ریپورتر
27th June 2009, 11:07 AM
http://roshd.ir/portals/0/0and1/NewSci/pictu-014-01.jpg
آيا تاكنون به فرآيند فكر كردن خود فكر كرده‌ايد؟ يا اين‌كه چه‌طور چيز جديد ياد مي‌گيريد؟ يا حتا اين‌كه چه‌طور مي‌توانيد بعد از گذشت چند سال چهره‌ي هم‌كلاسي‌ها‌ي دبستان خود را بشناسيد؟ يا چه‌طور مي‌توانيد دست‌خط آدم‌هاي مختلف با تمام تفاوت‌هاي ميان خط‌هايشان را به‌راحتي بخوانيد؟(البته به‌جز دست‌خط پزشك‌ها!)
پاسخ تمام اين پرسش‌ها در نحوهي كاركرد مغز نهفته است. قدرت شگفت‌انگيز مغز به‌خاطر وجود تعداد زيادي
نُرُن (Nuron) در آن و ارتباط ميان نُرُن‌ها است. اين نُرُن‌ها اصولاً با سازوكارهاي الكتروشيميايي اطلاعات را منتقل مي‌كنند.
مغز انسان حدود 10 ميليارد سلول عصبي (نُرُن) دارد. هر نُرُن با ديگر نُرُن‌ها به‌طور ميانگين از طريق 10000 سيناپس(synapses) ارتباط دارند. شبكه‌ي سلول‌هاي عصبي در مغز يك سامانه‌ي بزرگ پردازش اطلاعات موازي تشكيل مي‌دهند. اين بر خلاف نحوهي كاركرد رايانه‌هاست كه در آن‌ها يك پردازش‌گر به‌طور منفرد مجموعه‌اي از دستور‌العمل‌ها را انجام مي‌دهد.
هوش‌مند
آموزش پذير
روش محاسبه
سرعت پردازش
انرژي مصرفي
اندازه‌ي عنصر
عناصر پردازش‌گر
http://roshd.ir/portals/0/0and1/NewSci/pictu-014-04.gif
اغلب
بله
موازي،توزيعي
100هرتز
30 وات
6 -10 متر
1014سيناپس
http://roshd.ir/portals/0/0and1/NewSci/pictu-014-05.gif
تاكنون نه
بسيار كم
متوالي،مركزي
109 هرتز
30 وات(cpu)
6 -10 متر
108 ترانزيستور
همان‌طور كه كامپيوتر براي پردازش اطلاعات از روش پردازش اطلاعات در حافظه‌ي انسان مدل برداري كرد، فناوري نوين شبكههاي عصبي مصنوعي ساختار محاسباتيِ موازي مغز او را مدل مي‌كند.
درسال 1943 دو پژوهش‌‌‌گر به نام‌هاي وارن مك كالچ Waren Mc Culloch و والتر پيتز Waltter Pitts مقاله‌اي در مورد شبكههاي عصبي نوشتند. اين مقاله نخستين جرقه‌ي طراحي شبكههاي عصبي مصنوعي بود.
از آن زمان تاكنون انواع گوناگوني از شبكه‌ها به‌وجود آمده‌اند ولي همه‌ي آن‌ها در دو چيز مشترك‌اند: مجموعه‌اي از گره‌ها و رابطه‌هاي ميان گره‌ها. گره‌ها مي‌توانند به عنوان واحدهاي محاسبات در نظر گرفته شوند. ورودي‌ها به آن‌ها وارد مي‌شوند و پردازش مي‌شوند تا در نهايت يك خروجي به‌دست آيد. اين پردازش‌ها ممكن است بسيار ساده باشند (مانند جمع زدن ورودي‌ها) يا كاملاً پيچيده باشند (يك گره شامل يك شبكه‌ي ديگر باشد...). رابطه‌هاي ميان گره‌ها اطلاعات جاري ميان گره‌ها را تعيين مي‌كنند. تعامل ميان گره‌ها به‌وسيله‌ي اين رابطه‌ها منجر به يك رفتار سراسري در شبكه مي‌شود كه آن‌را برآيند مي‌نامند(چيزي شبيه كاركرد شبكه‌ي عصبي مغز!).
