مدار عصبی

عملکرد نورون در شبکه عصبی

جانوران پرسلولی برای ایجاد هماهنگی بین اعمال سلول ها و اندام های مختلف بدن خود نیاز به عوامل و دستگاه های ارتباطی دارند.دستگاه عصبی ( Nervous system ) با ساختار و کار ویژه ای که دارد، در جهت ایجاد این هماهنگی به وجود آمده است. نورون ها پیام عصبی را به بافت ها و اندام های بدن ،مانند ماهیچه ها غده هاو نیز نورون های دیگر میفرستد و از این طریق با آنها ارتباط برقرار میکند. رشته هایی که از جسم سلولی نورون ها بیرون زده اند دو نوع اند:دندریت و آکسون دندریت ها پیام هارا دریافت میکنند و به جسم سلولی میبرند،آکسون ها پیام عصبی را از جسم سلولی به تا پایانه های آکسون هدایت میکند. وظایف دستگاه عصبی به ارتباط متقابل بین میلیون ها نورون وابسته است.

در دستگاه عصبی دو بخش اصلی وجود دارد.

• دستگاه عصبی مرکزی
• دستگاه عصبی محیطی

دستگاه عصبی مرکزی شامل مغز و نخاع است که مراکز نظارت بر اعمال بدن اند.این دستگاه اطلاعات دریافتی از محیط و درون بدن را تفسیر میکند و به آنها پاسخ میدهد.دستگاه عصبی مرکزی از دو بخش ماده ی خاکستری که بیشتر محتوی جسم سلولی نورون هاست و ماده ی سفید که اجتماع بخش های میلین دار نورون هاست،تشکیل شده است. دستگاه عصبی محیطی شامل تعداد زیادی عصب است که اطلاعات را جمع آوری میکند و به دستگاه عصبی مرکزی میبرد. مغز انسان از حدود ۱۰۰میلیارد ( billion ) نورون تشکیل شده هست و حدود ۱.۵کیلوگرم وزن دارد.

مغز شامل :مخ،مخچه و ساقه مغز است. مخ بزرگترین بخش مغز است وتوانایی یادگیری ،حافظه،و عملکرد هوشمندانه را دارد. مخچه مهمترین مرکز یادگیری حرکات لازم برای تنظیم حالت بدن و تعادل است. ساقه ی مغز در قسمت پایینی مغز قرار دارد و شامل مغز میانی،پل مغز و بصل النخاع است . نخاع درون ستون مهره ها از بصل النخاع تا کمر امتداد دارد.نخاع مغز را به دستگاه عصبی محیطی وصل میکند. دستگاه عصبی محیطی شامل۳۱جفت عصب نخاعی و ۱۲جفت عصب مغزی است.دستگاه عصبی محیطی شامل دو بخش پیکری که ارادی است و خودمختار که اعمال غیر ارادی مارا بر عهده دارد.دستگاه عصبی خود مختار شامل اعصاب پارا سمپاتیک و سمپاتیک میباشد که اعصاب پارا سمپاتیک باعث برقراری ارامش و اعصاب سمپاتیک در مواقع هیجانی روانی یا جسمی فعال میشوند.

توصیف سیستم عصبی

80% نورون های مغز انسان ( یعنی در حدود 69 billion نورون ) در قسمت cerebellum یا همان مخچه قرار گرفته اند

نام سیستم عصبی از اعصاب گرفته می‌شود. در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعه‌ای از نورون‌های به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شده‌است. هر نورون می‌تواند به تعداد بسیار زیادی از نورون‌ها وصل باشد و تعداد کل نورون‌ها و اتصالات بین آن‌ها می‌تواند بسیار زیاد باشد. اتصالات، که به آن‌ها سیناپس گفته می‌شود، معمولاً از آکسون‌ها و دندریت‌ها تشکلیل شده‌اند.

هوش مصنوعی و مدل سازی شناختی سعی بر این دارند که بعضی از خصوصیات شبکه‌های عصبی را شبیه سازی کنند. این دو اگرچه در روش‌هاشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف مدل سازی شناختی ساخت مدل‌های ریاضی سامانه‌های نورونی زیستی است.

