Описание проекта

Задача, стоящая перед российскими учёными, инженерами, конструкторами и технологами промышленных предприятий – создание беспилотных летательных аппаратов с искусственным интеллектом нового поколения [1].

Одним из главных недостатков традиционных глубоких нейронных сетей (ГНС), которые, в частности, применяются для управления беспилотниками, является проблема ошибок, являющихся неизбежными спутниками искусственного интеллекта (ИИ). В отличие от человека, для ГНС всегда существует вероятность непредвиденных, ничем не обусловленных случайных ошибок в системах распознавания. Эти недостатки не позволяют использовать нейронные сети в критических областях, связанных с безопасностью и здоровьем людей. Этот фактор особенно важен также для использования ИИ в работе беспилотных летательных аппаратов. Главной причиной таких ошибок является то, что численная информация, которая обрабатывается с помощью ГНС не имеет прямой связи со смысловым содержанием той информации, которая в них обрабатывается [3].

Кроме того, традиционные ГНС основаны на применении математических операций с действительными числами, включая операции дифференцирования функций. Это приводит к необходимости использования больших компьютерных ресурсов, использованию графических ускорителей и очень большим временам обучения. Поэтому подход ГНС неприемлем для построения встраиваемых систем глубокого обучения.

Научным руководителем нашей организации был разработан новый математический аппарат пятен, который представляет собой метод логической обработки информации и не использует численных методов, в отличие от нейронных сетей ГСН. Аппарат модели пятен позволяет создавать обучаемые нейронные сети нового типа, которые основаны на новой модели нейрона. Особенностью этой новой модели является то, что каждый нейрон в сети осуществляет логические операции, которые аналогичны элементарным рассуждениям. Поэтому такие нейронные сети относятся к категории объяснимого ИИ и их применение решит проблему надежности в процессе принятия решений для встраиваемой системы управления беспилотников.

Преимуществом применения нейронных сетей нового типа, по сравнению с существующими ГНС состоит в том, что они проще и надежнее в работе и генерируют непредвиденные случайные ошибки и артефакты при распознавании объектов в видеоизображениях видеокамер беспилотников. Кроме того, на базе этого аппарата разработаны алгоритмы обработки изображений, позволяющие существенно подавлять шумы и выделять объекты в сильно зашумленных изображениях, что повысит возможности распознавания объектов наблюдения беспилотниками в неблагоприятных условиях.

Другим преимуществом разработанного математического аппарата по сравнению с ГНС является тот факт, что этот аппарат основан на логической обработке информации, и в нем исключаются математические операции с действительными числами, которые связаны с потреблением больших машинных ресурсов [4]. Поэтому реализация нейронных сетей нового типа возможна для небольших встраиваемых устройств глубокого обучения.

Разработанный математический аппарат легко поддается кодировке булевыми функциями, которые можно использовать в программном обеспечении (ПО) для нейроморфных устройств. Такое ПО будет выполнять только логические операции, а сложные численные расчеты в процессе обучения будут исключены. Реализация подобных нейроморфных устройств возможна как с использованием программируемых пользователем вентильных матрицах (ППВМ), так и на кроссбарах элементов памяти или мемристоров, произведенных с использованием нанотехнологии.

Предложенный математический аппарат основан на использовании логических матриц, которые называются логическими L4 числами и применяются вместо действительных чисел. Алгоритмы, написанные с помощью этого аппарата, позволяют моделировать образное представление семантической информации и образное мышление человека. Действительно, они имитируют рассуждения различных категорий, включая дедукцию, индукцию, абдукцию и немонотонные рассуждения [5]. Поэтому применение и дальнейшая разработка этого аппарата соответствует задаче создания сильного ИИ.

Было продемонстрировано [6], что разработанный математический аппарат позволяет, например, производить реконструкцию изображений компьютерной томографии (КТ) по данным сильно зашумленных сигналов проекций (синограмм) КТ сканнера и демонстрирует существенное шумоподавление. Для сравнения, реконструкция КТ изображения традиционным алгоритмом (обратной проекции с фильтром Ханна) с использованием тех же зашумленных данных значительно более чувствительна к их шумам, что обуславливает большой уровень шума КТ изображений [3].

Обращает на себя внимание, что в последнее время, имена некоторых учёных, которые занимались разработкой вычислительной когнитивной модели ментальных образов для ее применения в ИИ, исчезли из публикаций в научных журналах. Например, это относится к немецкому ученому J.F. Sima [7], [8]. Так как целью когнитивной модели ментальных образов является создание на этой основе сильного ИИ [7], то факт отсутствия дальнейших публикаций можно объяснить пониманием на западе стратегической важности исследований в этом направлении и, как следствие, – засекречиванием результатов продолжения этих работ. Отметим, что модель и аппарат пятен также формируют когнитивную модель ментальных образов и поэтому исследования в этой области способствуют созданию сильного ИИ.

Разработка сильного ИИ на аппарате пятен и реализация его на уровне микросхем, позволит создавать распределённые системы принятия решений для групп БПЛА, что сильно повысит эффективность их применения.

Ссылки

1. Матюха С.В. Исскуственный интеллект в беспилотных авиационных системах // Транспортное дело России. 2022. №1. – С. 8-11.
2. Матюха, С.В. Анализ перспективы использования беспи­лотных летательных аппаратов в авиаперевозках / С.В. Матюха // Транспортное дело России. − 2021. − № 3. − С. 26-27.

1. Simonov N.A. Development of a mathematical apparatus with an imagery representation of information for neuromorphic systems. // Russian Microelectronics. 2023. Vol. 52, No. 6, Suppl. 1, pp. S158–S161.
2. Simons, T. and Lee, D.J., 2019. A review of binarized neural networks. Electronics, Vol. 8, No. 6, 661.
3. Simonov N.A., Rusalova M.N. Mental imagery representation by model of spots in psychology // Natural Systems of Mind. 2023. Vol. 3, No. 1, pp. 4-22.
4. Simonov N.A. Application of the model of spots for inverse problems. // Sensors. 2023. Vol. 23, No. 3, 1247.
5. Sima J.F., Freksa C. Towards computational cognitive modeling of mental imagery: The attention-based quantification theory // KI-Künstliche Intelligenz. 2012. Vol. 26, pp. 261-267.
6. Sima, J.F., 2014. A computational theory of visuo-spatial mental imagery. (Doctoral dissertation, Universität Bremen).

Участник «Сколково» ОРН 1125564

Пульс