Описание проекта

Мы разработали математический аппарат и когнитивную модель, которые позволяют решать различные задачи ИИ, включая обучение и рассуждения, применяя образное представление семантической (смысловой) информации, то есть в той форме, в которой мыслит человек. Этот аппарат не использует обычные действительные числа, а использует 2х2 логические матрицы, которые были названы логическими L4 числами. На базе этого аппарата была предложена новая концепция образно-логических нейронных сетей, в которых каждый нейрон осуществляет акт элементарных рассуждений, суммируя которые вся сеть может решать сложные задачи, используя обучение и рассуждения. 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. Таким образом, образно-логические нейронные сети относятся к классу объяснимого ИИ, и их преимуществом является то, что они гораздо надежнее существующих нейронных сетей, в них исключена возможность проявления опасного недостатка существующих нейронных сетей — вероятности генерации неожиданных, глупых, ничем не обусловленных и неустранимых ошибок. 

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 . 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.

Было продемонстрировано, что разработанный математический аппарат позволяет, производить реконструкцию изображений компьютерной томографии (КТ) по данным сильно зашумленных сигналов проекций (синограмм) КТ сканнера и демонстрирует существенное шумоподавление при низких дозах облучения. 

Мы уверены, что задача развития направления образно-логических нейронных сетей имеет стратегическое значение, которое позволит получить нашей стране неоспоримое конкурентное преимущество применения ИИ как в военной, так и в гражданской сферах.

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. 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

Презентации

Разработка образно-логических нейронных сетей

Пульс