Izplūdušie neironu tīkli ir programmatūras sistēmas, kas mēģina tuvināt veidu, kādā darbojas cilvēka smadzenes. Viņi to dara, izmantojot divas galvenās datorzinātņu tehnoloģiju pētniecības jomas — izplūdušās loģikas programmatūras izstrādi un neironu tīklu apstrādes arhitektūru. Izplūdušās loģikas programmatūra mēģina ņemt vērā reālās pasaules pelēkās zonas datoru programmatūras lēmumu pieņemšanas struktūrā, kas pārsniedz vienkāršu jā vai nē izvēli. Mākslīgā neironu tīkla dizains rada programmatūras mezglus, kas atdarina neironu mijiedarbības cilvēka smadzenēs funkcionalitāti un sarežģītību. Kopā izplūdušā loģika un neironu tīklu dizains rada neiroizplūdušo sistēmu, ko pētnieki izmanto, lai eksperimentētu ar sarežģītām problēmām, piemēram, klimata pārmaiņām, vai izstrādātu mākslīgā intelekta robotiku.
Vidējais mikrodators 2011. gadā veic aprēķinus ar neticamu ātrumu miljardiem instrukciju sekundē. Tas atspoguļo eksponenciālu apstrādes ātruma pieaugumu no datoru izstrādes sākuma dienām, lai gan šāda izaugsme nav pierādījusi spēju spriest sarežģītajos veidos, kā to dara pat vienkārši bioloģiski organismi. Tas daļēji ir saistīts ar pamata ierobežojumiem, ar kuriem joprojām saskaras datoru apstrāde, un neskaidri neironu tīkli ir mēģinājums apiet šos ierobežojumus.
Tiek lēsts, ka vidusmēra cilvēka smadzenes katru sekundi izpilda 100,000,000,000,000 1999 24,000 1981 3,500,000 instrukciju, izmantojot savu neironu struktūru, kas ir analoga mikroprocesoru darbībai. Turpretim vidējā datorsistēma 8,000. gadā bija 2.1 2011 reižu lēnāka par šo, un agrīnais modelis XNUMX. gadā aprēķinu veikšanā bija XNUMX XNUMX XNUMX reižu lēnāks nekā cilvēka smadzenes. Vajadzētu XNUMX personālo datoru, kas ir sarežģīti savienoti tīklā, kopā ar XNUMX gigaherca procesoriem, kas pieejami XNUMX. gada tirgū, lai aptuveni noteiktu vidēja cilvēka smadzeņu ātrumu. Tomēr superdators, kas spēj veikt aprēķinus tikpat ātri kā cilvēka smadzenes, nebūtu vienāds ar tādu pašu spriešanas spēku, lai analizētu pretrunīgus reālās pasaules datus, kur tiek izmantoti neskaidri neironu tīkli.
Galvenie elementi, kas padara izplūdušos neironu tīklus unikālus no citiem datora apstrādes veidiem, ir to spēja atpazīt modeļus, ja nav pietiekami daudz datu, lai izdarītu galīgus secinājumus, un spēja pielāgoties videi. Izplūdušie neironu tīkli izmanto neironu algoritmus, kas ir paredzēti, lai mainītos un augtu, kad tie saskaras ar jaunām datu kopām, ko apstrādāt. Viņi to dara, pievēršoties problēmām no diviem atšķirīgiem viedokļiem un apvienojot rezultātus jēgpilnos problēmu risinājumos.
Izplūdušās programmatūras pamatā ir programmēšanas noteikumi, kas ļauj novērtēt patiesības līmeni, ja datos rodas pretrunas, kas ir acīmredzamas no cilvēka perspektīvas. Nosakot, kurš ir “garš” un kurš ir “īss” cilvēku grupā, piemēram, izmantojot tradicionālo datoru apstrādi, tiktu izveidota galīga līnija, kurā abas grupas būtu atdalītas viena no otras un nav starpposma. Kāds 6 pēdas (1.83 metrus) garš tiktu klasificēts kā īss, ja augums ir zemāks par vidējo, savukārt kāds, kura augums ir 6 pēdas un 1 collu (1.85 metri), tiks klasificēts kā garš. Izmantojot izplūdušo apstrādi, diapazons, kas tiek uzskatīts par garu un īsu, nepārtraukti mainītos, mainoties grupai un lēmumi tiktu pieņemti, izmantojot saprātīgāku gradientu.
Turpretim neironu tīkliem nav iepriekš definētu noteikumu, pēc kuriem darboties, un visus secinājumus izdara, pamatojoties uz novērojumiem. Darbošanās bez iepriekš definētiem noteikumiem var radīt unikālu ieskatu par datiem, kas citādi nav pamanāmi, ja ir izdarīti iepriekšējie pieņēmumi izplūdušajā programmēšanā vai tradicionālajās programmēšanas noteikumu kopās. Izplūdušās programmatūras un neironu tīklu datu apstrādes rezultāti tiek apvienoti izplūdušajās neironu sistēmās tādā veidā, kas aptuveni atbilst tam, kā bioloģiskie organismi mācās un pielāgojas savā vidē. Kad sistēma pielāgojas apkopotajiem datiem, tā maina veidu, kā tā apstrādā šos datus, lai efektīvāk risinātu turpmākās problēmas.
Neironu apstrāde, neatkarīgi no tā, vai tiek veikta neironu programmēšana datorā vai bioloģiskās smadzenes, ir metode, kurā noteiktiem datu punktiem tiek piešķirts papildu svars, pamatojoties uz novērojumu rezultātiem. Izplūdušo neironu tīklu izplūdušais elements kalpo, lai precīzāk modelētu reālos apstākļus, nekā tas bija iespējams agrāk ar tradicionālajiem datoru procesoriem, lai gan šis smalkais modelēšanas līmenis bieži vien var nenovest pie būtiskiem veiktspējas uzlabojumiem, ja izplūdušo loģiku izmanto kā kontroli pār tradicionālajiem datoriem. vadīklas. Izplūdušo neironu tīklu galvenā priekšrocība ir tā, ka tiem ir potenciāls attīstīt elementāras neatkarīgas domāšanas un lēmumu pieņemšanas līmeni, kas pielāgojas, mainoties videi.