نُرُن‌هاي زيستي پيام (سيگنال)هايي از ميان سيناپس‌هايي كه روي دندريت‌ها يا روي غشاي سلول عصبي جاي گرفته‌اند، دريافت مي‌كنند. وقتي كه پيام‌هاي دريافتي به‌اندازه‌ي‌كافي قوي باشند (يعني از يك حد آستانه قوي‌تر باشند.) نُرُن فعال مي‌شود يك پيام به اكسون مي‌فرستد. اين پيام به سيناپس ديگري فرستاده مي‌شود و نُرُن ديگري را فعال مي‌كند.
شبكههاي عصبي مصنوعي تنها بخش كوچكي از ويژگي‌هاي شبكههاي عصبي زيستي (طبيعي) را شبيه‌سازي مي‌كنند. در واقع از ديد متخصصان اين رشته هدف از ايجاد يك شبكه‌ي عصبي نرم‌افزاري ايجاد يك سازوكار براي حل مسايل مهندسي با الهام از الگوي رفتاري شبكههاي زيستي است.
http://roshd.ir/portals/0/0and1/NewSci/pictu-014-03.jpg
ساختار نُرُن‌هاي مدل‌شده خيلي ساده‌تر از مشابه طبيعي‌شان است. آن‌ها اساساً شامل ورودي‌هايي (مانند سيناپس) هستند كه در وزن نُرُن ضرب مي‌شوند (قدرت هر سيگنال) وسپس به‌وسيله‌ي يك تابع رياضي كه فعاليت نُرُن را تعيين مي‌كند محاسبه مي‌شوند. تابع ديگري (كه ممكن است تابع هماني باشد) خروجي‌هاي نُرُن مصنوعي را محاسبه مي‌كنند. در نهايت براي پردازش اطلاعات شبكههاي عصبي نتايج نُرُن‌هاي مصنوعي را با هم تلفيق مي‌كنند.
هرچه قدرت ورودي بيشتر باشد وزن نُرُن مصنوعي بيشتر خواهد بود و برعكس. با تغيير و درنهايت تعديل وزن‌هاي يك سلول عصبي مي‌توانيم براي يك ورودي‌ِ مشخص، خروجيِ دل‌خواه را به‌دست‌آوريم. ولي وقتي شبكه‌ي عصبي شامل صدها يا هزاران نُرُن باشد تغيير وزن نُرُن‌ها بدون ابزار بسيار پيچيده و شايد ناممكن باشد. فرآيند تطبيق وزن‌ها آموزش يا يادگيري ناميده مي‌شود. شبكههاي مصنوعي و كاربردهاي آن‌ها بسيار متنوع است. تفاوت ميان آن‌ها از تفاوت ميان توابع آن‌ها، مقادير پذيرفته شده، توپولوژي، و الگوريتم يادگيري و... ناشي مي‌شود.
شبكه‌ها در مسايل متنوعي از شناخت الگوي فكر كردن گرفته تا تفسير توالي نوكلئوتيدها، طبقه‌بندي سرطان‌ها ، پيش‌بيني ژنتيك و حتا در تحليل داده‌هاي استخراج نفت و هواشناسي به‌كار مي‌آيند.
شبكه‌ها براي مدل‌سازي طيف گسترده‌اي از پديده‌ها در فيزيك، علوم كامپيوتر، بيوشيمي، كردارشناسي (Ethology)، رياضي، جامعه‌شناسي، اقتصاد، ارتباط‌هاي دور‌برد، و بسياري ديگر از زمينه‌ها استفاده مي‌شود. استفاده‌ي گسترده از اين زمينه‌ي جديد دانش و فناوري به اين دليل است كه به بسياري از سامانه‌ها مي‌توان به مثابه يك شبكه نگريست. پروتئين‌ها، كامپيوتر‌ها، جوامع و ... نمونه‌هايي از اين سامانه‌ها هستند. كمي فكر كنيد. چه سامانه‌هاي ديگري را مي‌توانيد به عنوان شبكه نام ببريد؟ چرا؟
سامانه‌هاي عصبي كجا به كار مي‌آيند؟
- جايي كه نمي‌توانيم يك راه‌حل را به صورت الگوريتم فرمول‌بندي كنيم.
