· Сети и системная нейронаука. Временное поведению сигналов в нейронных контурах как биологических, так и искусственных сетей.
Конгресс 1994 года успешно состоялся. После него прошли и другие форумы, нейроинформатика пополнилась новыми приложениями.
Согласно «Постановлению СМ РФ» в 2012 году в нашей стране начаты исследования «искусственных когнитивных систем» (ИКС) трёх типов:
· нейроморфные (подобные организации живой нервной системы),
· кортикоморфные (подобные организации коры головного мозга) искусственные нейросети
· генноморфные (подобные генетическим и эпигенетическим механизмам организмов).
Эти модели реализуются на всех технических средствах (платформах) в виде:
· специализированных систем на базе суперкомпьютеров,
· распределенных систем в глобальных и корпоративных компьютерных сетях,
· автономных технических устройств и роботов,
· систем управления крупными технологическими комплексами и соединениями,
· микросистем и нанокомплексов,
· киберорганических систем.
Среди перечисленных трёх разделов нейрокомпьютинга нейросетевые исследования наиболее тесно связаны со вторым разделом «исследованием хозяйственных процессов», в которых производится поиск, оценка и преобразование смысла в обрабатываемой информации, с выполнением умозаключений, с использованием интеллектуальных навыков, включающих в себя такие, как:
· сопоставление сложных объектов и оценку их сходства;
· выделение типового объекта из группы однородных;
· поиск типичных черт, существенных признаков;
· формирование описания типового объекта, выделение его отличительных черт;
· определение понятий (дефиниции);
· выявление причинно-следственных связей;
· интерпретация связей и свойств исследуемых объектов;
· генерация гипотез;
· выявление закономерностей;
· самообучение, адаптация;
· умение делать дедуктивные, индуктивные, традуктивные выводы; и так далее…
В конечном итоге в состав решаемых задач включаются задачи, похожие на темы, определённые Международным обществом нейросетей INNS:
· построение семантической сети;
· построение тематической структуры текстов;
· реферирование текстов;
· гипертекстовая разметка текстов;
· смысловой (семантический) поиск информации;
· перевод на другой язык;
· классификация текстов, видео, звуков;
· аннотирование изображений, текстов.
· построение ассоциативных структур (логов);
· использование ассоциативной памяти разных типов;
· управление динамическими процессами и их анализ (нейросеть – контроллер);
· формирование потребительских комплексов; анализ ассоциаций;
· распознавание аномальной работы технической, гуманитарной, экономической системы;
· реализация «концепции внимания», разделение информации по важности;
· извлечение знаний из весовых коэффициентов;
· хранение информации в виде «ленты памяти» (как в машине Тьюринга);
· построение модулей эпизодической памяти. (Мэри дома. Она вышла во двор. Где Мэри? Во дворе);
· генерация бреда (контекст и окружение), генерация вариаций (музыкальных, сказочных);
· стилизация текста, музыки, графики.
· автоматическое составление программы (типа ПРИЗ ЕС);
· планирование действий (например, по аналогии);
· выделение содержания, смысла, стиля. Перенос их, смешивание;
· сохранение входных образов благодаря клеточному состоянию в LSTM;
· забывание;
· использование Слоя обратной связи; Рекуррентного слоя; Контекста;
· отрицательная и положительная обратная связь (затухание и генерация);
· ассоциативная память;
· ассоциативное мышление;
· анализ динамических процессов, узнавание в них информационных конструкций, смысла.
Анализ перечисленных задач обращает внимание на то, что главные области их применения должны быть требовательны к контексту и/или временной зависимости в данных. Поэтому рекуррентные нейронные сети (РНС) получают широкое использование, для анализа изображений, текста, музыки, смысла. В настоящее время эта область обычно воспринимается в контексте сверточных нейросетей, однако и для РНС здесь находятся задачи. Их архитектура позволяет быстрее распознавать детали, основываясь на контексте и окружении.