Последние изменения

9-го сентября 2024 добавлена аннотация и ссылка на статью автора - "Нейросетевая архитектура воплощенного интеллекта"

#7. Статья "Нейросетевая архитектура воплощенного интеллекта"

Сентябрь, 2024

Аннотация

В последние годы достижения в области искусственного интеллекта (ИИ) и машинного обучения обусловлены успехами в разработке больших языковых моделей (LLM) на основе глубоких нейронных сетей. В то же время, несмотря на существенные возможности, LLM имеет такие принципиальные ограничения, как спонтанная недостоверность в фактах и суждениях; допущение простых ошибок, диссонирующих с высокой компетентностью в целом; легковерие, проявляющееся в готовности принимать за истину заведомо ложные утверждения пользователя; отсутствие сведений о событиях, произошедших после завершения обучения.

Вероятно, ключевой причиной является то, что обучение биологического интеллекта происходит через усвоение неявных знаний воплощенной формой интеллекта, позволяющей решать интерактивные физические задачи реального мира. Биоинспирированные исследования нервных систем организмов позволяют рассматривать мозжечок, координирующий движения и поддерживающий равновесие, в качестве главного кандидата для раскрытия методов реализации воплощенного физического интеллекта. Его простая повторяющаяся структура и способность управлять сложными движениями дают надежду на возможность создания аналога адаптивным нейронным сетям.

В данной статье изучается биоинспирированная архитектура мозжечка как форма аналоговых вычислительных сетей, способная моделировать сложные физические системы реального мира. В качестве простого примера представлена реализация воплощенного ИИ в виде многокомпонентной модели щупальца осьминога, демонстрирующей потенциал в создании адаптивных физических систем, обучающихся и взаимодействующих с окружающей средой.

#6. Стенд сравнения распространение двух видов волн

Июнь, 2024

Колебания, как физическое явление, разделяются на два основных типа: упругие и электромагнитные. Упругие колебания возникают в результате взаимодействия частиц упругих сред, таких как твердые тела, жидкости и газы. Примером могут служить звуковые волны, которые распространяются через воздух, воду или твердые материалы за счет изменения давления и перемещения частиц. Электромагнитные колебания, напротив, возникают вследствие взаимодействия электрических и магнитных полей. Примером таких колебаний являются световые волны, радиоволны и рентгеновское излучение. В отличие от упругих, электромагнитные волны могут распространяться в вакууме, так как им не требуется материальная среда для распространения.

Предыдущие реализация использовали модель упругих волн, однако принятые подход в моделировании распространения электромагнитных волн использует метод конечных разностей во времени (Finite-Difference Time-Domain, FDTD). Этот метод включает дискретизацию уравнений Максвелла, которые описывают электромагнитные поля, на временной и пространственной сетке. Данный подход позволяет эффективно численно решать задачи, связанные с распространением электромагнитных волн в различных средах, с учетом граничных условий и источников излучения. Метод FDTD широко используется в прикладной электродинамике, включая проектирование антенн, исследование оптических устройств и разработку средств связи.

Предлагаемый стенд позволяет исследовать насколько модель упругих колебаний может быть использована для моделирования электромагнитных волн, что особенно актуально для многодисциплинарных исследований и инженерных приложений, где требуется анализ взаимодействия различных физических явлений.

#5. Нейросетевая модель и тестовые замеры на Ekahau Pro

Март, 2024

С целью экспериментальной проверки эффективности нейросетевой модели Wi-Fi покрытия, на базе ПАО "Таттелеком" проведены тестовые измерения в специально подготовленном помещении, изолированном от электромагнитных помех.

В качестве измерительного оборудования использовался профессиональный аппаратно-программный комплекс Ekahau Sidekick и Ekahau Pro. Ниже, на стенде, представлены тепловые карты измерений проведенных в тестовом помещении и прогнозная тепловая карта уровней сигналов созданная нейросетевой моделью.

#4. Стенд для исследования Wi-Fi планирования.

Февраль, 2024

Демонстрационный пример нейросетевой модели Wi-Fi-покрытия для типовой трехкомнатной квартиры. Модель позволяет: устанавливать до трех роутеров, визуализировать распространение волн, наблюдать волновые эффекты, строить тепловую карту, фиксировать допустимость уровней сигналов и делать общий анализ качества покрытия сигналом по всей площади квартиры.

Модель создавалась для конкретного демонстрационного стенда с фиксированными размерами 1920х1080 и не имеет адаптивной верстки.

#3. GPU дает дополнительное 50-кратное ускорение. Обновленно 10.04.24

Январь, Апрель 2024

Использование графических процессоров (GPU) стало ключевым фактором в достижениях искусственного интеллекта и машинного обучения в последние годы. Это связано с тем, что искусственные нейронные сети, как и биологический аналог, являются экзистенциальными системами параллельных вычислений с огромным количеством простых, но параллельно работающих процессоров, что в полной мере соответствует концепции построения GPU. Для примера, в GPU GeForce RTX 4050 Laptop в 180 раз больше ядер, чем в CPU Intel Core i7-13700H.

WebGL в 2011 году позволил использовать возможности GPU в браузерах, тем самым совершив революцию в Интернете с точки зрения графических возможностей. Однако у WebGL есть некоторые фундаментальные проблемы. Например, в нем довольно сложно производить вычисления общего назначения (GPGPU), которые в нашем случае являются основными.