- جايي كه تنها مي‌توانيم مثال‌هاي متعدد ومتنوعي از رفتاري كه نيازمنديم به‌دست‌آوريم.
- وقتي كه نياز داريم كه ساختار را از داده‌هاي موجود انتزاع كنيم.
- درحل مسايلي كه شامل اطلاعات و ورودي‌هاي ناقص يا نادرست هستند.
برخي از كاربردهاي مهم اين زمينه از دانش و فناوري در ادامه مي‌آيد. در اغلب اين كاربردها ممكن است الگوريتمي ناشناخته براي حل مسئله وجود داشته باشد يا اين‌كه متغيرهاي زيادي داشته باشد. در هر حال به‌تر است كه اجازه دهيم شبكه آن را از طريق مثال بياموزد!
پردازش علايم: شامل ريخت‌شناسي و تجزيه وتحليل علايم مربوط به زمين‌لرزه‌هاشناسايي الگوها (Pattern recognition): شامل تشخيص چهره، اثر انگشت، تشخيص نوع صدا و نوع صحبت كردن، دست‌خط و...
به‌عنوان مثال از اين سازوكار در بانك‌ها در مقايسه‌ي امضاي شخص مراجعه كننده براي دريافت وجه از يك حساب و امضايي كه در پرونده‌ي حساب ثبت شده‌است استفاده مي‌شود. اين يكي از نخستين كاربردهاي فراگير تراشه‌هاي شبكههاي عصبي است.
پزشكي(Medicine): در تجزيه وتحليل وتشخيص علايم دست‌گاه ضربان‌نگار قلب (الكتروكارديوگراف)، ونيز شبكه‌ي آموزش‌ديده‌اي كه مي‌تواند بيماري را تشخيص دهد و حتا دارو نيز تجويز كند.
كاربردهاي تجاري: انجام هرگونه تصميم‌گيري كه در دنياي تجارت به سهولت انجام پذير نيست، مثلاً تصميم‌گيري‌هايي كه نياز به اطلاعات وسيعي در محدوده‌ي هدف مورد نظر دارند. مثلاً در تلاش براي پيش‌بيني نوسانات سهام ازروي اطلاعات قبلي در بورس از شبكه‌ها به‌وفور استفاده مي‌شود.
هوش مصنوعي: بسياري از كارشناسان هوش مصنوعي معتقدند شبكههاي عصبي مصنوعي بهترين وشايد تنها اميد طراحي يك ماشين هوش‌مند هستند.
فشرده‌كردن اطلاعات تصويري براي كاهش حجم اطلاعاتحذف نُفه (Noise) در خطوط مخابراتيسيستم‌هاي نظامي: شامل رديابي مين‌هاي زيردريايي، حذف صداهاي ناهنجار در سيستم‌هاي رديابي رادارها و...در ساخت و بهره‌برداري سازه‌هاي ساختماني: به دليل سرعت زياد شبكههاي عصبي در پردازش و تحليل داده‌ها زمان مورد نياز براي كشف سازه‌ي بهينه كاهش مي‌يابد.
در بازاريابي: شبكه‌ها براي فروش بيشتر و گزيده‌تر در تبليغات اينترنتي استفاده مي‌شوند.در ديده‌باني و بررسي (In Monitoring) : به‌عنوان مثال با بررسي ترازهاي صوتي كه از فضاپيماها مخابره مي‌شود خطر‌هاي پيش روي فضاپيما پيش‌بيني مي‌شود. اين روش در ريل‌ها براي بررسي صداهاي توليد شده از موتورهاي ديزلي نيز آزموده شده است.
