Вопрос устройства зрения заметная часть нейробиологии. Данному вопросу посвящены огромные объемы литературы и четыре нобелевские премии, но в сложившейся ситуации нельзя не заметить то, что изложенное в учебниках устройство зрения млекопитающих не справляется с поставленной задачей. Цель данного эссе показать свод причин, почему не стоит закрывать на это глаза. По сути, будет предъявлен портрет тайны зрения, начиная от разнообразия мелких деталей в самом начале потока зрительной информации у млекопитающих, угрозы от их игнорирования, и заканчивая ворохом проблем в понимании обработки мозгом в конце пути.

Устройство системы зрения

На взгляд любого учебника о зрении мы видим в три этапа. Первый этап: свет попадает на сетчатку и преобразуется в нервное возбуждение фоторецепторов – сенсорных нейронов сетчатки. Кроме того глаз нормализует контрастность и яркость, фокусирует изображение.

Разработка и изготовление

Спутник задумывался достаточно давно, хотя продуманного плана разработки как такового не было, можно сказать существовало желание начать разработку спутника без официальной поддержки космического агентства Украины и присутствия спутника на ранней стадии разработки в планах нашего Национального технического университета Украины «КПИ». Желание возникло не на ровном месте, у кафедры АЭС и инженерной теплофизики на Теплоэнергетическом факультете КПИ за спиной долгая история тесного сотрудничества с космической отраслью. Так, для охлаждения и термостабилизации электроники на искусственных спутниках «Січ» и «Океан», космических зондах «Вега» и «Фобос», нескольких немецких и одном чешском спутниках использовались наши тепловые трубы. Но даже силами факультета потянуть весь спектр работ было невозможно, потому подыскивались специалисты на других факультетах – к разработке приглашались сотрудники с ФЭА, ФЭЛ, РТФ, собиралась информация, а также проводились различные консультации на конференциях, так как это, всё же, первый спутник.

^{Некоторые люди полагают, что они мыслят, в то время как они просто переупорядочивают свои предрассудки.}
Давно я написал статью-обзор по эволюции методов моделирования нейронов и забросил это дело. В описание попали старые и всем интересующимся нейронами известные методы, можно сказать, получился обзор учебников выпущенных до распада СССР. Если кому интересно может сходить habrahabr.ru/post/101020, посмотреть старый обзор. Сейчас у меня подсобрался материал по нескольким с моей точки зрения увлекательным и более современным методам моделирования, которые заслужили упоминания в виде структурированного обзора. Здесь я только упомяну эти методы в описательном порядке, по той простой причине, что для большинства интересней знать, зачем мы его применяем, а не как он работает и как его применять. Объем текста значительно уменьшится, интересность повысится, а то, как в действительности работают эти методы, каждый сможет найти сам.
Итак, готовьтесь.

В продолжение темы эволюции нейросетей.

Производство явных знаний из накопленных данных — проблема, которая намного старше чем компьютеры. Обучаемые нейронные сети могут производить из данных скрытые знания: создается навык предсказания, классификации, распознавания образов и т.п., но его логическая структура обычно остается скрытой от пользователя. Проблема проявления (контрастирования) этой скрытой логической структуры решается путем приведения нейронных сетей к специальному “логически прозрачному” разреженному виду.
Перед каждым исследователем, решившим использовать нейронные сети, встают два вопроса: “Сколько нейронов необходимо для решения задачи?” и “Какова должна быть структура нейронной сети?” Объединяя эти два вопроса, мы получаем третий: “Как сделать работу нейронной сети понятной для пользователя (логически прозрачной) и какие выгоды может принести такое понимание?”

Более 68,7% генов человека ответственны за мозг.

В результате эволюции нервная система организмов последовательно приобретала новые свойства, приведенные ниже в списке.

• Безусловный рефлекс.
• Привыкание.
• Условный рефлекс.
• …
• Мышление (Профит)

Первые три свойства довольно просты, понятны и обыденны. С последним мы постоянно живем и пользуемся, но все еще не знаем, как устроено. Что же касается троеточия, то да, мы не знаем как от условного рефлекса перейти к мышлению, так как там в действительности добавляется множество новых свойств, которые сложны и по отдельности, а в сумме не обязательно достаточны для мышления.

Читая статью «21 век: что такое жизнь с точки зрения физики» наткнулся на описание памяти как в живой так и не живой материи. Под памятью в живой материи все понимают, что имеется в виду, ну а под памятью в неживой подразумеваются все способы хранения информации в вашем компьютере и множество других способов. Итак, с точки зрения автора статьи Г. Иваницкого отличительной чертой жизни является использование памяти для прогнозирования

Балуясь с нейронными сетями и алгоритмами самообучения для них, столкнулся с мыслью, что алгоритм обучения с учителем вполне мог бы быть отнесен к категории самообучения, если бы учителя заменили «эмоциональными» нейронами. Такие нейроны, по сути, являются просто датчиками «хорошо/плохо», а при соединении с обычными нейронами создают определенные связи, гасящие либо возбуждающие в зависимости от типа датчика.

По следам интеллекта

С момента первых попыток моделировать процессы, протекающие в человеческом мозге, наука прошла множество ступенек приближающих нас к ИИ. Но мозг человека, совершает пока что неподъемную и слабо отслеживаемую работу по непрерывной обработке потока сенсорной информации. Я попытаюсь осмысленно рассказать основные вехи эволюции искусственных нейронных сетей (ИНС).

Если распознающая машина-персептрон на рисунок слона отзывается сигналом «мура», на изображение верблюда — тоже «мура» и на портрет видного ученого — опять-таки «мура», это не обязательно означает, что она неисправна. Она может быть просто философски настроена.
К. Прутков-инженер. Мысль № 30.

Строгая логическая функция активации

Копируя принцип действия биологического нейрона при создании искусственных нейронных сетей, мы особо не задумываемся, какой смысл приобретает функция активации логической модели нейрона. Функция всегда записывается в виде логической суммы, логического «И» для конкретного набора входов и именно одновременная активность этих входов активирует наш нейрон. Если откинуть внешнюю смысловую привязку входов мы можем описать активацию нейрона следующим образом. Для одного внешнего события состоящего из набора входящих образов происходит объединение конкретной группы из пришедших образов в новый чисто логический образ — абстрагирование. Уже для группы таких событий активирующих нейрон, происходит выделение общего набора — обобщение.