Самообучение автономного робота с использованием метода компьютерного моделирования высокой детализации КМВД

Авторские публикации некоторых глав книги "Самообучение автономного робота с использованием метода компьютерного моделирования высокой детализации КМВД"

                                         Самообучение автономного робота

  с использованием метода компьютерного моделирования высокой детализации КМВД

                                                       Введение

  Чтобы  понять как  работает  любой механизм  -  нужно   построить  его правильную  модель.

        Со времён Питтса и МакКаллока  (1943 г.) не  пересматривалась модель   нейрона.  Многие считают, что моделью биологического нейрона является сумматор входных сигналов и что синапсы выполняют роль весовых коэффициентов.  И стоит только собрать в одну кучу сто миллиардов таких "сумматоров"  и каким-то  случайным  образом  их  соединить,   как  получится МОЗГ   и он сразу начнёт думать! Причём,  думать  искусственный мозг должен        правильно, а не абы как...       

        В    основные    обязанности    работы   мозга   входит   управление   физиологическими процессами в организме, а не мышление.  Заниматься   наукообразными      рассуждениями   о   том   как  работает    мозг человека и его нервная система - я не буду, таких "философских"    статей,   которые   переписываются   из   одной   книги   в  другую,       достаточно в литературе и интернете.

      Все  животные,  от  насекомых  до  высших  позвоночных,  имеют мозг,   но не все они  обладают  интеллектом.  Однако  у  всех животных есть  замечательное качество - это способность к Обучению.

        Поэтому,  чтобы  понять  как  работает  нервная  система  животного,  нужно  разобраться   на  каких  кибернетических  принципах  работают   нейроны  и  механизмы   обучения,   причём,   совсем   необязательно  копировать все биохимические свойства  биологического нейрона.

        Современные нейросети, построенные из комбинации нейроподобных элементов не способны      решать задачи по моделированию хоть какого-то мышления, а тем более искусственного    интеллекта.

        Вот только основные недостатки нейросетей:

      * При линейном увеличении нейроподобных элементов в сети, её размерности  и количества слоёв, время обучения увеличивается экспоненциально, при этом   результаты улучшаются незначительно.

      * Отсутствует строгий детерминистический подход при создании сетей, поэтому  все нейросети работают по принципу чёрного ящика и что происходит   в нём в процессе обучения никому не известно (стохастизм).

      * Все нейроподобные элементы работают по одному алгоритму, а значит,    изменить в поведении разрабатываемой схемы практически ничего не возможно.

      * Нейроподобная сеть не принимает во внимание задержки во времени, которые      воздействуют на динамику системы (инерционность), поэтому входные сигналы     сразу же формируют выходной сигнал.

      * Забывчивость нейроподобный сетей. Применять нейроподобные элементы  в динамических условиях или механизмах очень сложно. А мыслительные   процессы (для ИИ) являются процессами динамическими, идущими во времени.

      * Нейроподобные сети неспособны выполнять несколько задач одновременно. Например, если одна сеть натренирована распознавать лица людей, то она не сможет  распознавать животных.

      * В основном, нейроподобные сети применяются только для распознавания изображений.

      * Необходимость учителя при обучении, потому как успехи по самообучению,  с применением нейроподобных сетей весьма неочевидны.

      Эти и другие недостатки, по моему убеждению, не позволяют  на основе нейроподобных       сетей разрабатывать модели динамических механизмов и сложных систем, способных      к самообучению. Я уверен, что механизмы обучения могут быть построены только на базе      биологических, динамических моделей, т.е. на принципах, которые свойственны живым       организмам.

      Кроме нейроподобных сетей, для разработки компьютерных моделей есть      современные пакеты визуального моделирования динамических систем. Таких пакетов   очень      много, но все они основаны на пересчёте дифференциальных уравнений.

      Несмотря на распространённость и очевидные достоинства дифференциальных уравнений,     их недостатками при моделировании сложных  динамических систем являются:

      * малая точность,

      * систематическое накопление ошибок,

      * недостаточная наглядность динамических процессов,

      * сложность контроля и управления системой и при увеличении числа   дифференциальных  уравнений,

      * увеличение времени счёта при уменьшении шага интегрирования,

      * дискретность времени, и другие.