منبع:www.roshd.ir
آيا تاكنون به فرآيند فكر كردن خود فكر كرده‌ايد؟ يا اين‌كه چه‌طور چيز جديد ياد مي‌گيريد؟ يا حتا اين‌كه چه‌طور مي‌توانيد بعد از گذشت چند سال چهره‌ي هم‌كلاسي‌ها‌ي دبستان خود را بشناسيد؟ يا چه‌طور مي‌توانيد دست‌خط آدم‌هاي مختلف با تمام تفاوت‌هاي ميان خط‌هايشان را به‌راحتي بخوانيد؟(البته به‌جز دست‌خط پزشك‌ها!)
پاسخ تمام اين پرسش‌ها در نحوهي كاركرد مغز نهفته است. قدرت شگفت‌انگيز مغز به‌خاطر وجود تعداد زيادي
نُرُن (Nuron) در آن و ارتباط ميان نُرُن‌ها است. اين نُرُن‌ها اصولاً با سازوكارهاي الكتروشيميايي اطلاعات را منتقل مي‌كنند.
مغز انسان حدود 10 ميليارد سلول عصبي (نُرُن) دارد. هر نُرُن با ديگر نُرُن‌ها به‌طور ميانگين از طريق 10000 سيناپس(synapses) ارتباط دارند. شبكه‌ي سلول‌هاي عصبي در مغز يك سامانه‌ي بزرگ پردازش اطلاعات موازي تشكيل مي‌دهند. اين بر خلاف نحوهي كاركرد رايانه‌هاست كه در آن‌ها يك پردازش‌گر به‌طور منفرد مجموعه‌اي از دستور‌العمل‌ها را انجام مي‌دهد.
هوش‌مند
آموزش پذير
روش محاسبه
سرعت پردازش
انرژي مصرفي
اندازه‌ي عنصر
عناصر پردازش‌گر
http://roshd.ir/portals/0/0and1/NewSci/pictu-014-04.gif
اغلب
بله
موازي،توزيعي
100هرتز
30 وات
6 -10 متر
1014سيناپس
http://roshd.ir/portals/0/0and1/NewSci/pictu-014-05.gif
تاكنون نه
بسيار كم
متوالي،مركزي
109 هرتز
30 وات(cpu)
6 -10 متر
108 ترانزيستور
همان‌طور كه كامپيوتر براي پردازش اطلاعات از روش پردازش اطلاعات در حافظه‌ي انسان مدل برداري كرد، فناوري نوين شبكههاي عصبي مصنوعي ساختار محاسباتيِ موازي مغز او را مدل مي‌كند.
درسال 1943 دو پژوهش‌‌‌گر به نام‌هاي وارن مك كالچ Waren Mc Culloch و والتر پيتز Waltter Pitts مقاله‌اي در مورد شبكههاي عصبي نوشتند. اين مقاله نخستين جرقه‌ي طراحي شبكههاي عصبي مصنوعي بود.
از آن زمان تاكنون انواع گوناگوني از شبكه‌ها به‌وجود آمده‌اند ولي همه‌ي آن‌ها در دو چيز مشترك‌اند: مجموعه‌اي از گره‌ها و رابطه‌هاي ميان گره‌ها. گره‌ها مي‌توانند به عنوان واحدهاي محاسبات در نظر گرفته شوند. ورودي‌ها به آن‌ها وارد مي‌شوند و پردازش مي‌شوند تا در نهايت يك خروجي به‌دست آيد. اين پردازش‌ها ممكن است بسيار ساده باشند (مانند جمع زدن ورودي‌ها) يا كاملاً پيچيده باشند (يك گره شامل يك شبكه‌ي ديگر باشد...). رابطه‌هاي ميان گره‌ها اطلاعات جاري ميان گره‌ها را تعيين مي‌كنند. تعامل ميان گره‌ها به‌وسيله‌ي اين رابطه‌ها منجر به يك رفتار سراسري در شبكه مي‌شود كه آن‌را برآيند مي‌نامند(چيزي شبيه كاركرد شبكه‌ي عصبي مغز!).