WebGPU решает эти проблемы, предоставляя обновленную архитектуру общего назначения, совместимую с современными API-интерфейсами графических процессоров, полную поддержку графического рендеринга и вычислений общего назначения GPGPU.

Ниже приведена реализация модели, аналогичной предыдущим двум, но с использованием GPU непосредственно в браузере. Учитывая, что технология WebGPU стала активно внедряться только в последние годы, на старых или мобильных браузерах может потребоваться обновление или использование Google Chrome Canary. Функционал программы ограничен, но позволяет оценить потенциал – 70 кадров в секунду для 1 020 272 тел. При этом для каждого расчетного кадра используются промежуточные десятикратные итерации. В итоге мы получаем 700 итераций вычислительного решения системы из более 1 млн дифференциальных уравнений второго порядка в обычном браузере.

В обновление добавлены кнопки: очистки энергетического возмущения, изменения циклов расчета между отображениями и формирования неоднородности среды. После изменения среды желательно очистить возмущение.

#2. Ускоренная в 15 раз модель распространения волн

Декабрь, 2023

Во второй версии реализации был найден гораздо более эффективный способ отражения величины отклонения тел от равновесного состояния – через запись состояния непосредственно в матрицу Canvas:

let canvasData = ctx.getImageData(0, 0, wh, he); canvasData.data[index++] = “цвет”.

Новый подход позволил получить скорость обновления на той же платформе в 70 кадров в секунду для 270 тыс. тел (696 x 389), отображаемых как прямоугольники 2 х 2. То есть это почти 15-кратный прирост. Таким образом, программа осуществляет вычислительное нахождение решения системы из 270 396 дифференциальных уравнений второго порядка, делая при этом 70 итераций для каждого уравнения в секунду. Эксперименты показали, что в дальнейшем сдерживающим фактором роста производительности становится непосредственно расчет итераций в самих уравнениях.

Программа имеет сходный с первой реализацией функционал, позволяющий как формировать неоднородность среды, так и моделировать волновые процессы в ней. Предлагаемый инструмент имеет возможность строить неоднородные упругие поверхности, наглядно демонстрировать все основные волновые явления, такие как поглощение, отражение, преломление, дифракцию, интерференцию (принцип суперпозиции), поляризацию и дисперсию.

Приложение обладает самостоятельной ценностью как для целей обучения, так и для проведения исследований. При этом следует отметить, что для столь сложных сред не существуют общие аналитические решения, аналогичные рассмотренному волновому уравнению, и развитие процессов в них можно прогнозировать только в вычислительных моделях.

#1. Базовая модель распространения волн

JavaScript, Canvas, метод fillRect()
Февраль, 2023

Первая версия модели процесса распространения волн в неоднородной среде использует нейронную сеть, основанную на архитектуре мозжечка. Здесь представлены инструменты формирования среды. В данной версии применяется Canvas (HTML5), предназначенный для создания растрового двухмерного изображения при помощи скриптов на языке JavaScript.

Работа с программой производится в двух режимах:

– field (поле): режим создания неоднородной среды; предоставляют инструменты случайного заполнения и формирования с помощью компьютерной мыши;

– oscillation (колебание): режим непосредственного моделирования распространения волн в сформированной среде; установка осцилляторов производится с помощью компьютерной мыши.

В первой реализации модели отображение состояния тел осуществлялось через метод fillRect(), обеспечивающий вывод закрашенного прямоугольника в заданных координатах. Данный подход позволил получить скорость для Intel Core i7-13700H (2.40 GHz) в ~5 кадров в секунду для 270 тыс. тел в виде прямоугольника 2 х 2 и ~15 кадров в секунду для 68 тыс. тел, отображаемых как прямоугольники 4 х 4.

Воплощенное познание (embodied cognition)

Создание биоинспирированной модели, позволяющей прогнозировать и управлять сложными физико-механическими процессами, их эффективным взаимодействием с окружающей средой.
Декабрь, 2022

Основные идеи изложены в пяти публикациях, проиндексированых в Scopus:

1. А.Р. Нурутдинов, Р.Х. Латыпов. Перспективы биоинспирированного подхода в разработке систем искусственного интеллекта (обзор тенденций). Ученые записки Казанского университета. Серия физико-математические науки. 2022, вып. 164, № 2-3, стр. 244-265.

2. Nurutdinov A.R., Latypov R.K. A Novel Artificial Neural Networks Architecture Based on Cerebellum Model. Lobachevskii J Math 44, 733–746 (2023). Текст статьи.

3. A. R. Nurutdinov and R. K. Latypov, Cerebellum-Inspired Artificial Neural Networks Architecture, 2023 International Conference on Intelligent and Innovative Technologies in Computing, Electrical and Electronics (IITCEE), Bengaluru, India, 2023, pp. 210-214.

4. A. Nurutdinov and R. Latypov, Bioinspired Neural Network for Simulation of Wave Propagation in Nonhomogeneous Media, 2023 46th International Conference on Telecommunications and Signal Processing (TSP), Prague, Czech Republic, 2023, pp. 230-233.

5. A. Nurutdinov and R. Latypov, Dynamically Predicting Wi-Fi Coverage Mapping Using Bioinspired Neural Networks, 2023 International Conference on Software, Telecommunications and Computer Networks (SoftCOM), Split, Croatia, 2023, pp. 1-6.