شبکه‌های عصبی زیستی

شبکه‌های عصبی زیستی مجموعه‌ای بسیار عظیم از پردازشگرهای موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می‌کنند و توسط سیناپس‌ها (ارتباط‌های الکتروشیمیایی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری اند. مثلاً با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سامانه می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سامانه‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های تازه سامانه پاسخ درستی تولید کند.

← مجموع اتصالات نورون ها در مغز انسان در حالت مینیمم به بیش از 100 trillion می رسد و سرعت سیگنال ها در حدود 256 مایل بر ساعت ( یا 411.992 کیلومتر بر ساعت ) است. نورون ها به طور متوسط با  7,000 Synapse در ارتباط هستند و کل مغز از 10¹⁵ سیناپس تشکیل شده است. نورون ها می توانند بیش از 1000 شاخک dendritic داشته باشند که می توانند با ده ها هزار سلول دیگر در ارتباط باشند. قطر نورون ها بین (0.004 mm) تا (0.1 mm) و طول نورون ها بین حدود چند میلیمتر " کوتاه ترین نورون ها " تا حدود 1 متر یا بیشتر متغیر هست. و در هر ثانیه با توجه به اینکه حداکثر نرخ آتش هر نورون 200Hz ( هرتز به معنی تعداد چرخه ها در یک ثانیه cycle/s  ) هست 10¹⁶ سیگنال الکتریکی در شبکه ی عصبی جریان دارد. [۲] به طور کلی در هر ثانیه 20% - 50% نورون ها اتش می کنند و در طول یک دقیقه 90% نورون های مغز اتش می کنند و همچنین نورون هایی هم که اتش می کنند این عمل را چندین بار انجام می دهند.

← مغز یک انسان بالغ از نورون ها , glial cells , رگ های خونی تشکیل شده است و تعداد تخمینی و دقیق تر نورون ها در حدود 85±10 billion ( میلیارد ) هست که برابر با تعداد سلول های غیر نورونی مغز هست ( 85±10 billion ) که از مجموع این نورون ها

• در حدود 16 میلیارد از نورون ها در cerebral cortex مغز قرار گرفته اند ( به عبارت دیگر 19% از تمام نورون های مغز ) که شامل قشر white matter مغز هم می شود.
• در حدود 69 میلیارد نورون هم در قسمت cerebellum قرارگرفته اند ( که 80% از تمام نورون های مغز محسوب می شه )
• کمتر از 1% نورون هم در قسمت های دیگر مغز قرار گرفته.

نقشه ی سه بعدی مغز با توضیحات کار هر یک از بخش ها و عوارض ممکن در اسیب دیدگی هر بخش را می توانید در لینک 3D brain دنبال کنید که می تونید متوجه حجم محاسبات با توجه به تعداد نورون های اون بخش شبکه عصبی شوید.