نُرُن‌هاي زيستي پيام (سيگنال)هايي از ميان سيناپس‌هايي كه روي دندريت‌ها يا روي غشاي سلول عصبي جاي گرفته‌اند، دريافت مي‌كنند. وقتي كه پيام‌هاي دريافتي به‌اندازه‌ي‌كافي قوي باشند (يعني از يك حد آستانه قوي‌تر باشند.) نُرُن فعال مي‌شود يك پيام به اكسون مي‌فرستد. اين پيام به سيناپس ديگري فرستاده مي‌شود و نُرُن ديگري را فعال مي‌كند.
شبكههاي عصبي مصنوعي تنها بخش كوچكي از ويژگي‌هاي شبكههاي عصبي زيستي (طبيعي) را شبيه‌سازي مي‌كنند. در واقع از ديد متخصصان اين رشته هدف از ايجاد يك شبكه‌ي عصبي نرم‌افزاري ايجاد يك سازوكار براي حل مسايل مهندسي با الهام از الگوي رفتاري شبكههاي زيستي است.
http://roshd.ir/portals/0/0and1/NewSci/pictu-014-03.jpg
ساختار نُرُن‌هاي مدل‌شده خيلي ساده‌تر از مشابه طبيعي‌شان است. آن‌ها اساساً شامل ورودي‌هايي (مانند سيناپس) هستند كه در وزن نُرُن ضرب مي‌شوند (قدرت هر سيگنال) وسپس به‌وسيله‌ي يك تابع رياضي كه فعاليت نُرُن را تعيين مي‌كند محاسبه مي‌شوند. تابع ديگري (كه ممكن است تابع هماني باشد) خروجي‌هاي نُرُن مصنوعي را محاسبه مي‌كنند. در نهايت براي پردازش اطلاعات شبكههاي عصبي نتايج نُرُن‌هاي مصنوعي را با هم تلفيق مي‌كنند.
هرچه قدرت ورودي بيشتر باشد وزن نُرُن مصنوعي بيشتر خواهد بود و برعكس. با تغيير و درنهايت تعديل وزن‌هاي يك سلول عصبي مي‌توانيم براي يك ورودي‌ِ مشخص، خروجيِ دل‌خواه را به‌دست‌آوريم. ولي وقتي شبكه‌ي عصبي شامل صدها يا هزاران نُرُن باشد تغيير وزن نُرُن‌ها بدون ابزار بسيار پيچيده و شايد ناممكن باشد. فرآيند تطبيق وزن‌ها آموزش يا يادگيري ناميده مي‌شود. شبكههاي مصنوعي و كاربردهاي آن‌ها بسيار متنوع است. تفاوت ميان آن‌ها از تفاوت ميان توابع آن‌ها، مقادير پذيرفته شده، توپولوژي، و الگوريتم يادگيري و... ناشي مي‌شود.
شبكه‌ها در مسايل متنوعي از شناخت الگوي فكر كردن گرفته تا تفسير توالي نوكلئوتيدها، طبقه‌بندي سرطان‌ها ، پيش‌بيني ژنتيك و حتا در تحليل داده‌هاي استخراج نفت و هواشناسي به‌كار مي‌آيند.
شبكه‌ها براي مدل‌سازي طيف گسترده‌اي از پديده‌ها در فيزيك، علوم كامپيوتر، بيوشيمي، كردارشناسي (Ethology)، رياضي، جامعه‌شناسي، اقتصاد، ارتباط‌هاي دور‌برد، و بسياري ديگر از زمينه‌ها استفاده مي‌شود. استفاده‌ي گسترده از اين زمينه‌ي جديد دانش و فناوري به اين دليل است كه به بسياري از سامانه‌ها مي‌توان به مثابه يك شبكه نگريست. پروتئين‌ها، كامپيوتر‌ها، جوامع و ... نمونه‌هايي از اين سامانه‌ها هستند. كمي فكر كنيد. چه سامانه‌هاي ديگري را مي‌توانيد به عنوان شبكه نام ببريد؟ چرا؟
سامانه‌هاي عصبي كجا به كار مي‌آيند؟
- جايي كه نمي‌توانيم يك راه‌حل را به صورت الگوريتم فرمول‌بندي كنيم.
