شبکه عصبی مصنوعی زبان باز می‌کند
محققان ایتالیایی شبکه عصبی مصنوعی را طراحی کرده‌اند که بدون هیچ کدگذاری یا اطلاعات پیش‌فرض و در واقع در روند تعامل با انسان، یاد می‌گیرد که صحبت کند.
به گزارش گروه علم و فناوری آنا، چند سالی است که غول‌های فناوری مثل گوگل خود را درگیر مباحث مهمی مثل شبکه سلولهای عصبی مصنوعی کرده است. شرکتی مثل گوگل که با حجم غیرقابل باوری از داده و اطلاعات سروکار دارد و باید این حجم اطلاعات را تحلیل و سپس رده‌بندی کند، بهترین کار این است که سیستمی شبیه به مغز انسان داشته باشد تا سریع و دقیق این فرآیندها را انجام دهد.
شبکه عصبی مصنوعی دقیقا همان چیزی است که گوگل نیاز دارد. حال محققان دانشگاه ساساری و پلیموث در ایتالیا مدلی از یک شبکه مصنوعی را ابداع کرده‌اند که بدون داشتن هیچ دانش پیش‌فرضی می‌تواند صحبت کند.
محققان این شبکه را با اتصال بیش از دو میلیون نورون مصنوعی ساخته‌اند. این مدل «شبکه عصبی مصنوعی با بهره‌برداری از رفتار سازگار برای یادگیری زبان» یا به صورت مختصر «آنابل» نام دارد و محققان امیدوارند که آنابل بتواند به فرآیندهای شناختی که زیربنای توسعه زبان است، کمک کند.
جالب اینجاست که آنابل هیچ دانش از پیش کدگذاری‌‌شده‌ای برای یادگیری زبان ندارد اما با اتصالات عصب‌های مغزی مصنوعی و عملکرد مغزگونه‌ای که دارد، بعد از تعامل با مخاطب انسان یاد می‌گیرد که صحبت کند. محققان در این مورد گفتند: «این سیستم زبان طبیعی را از «لوح رسا» شروع می‌کند و بدون داشتن هیچ دانش پیش‌فرض از ساختار جمله، معنای کلمات یا نقش کلمات در جمله قادر به یادگیری ارتباط با انسان است و در فرآیند تعامل با انسان می‌تواند تعامل متنی برقرار کند».
لوح رسا یا Tabula rasa اشاره به ایده معرفت شناختی دارد که انسان بدون داشتن محتوای ذهنی و در نتیجه تمام دانش به دنیا می‌آید و در نتیجه هیچ درک و تجربه‌ای ندارد. طرفداران لوح سفید به طور کلی با دکترین نظریه فطرت که می‌گوید انسان با ذهنی شامل دانش خاص متولد می‌شود، اختلاف نظر دارند.
محققان همچنین می‌گویند: «این سیستم همچنین می‌تواند اسم، فعل، صفت، ضمایر و حروف اضافه را یاد بگیرد و آنها را در زبان بیانی استفاده کند».
آنابل با دو مکانیزم عملکردی قادر به یادگیری است: یکی پلاستیسیته سیناپسی و دیگری مدخل عصبی که هر دو این مکانیزم‌ها در حال حاضر در مغز انسان وجود دارند. پلاستیسیته سیناپسی به قابلیت مغز برای افزایش کارآیی در زمانی که ارتباط میان دو نورون به طور همزمان شکل می‌گیرد، برمی‌گردد و منجر به یادگیری و به خاطرسپاری می‌شود.
مکانیزم مدخل عصبی با مدوله کردن نورون‌ها، نقش مهمی را در کورتکس مغز ایفا می‌کند. این مکانیز شبیه به سوئیچ عمل می‌کند و کلید رفتارهای خاص را روشن و خاموش می‌کند. زمانی که کلید روشن است، یک سیگنال منتقل می‌شود و زمانی که خاموش است، مانع انتقال سیگنال می‌شود. آنابل با استفاده از این مکانیزم‌ها قادر به یادگیری است و جریان اطلاعات واردشده به این سیستم در مناطق مختلف سیستم کنترل می‌شود.
محققان می‌گویند: «نتایج نشان می‌دهد که در مقایسه با مدل‌های عصبی شناختی که قبلا طراحی شدهاند، فقط آنابل است که می‌تواند با استفاده از این مکانیزم یاد بگیرد و در شرایط شروع از یک لوح سفید، طیف وسیعی از کارها را انجام دهد».
شبکه عصبی مصنوعی چیست؟
شبکه‌های عصبی مصنوعی (Artificial Neural Network - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده.
ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است.
این سیستم از تعداد زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپسها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلولها می‌توانند نبود آن را جبران کرده و نیز در بازسازی آن سهیم باشند.
این شبکه‌ها قادر به یادگیریاند. مثلاً با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونه‌ای تغییر می‌کند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند.
توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‌ای از عناصر پردازش ساده (نورون‌ها) است که می‌تواند رفتار پیچیده کلی تعیین شدهای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد.
منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورون‌ها (آکسونها، شاخه‌های متعدد سلولهای عصبی و محل‌های تماس دو عصب) نشأت گرفته‌است که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می‌دهد.
در یک مدل شبکه عصبی، گرههای ساده -به طور گسترده نورون، نئورون‌ها، PEها (عناصر پردازش)- یا واحدها برای تشکیل شبکه‌ای از گرهها، به هم متصل شدهاند به همین دلیل به آن «شبکه‌های عصبی» اطلاق می‌شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن به واسطه الگوریتم‌هایی امکان‌پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد.
با استفاده از دانش برنامه‌نویسی کامپیوتری می‌توان ساختار داده‌ای طراحی کرد که همانند یک نورون عمل کند. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد.
گزارش: نسترن صائبی
انتهای پیام/