• cerebellum _ Hindbrain به تنظیم وضعیت و هماهنگی بدن کمک می کند و همه حرکات بدن و واکنش هاش را بررسی و ممکن می کند. ( اسیب دیده گی این بخش می تواند سبب عدم تعادل و لرزش در حرکت و در صورت اسیب دیدگی شدید, عدم حرکت در شخص را به دنبال دارد. )
• cerebrum _ Forebrain مرکز شخصیت فرد است و طیف بسیار گسترده تری از وظایف را نسبت به بقیه مناطق مغز برعهده دارد. از این وظایف می شود به تصمیم گیری، انتخاب آهنگ مورد علاقه، تمرکز، برنامه ریزی و سازماندهی، به داشتن حس و شناخت از جهان و رابطه ی خود فرد با جهان "همان خودآگاهی" کمک می کند. cerebrum بیشترین تعداد نورون های حساس به دوپامین را داراست , محل تصمیم گیری برای حرکت هدفمند و گفتار (صحبت کردن), نحوه رفتار, همچنین اطلاعات دردسترس در این بخش مورد سازماندهی قرار می گیرد و باعث می شود فرد قابلیت اولویت بندی و اصلاح کردن خود و اغاز یا کنترل و یا تغییر رفتار را داشته باشد. ( اسیب دیدگی این بخش می تواند شخصیت شخص را تغییر دهد. ان افراد دیگر نمی توانند شبیه خودشان عمل کنند. این افراد توانایی برنامه ریزی خودشان را از دست می دهند و توانایی کنترل رفتار خودشان را نیز ممکن از دست دهند و اسیب دیدگی شدید گاها می تواند شخصیت این افراد را از انها بگیرد و ... )
• brainstem_ قسمت زرد در تصویر بالا. این بخش هماهنگی فعالیت های خودکار یا رفلکس بدن را در فعالیت هایی که بدون تفکر انجام می گیرند مانند تنفس , تون عضلانی غیر ارادی , فعالیت قسمت های مختلف بدن و وضعیت آنها , کمک به حفظ آگاهی از بدن , ضربان قلب , فشار خون , عطسه , سرفه , بیدارشدن از خواب و . . . را سازماندهی می کند و سازه اون که در بالای نخاج و زیر cerebrum و در مرکز مغز قرار داره مانند یک ساختمان هست که از بخش های ( Diencephalon mid-brain , pons , medulla oblongata ) تشکیل شده هست ( اسیب دیدگی این بخش می تواند کشنده باشد , زمانی که عملکرد brainstem از دست می رود وضعیت شخص ممکن هست مرگ مغزی تشخیص داده شود. چون این قسمت از حول مغز دور هست اسیب دیدگی هایی مثل اسیب به سر و گردن , حمله قلبی و یا سکته مغزی , آنسفالیت , سموم مننژیت از جمله مونوکسید کربن (درحدود 60% کربن منوکسید در خون می تواند به مرگ منجر شود. چون جذبش از اکسیژن توسط گلبول های خون بیشتر هست, عامل : تحت تاثیر مستقیم دود خودروها بودن ) , سطح قند خون بالا و یا پایین طولانی مدت در افراد مبتلا به دیابت و سرطان در ساقه مغز که می تواند در نهایت منجر به کما یا مرگ شخص شود )
• Temporal Lobe _ قسمت صورتی پررنگ در تصویر بالا. در این قسمت یک تصویر ذهنی کامل از اون چیزی که می بینیم و می شنویم و احساس می کنیم در ذهن درست می شود . زبان و شنوایی و بویایی در این قسمت مغز مورد پردازش قرار می گیرند. این قسمت از مغز همچنین به تشخیص اشیا , جهت حرکت , چهره های اشنا ( ویژه ) , بخاطر اوردن حقایق جهان و اطلاعات یا دانش عمومی , همراه کردن حافظه و احساسات و همچنین این قسمت نقش مهمی را در گرفتن تصمیمات اخلاقی/احساسی بر عهده داره. لوب Temporal بازیابی معنی کلمات را از حافظه انجام می دهد و سپس کلمات رو با مفاهیم هماهنگ می کند تا شخص بتواند ایدهای خود را بیان کند . همینطور زمانی که بچه ها یاد می گیرند تا بخوانند این بخش مغز کلمات رو با ترجمه اشکال کلمه به صدا ذخیره می کند. بنابراین این بخش می تواند کلمات را تشخیص بدهد. اتصال Temporal-parietal با دیدن ارواح و یا پیش درآمد و تجربه خروج از بدن در ارتباط است ( عوارض در صورت اسیب : عفونت یا بیماری مانند آلزایمر می توانید باعث اسیب لوب Temporal شود که سبب تقلا آنچه که یک فرد می شنود , می بیند و درک می کند می شود . ممکن است حافظه و اشکال کلمات و صداها در افراد اسیب دیده مختل شود ). همچنین فرایند خواب دیدن عموما در حین فعال بودن کل cerebral cortex مغز اتفاق می افتد.
