Продукты синергии в изучении мозга и глубоких нейронных сетей

1. Что такое обучение глубокой нейронной сети
Интеллект - наша способность выучить соответствующие реакции на новые стимулы и ситуации. Последний теоретические идеи позволили предварительно понять, как животные учатся представлять и запомнить основные функции сенсорных стимулов для руководства действиями, и как это обучение может действовать методом проб и ошибок.
Глубокое обучение — это метод машинного обучения. Глубокое обучение позволяет обучать модель предсказывать результат по набору входных данных. Для обучения сети можно использовать как контролируемое, так и неконтролируемое обучение.
Глубокие нейронные сети преобразуют стимулы на нескольких этапах обработки в создании представлений, которые могут быть использованы для решения сложных задач, таких как распознавание объектов в изображениях.
Сложность биологических нейронных сетей существенно превышает сложность глубоких нейронных сетей, что делает еще более сложным понимание того, как происходит процесс их обучения.
Концепции и методы анализа данных, разработанные вычислительными средствами нейробиологии, могут быть полезны для анализа представлений в глубоких нейронных сетях, и в свою очередь, как недавно разработанные методы анализа глубоких нейронных сетей могут быть полезны для понимания представления о процессах в биологических нейронных сетях. [4]
2. Возникновение идеи
Нейробиология находится в разгаре технологической трансформации, что позволило исследовать структуру и функции нейронных цепей в беспрецедентном масштабе и разрешении. Электрофизиологические технологии и средства визуализации позволили регистрировать активность сотен нейронов одновременно, эти достижения открыли возможности для дальнейших эмпирических исследований. [1]
3. Суть технологии (идеальная модель функционирования, ради которой началась разработка технологии)
Нейронная сеть содержит взаимосвязанные нейроны. Нейроны сгруппированы в три различных типа слоев:
входной слой;
скрытый слой (слои);
выходной слой.
Входной слой принимает входные данные

. Входной уровень передает эти данные в первый скрытый слой.
Скрытые слои выполняют математические вычисления со входными данными. Одна из задач при создании нейронных сетей — определение количества скрытых слоев и нейронов на каждом слое.
Слово «глубина» в термине «глубокое обучение» означает наличие более чем одного скрытого слоя.
Выходной слой выдает результат. [2]
Рисунок 1. Анализ рецептивного поля нейронных фильтров из DNN, известного как VGG-M.
Схема сети VGG-M иллюстрирует, как последовательно обрабатывается входное изображение обрабатывается через банки сверхточных (conv 1-5) фильтров, за которыми следует серия слоев (fc 6-8), пока, наконец, не получается результат в качестве выходного изображения. Рецептивные поля (снизу) для каждого слоя рассчитываются с использованием максимизации активации. Рецептивные поля становятся все более сложными, причем более ранние единицы имеют ребристую структуру, промежуточные слои, реагирующие на сложные текстуры, и конечный слой, реагирующий на объектно-подобные изображения. Не всегда удается найти семантически значимое описание восприимчивого поля для промежуточных слоев. [4]
4. Ожидаемые преимущества
Исследования глубоких нейронных сетей позволяют обеспечивать полный экспериментальный доступ для исследования биологических нейронных сетей. Следовательно, многие методы анализа глубоких нейронных сетей могут использовать информацию, которая сейчас недоступна в исследования в области неврологии.
Исследования глубоких нейронных сетей могут служить идеализированными модельными системами, которые могут позволить исследователям быстро разрабатывать, тестировать и применять новые методы анализа данных на моделях, которые могут решить сложные задачи сенсорной обработки. [3]
5. Прошедшие этапы развития с кратким описанием ключевых статей или разработок, повлиявших на развитие
Модель искусственного нейрона была предложена Уорреном МакКаллоком (Warren McCulloch) и Уолтером Питтсом (Walter Pitts) в 1943