхода этого возбуждения на любые эффекторы.
Взаимодействие «неспецифических» влияний от матрицы R к матрице памяти Р со «специфической» информацией к матрице Р от матрицы С имитирует «голографическую» запись информации. Все связи между системами нейросети были возбудительными, имели знак «+», за исключением влияний от системы памяти Р к воспринимающей матрице А. Эти связи были тормозными. Они, в отличие от возбудительных связей, имели знак минус, т. е. повышали порог срабатывания НЭ матрицы А (рис. 38, блоки или модули 1 и 2).
Рис. 38. Архитектура варианта модели, реализующего распознавание, называние и обобщение образов.
C1 и С2 – рецептивные матрицы модуля 1 (модуль распознания конкретных образов) и модуля 2 (модуль распознания обобщенных образов), A1 и A2 – воспринимающие или ассоциативные матрицы, P1 и P2 – матрицы памяти, R1 и R2 – подкрепляющие и распознающие матрицы модулей 1 и 2, P3 —матрица памяти модуля обобщения (по Бардычев и Шульгина, 2006).
В каждом варианте расчетов модель работала в двух режимах: обучения и опознания. В режиме обучения от рецепторной системы C на воспринимающую А и на систему памяти P на протяжении исходно определяемого числа тактов времени поочередно подавали бинарные образы буквенных символов. Процесс подкрепления реализовали тем, что в период обучения при подаче очередного символа на матрицу С, а от нее на А и на Р, программно становился активным очередной элемент матрицы R. Тогда эффективность (сила тока) контактов к этому элементу R от матрицы А и эффективность контактов от активного элемента матрицы R к элементам матрицы P, активируемых этим же символом от С, повышалась. Тормозные влияния от матрицы Р к матрице А в момент обучения были отключены для имитации ослабления гиперполяризационного торможения при обучении в реальной нервной системе.
При распознавании символов исходно все элементы матрицы R были не активны. Включались отрицательные связи от матрицы Р к матрице А. При подаче какого-либо символа на матрицу С и далее на матрицу А активировался, т. е. распознавал и называл этот символ тот элемент матрицы R, который соответствовал ему в период обучения. Элемент R, активируемый символом, поданным на А, в следующем такте времени активировал соответствующие элементы матрицы Р, которые в следующем такте времени вытормаживали соответствующие элементы матрицы A. Далее программно осуществлялось поэлементное сравнение содержимого матрицы A, которое оставалось после вытормаживания, с содержимым матрицы С. Если количество активных элементов, оставшихся в А, не превышало исходно указанного числа, то символ считался распознанным.
Для выявления незнакомых образов существенную роль играло значение величины расхождения между образом, воспроизведенном в памяти, и образом, подаваемым на матрицу А от С. Значение расхождения исходно устанавливалось оператором. При условии, если оно было небольшим (1–2 активных элемента, незаторможенных в матрице А элементами матрицы Р), модель распознавала образы, отличающиеся друг от друга на малое число элементов. При увеличении значения расхождения про