- جايي كه تنها مي‌توانيم مثال‌هاي متعدد ومتنوعي از رفتاري كه نيازمنديم به‌دست‌آوريم.
- وقتي كه نياز داريم كه ساختار را از داده‌هاي موجود انتزاع كنيم.
- درحل مسايلي كه شامل اطلاعات و ورودي‌هاي ناقص يا نادرست هستند.
برخي از كاربردهاي مهم اين زمينه از دانش و فناوري در ادامه مي‌آيد. در اغلب اين كاربردها ممكن است الگوريتمي ناشناخته براي حل مسئله وجود داشته باشد يا اين‌كه متغيرهاي زيادي داشته باشد. در هر حال به‌تر است كه اجازه دهيم شبكه آن را از طريق مثال بياموزد!
پردازش علايم: شامل ريخت‌شناسي و تجزيه وتحليل علايم مربوط به زمين‌لرزه‌هاشناسايي الگوها (Pattern recognition): شامل تشخيص چهره، اثر انگشت، تشخيص نوع صدا و نوع صحبت كردن، دست‌خط و...
به‌عنوان مثال از اين سازوكار در بانك‌ها در مقايسه‌ي امضاي شخص مراجعه كننده براي دريافت وجه از يك حساب و امضايي كه در پرونده‌ي حساب ثبت شده‌است استفاده مي‌شود. اين يكي از نخستين كاربردهاي فراگير تراشه‌هاي شبكههاي عصبي است.
پزشكي(Medicine): در تجزيه وتحليل وتشخيص علايم دست‌گاه ضربان‌نگار قلب (الكتروكارديوگراف)، ونيز شبكه‌ي آموزش‌ديده‌اي كه مي‌تواند بيماري را تشخيص دهد و حتا دارو نيز تجويز كند.
كاربردهاي تجاري: انجام هرگونه تصميم‌گيري كه در دنياي تجارت به سهولت انجام پذير نيست، مثلاً تصميم‌گيري‌هايي كه نياز به اطلاعات وسيعي در محدوده‌ي هدف مورد نظر دارند. مثلاً در تلاش براي پيش‌بيني نوسانات سهام ازروي اطلاعات قبلي در بورس از شبكه‌ها به‌وفور استفاده مي‌شود.
هوش مصنوعي: بسياري از كارشناسان هوش مصنوعي معتقدند شبكههاي عصبي مصنوعي بهترين وشايد تنها اميد طراحي يك ماشين هوش‌مند هستند.
فشرده‌كردن اطلاعات تصويري براي كاهش حجم اطلاعاتحذف نُفه (Noise) در خطوط مخابراتيسيستم‌هاي نظامي: شامل رديابي مين‌هاي زيردريايي، حذف صداهاي ناهنجار در سيستم‌هاي رديابي رادارها و...در ساخت و بهره‌برداري سازه‌هاي ساختماني: به دليل سرعت زياد شبكههاي عصبي در پردازش و تحليل داده‌ها زمان مورد نياز براي كشف سازه‌ي بهينه كاهش مي‌يابد.
در بازاريابي: شبكه‌ها براي فروش بيشتر و گزيده‌تر در تبليغات اينترنتي استفاده مي‌شوند.در ديده‌باني و بررسي (In Monitoring) : به‌عنوان مثال با بررسي ترازهاي صوتي كه از فضاپيماها مخابره مي‌شود خطر‌هاي پيش روي فضاپيما پيش‌بيني مي‌شود. اين روش در ريل‌ها براي بررسي صداهاي توليد شده از موتورهاي ديزلي نيز آزموده شده است.
منبع:www.roshd.ir