      Предварительно рассмотрев несколько пакетов компьютерного моделирования,  я пришёл к выводу, что все они плохо подходят для моделирования "тонких" природных    механизмов в реальном времени. Поэтому, чтобы избавиться от недостатков, которые       свойственны нейроподобным сетям, а также современным пакетам компьютерного       моделирования я разработал новый метод компьютерного моделирования динамических       систем без пересчёта дифференциальных уравнений.

      Метод называется "Метод Компьютерного Моделирования Высокой Детализации"     и выполнен исключительно программным способом с использованием  Универсального      Динамического Элемента (УДЭ или "инкан"), на базе которого могут строиться   сколь угодно сложные динамические модели сложных систем и механизмов. 

      Описание работы Универсального Динамического Элемента (УДЭ) и Метода Компьютерного       Моделирования Высокой Детализации (КМВД) находится в Приложении 1.

      Главным   условием  при  моделировании  нервной  системы  -   должна     быть   возможность    неограниченного    наращивания  элементов  моделируемого   механизма, его модернизации и модификации.

      Все моделируемые  механизмы должны быть достаточно просты и понятны.  Не  должно  быть  моделирования,  построенного  на  дифференциальных   уравнениях.   В  природе  никто  и  ничто  не  занимается пересчётом   дифференциальных уравнений!

      Мозг и нервная система любого животного состоят  из  сотен  тысяч  различных        механизмов.  И  в каждом таком  механизме  нужно  разбираться отдельно.

      Биологи, к сожалению, ещё не  скопировали  ни одной  схемы нервной системы,  по        которой  можно было бы построить её работающую модель. Поэтому я буду строить     собственные модели тех механизмов, которые, по моему  мнению,  могут      работать в живом организме или в роботе. Метод КМВД вполне можно отнести к       природоподобным   технологиям.

      Все  вопросы  будут  рассматриваться  по  отношению механическим роботам,   либо к очень простым животным,  например,   насекомым,  мозг  которых  состоит  не     более чем из десятка тысяч нейронов.

      Практическим результатом этой книги является возможность ознакомить читателя       с разработанным мною новым методом Компьютерного Моделирования Высокой Детализации,      который позволяет решать неограниченный круг задач по кибернетике и динамическому      моделированию. С помощью этого метода я сконструировал много компьютерных моделей      и схем по управлению виртуальным роботом, которые позволяют решать сложные вопросы,      связанные с его управлением и обучением. Кроме того, на основании этих схем,   мною было построено теоретическое обоснование и работающий механизм Самообучения    автономного робота.

      Все механизмы  построены  из  однотипных элементов - инканов, свойства     которых  будут  меняться  в зависимости  от  их  внешних параметров.

      Для качественного моделирования динамических систем необходимо обеспечить

      следующие условия:

      - наглядность   моделируемого   процесса,

      - его управляемость в реальном времени,

      - способность   сохранять   своё   состояние   сколь  угодно  долго,

      - инерционность механизмов,

      - возможность   осуществлять   активирующее  и  тормозящее  влияния,

      - необходимо  свести  все  сложные  функции  к  простым  и  линейным

      (не  должно  быть  "искусственных"  функций синуса, гиперболы и др.)          

      и ещё ряд необходимых свойств и условий...

      В  процессе  разработки  поведения виртуального робота  терминология    и  стиль  изложения сложились исторически, поэтому я решил  их  сохранить и не менять.    Чтобы  не  перегружать  читателя  лишней  информацией и для экономии    времени на чтение, я буду использовать тезисное изложение материала.    Тезис  не  является  догмой,   а  значит,  с  ним  можно  поспорить,    включить фантазию.

      В разных  частях  могут  повторяться  некоторые  абзацы. Это сделано   намеренно,  чтобы  перебросить логический мостик от одного понятия    к другому.     

      Книга предназначена как  для специалистов в области кибернетики, автоматического       управления, так для школьников и студентов, которые  интересуются вопросами    управления роботами и их автономного обучения, поэтому все программы моделирования        написаны  на языке Basic, который является наиболее  демократичным  и  понятным        языком  программирования - как  для  школьника  так и для профессора.

     Кроме того, замечательными качествами языка Basic являются его моментальная       исполнительность  (т.е. без преобразования в ехе файл), а также отсутствие всего       лишнего.