Нейросеть с короткой памятью

Такая «гибридная» модель на 15% точнее обрабатывает изображения, чем аналоги, и будет полезна при создании систем искусственного интеллекта, использующихся в управлении и навигации робототехнических устройств и в медицинской диагностике.

Сверточные нейронные сети сегодня активно применяются для распознавания и классификации изображений, а потому незаменимы в компьютерном зрении. Например, в системах автоматического вождения для распознавания дорожных знаков и обработке естественного языка, в частности для анализа текста с целью извлечения полезной информации.

Несмотря на широкое распространение, сверточные нейронные сети обладают недостатками. Так, сложно понять и объяснить их логику принятия решений. Это затрудняет использование таких нейронных сетей в сферах, где очень важно понимать, на основании чего алгоритм получил тот или иной результат, например в медицинской диагностике. Кроме того, существующие алгоритмы все еще неспособны имитировать процессы обработки информации в головном мозге. Совместив нейросети с математически моделями информационных процессов в мозге, можно расширить возможности технологии — в частности, добавив новый функционал или повысив их точность.

Ученые из Нижегородского государственного университета (НГУ) им. Н. И. Лобачевского предложили новую сверточную нейронную сеть с кратковременной памятью, которая в живом мозге управляется астроцитами — вспомогательными клетками нервной ткани. Главное преимущество алгоритма, созданного нижегородцами, состоит в том, что при его работе воспроизводятся не только связи между цифровыми аналогами нейронов, как в обычных нейросетях, но и взаимодействие этих клеток с астроцитами.

Кратковременная память, также известная как рабочая память, отвечает за временное хранение информации и управление ею. Она играет решающую роль во внимании, обучении, решении проблем и принятии решений. В своей работе авторы совместили в одном алгоритме искусственную нейронную сеть и результаты моделирования кратковременной памяти, в которых учитываются взаимодействие нейронов и астроцитов. Это позволило алгоритму на 15% точнее, чем ранее, обрабатывать изображения и выводить полученную информацию человеку. Это достигается за счет того, что новая модель, в отличие от исходной, запоминает необходимые объекты, а потому выдает более точные результаты обработки изображения.

Такие «гибридные» модели можно использовать в тех же сферах, в которых сейчас используются обычные сверточные нейросети, например в компьютерном зрении. Это увеличит их возможности в обработке изображений — позволит точнее находить необходимые объекты.

«Наша работа показывает, что улучшить нейронные сети можно, имитировав в алгоритме такие функции мозга, как кратковременная память. Такое совмещение уже разработанных систем искусственного интеллекта с новыми моделями информационных функций мозга — перспективная и развивающаяся область, так как позволяет преодолевать существующие ограничения алгоритмов за счет внесения новых знаний о работе мозга. В дальнейшем мы планируем добавить в алгоритм модель внеклеточного матрикса мозга, то есть вещества, в котором находятся клетки. Матрикс отвечает за саморегуляцию в мозге и, как предполагается, может хранить “следы памяти”», — рассказывает Сергей Стасенко, руководитель проекта, доцент НГУ.

В рамках проекта авторы разработали программное обеспечение, которое зарегистрировали в Роспатенте при поддержке Центра трансфера технологий НГУ.

Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Biomimetics.

По материалам пресс-службы РНФ