• Parietal_ قسمت آبی در تصویر بالا. حواس لمسی , درجه حرارت , فشار , و درد. Parietal به شخص برای رسیدن به درک و دانستن موقعیت چیز های اطرافش کمک می کند. Parietal وقتی که شخصی را لمس می کنید واکنش نشان می دهد . لوب Parietal می توانید زمان و نقطه ی صدمه را دقیقا شناسایی کند. این قسمت باعث بخاطر اوردن شخص از نحوه چگونگی استفاده از ابزارها و همچنین حافظه شخص از بدن و واکنش های آشنا در برابر کنش های اشنای محیط بدون فکر کردن درباره ی انها مانند بیسبال , شنا کردن و . . . لوب Parietal بین پیشانی و occipital نهفته در مغز بالا وسط در نزدیکی cerebrum نیمکره غالب در خواندن و نوشتن گفتار و محاسبه , اقدامات پیچیده. همچنین نقش مهمی در ادراک و تصویر ذهنی از بدن بر عهده دارد ( اسیب : یک فرد با یک سکته مغزی ضایعه مغزی آسیب های مغزی و یا آسیب های دژنراتیو در این منطقه ممکن است قادر به تشخیص چهره , چپ از راست , رسم , کلمات یا اعداد , صحبت به طور معمول و یا اقامت متمرکز نباشد. آنها ممکن است فاصله و موقعیت شی را تشخیص ندهند , آنها ممکن است قضاوت خودشان را در برخی امور ساده از دست بدهند و مثلا از یک اتاق به دیگری در خانه خود اشتاه کنند و احساس خود از درد , لمس یا درجه حرارت را از دست بدهند , آنها ممکن است چیزها را اشتباه گرفته و قادر به لباس پوشیدن و یا انجام کارهای ساده نباشند )
• Occipital_ قسمت سبز در تصویر بالا " یا همون پس سر " نورون های این قسمت بر روی بینایی چشم کار می کنند و با کار کردن همراه دیگر بخش های مغز فعالیت هایی مثل پردازش تصاویر ارسال شده از چشم و تفسیر اشکال مختلف و رنگ ها , عمق تصاویر , زاویه هایی که ما در حال دیدنشان هستیم را انجام می دهند ( اسیب یا عفونت یا نرسیدن اکسیژن و موارد دیگر به این قسمت ممکن است دید و درک بصری شخص را تحت تاثیر قرار دهد و شخص اسیب دیده به سختی قادر به خواندن متون و تشخیص رنگ ها و محل اشیای نزدیک , تفسیر ترسیماتی مانند ( نقاشی ) و تشخیص کلمات در متن است. گاها هم ممکن هست شخص نتواند تغییر اشیا از یک مکان به مکان دیگر را در اطرافش ببیند. همچنین ممکن است شخص دچار انحراف دید و توهم بصری شود. همچنین آسیب دیدگی شدید به این بخش کوری را به همراه خواهد داشت / جراحات مغزی، آسیب و یا نوشتن متقابل " cross-writing " در محل اتصالی که در آن parietal و occipital اتصال جداری پیدا می کنند ممکن است باعث حس متقارن "synesthesia"و مخلوطی حواس شود. برای مثال اون افراد هنگام شنیدن موسیقی یا خواندن اعداد رنگ هایی را می بینند. برای آنها نت های مختلف موسیقی ممکن است واقعا تولید یک سمفونی رنگ نماید. زمانی که این گونه افراد می نویسند ممکن است عدد 5 به رنگ آبی و عدد 6 به رنگ سبز مشاهده شود )

  

  جسم سلولی نورون ( Soma )

شباهت نورون ها با دیگر سلول های بدن.[۳]

1. نورون ها توسط یک غشاء احاطه شده است.
2. نورون ها دارای هسته ی حاوی ژن ها هستند
3. نورون ها حاوی سیتوپلاسم، ، میتوکندری و دیگر "ارگانل ها" هستند.

تفاوت نورون ها با سلول های دیگر بدن.

1. نورون ها دارای projections های خاصی هستن که dendrites و axons نام دارند. Dendrites ها نقشِ آورنده پیام‌های صادر شده از نورون های مجاور یا نورون های رده بالاتر به درون جسم سلولی نورون ( Soma ) را به عهده دارند و axons ها سیگنال‌ های الکتریکی را از جسم سلولی نورون به بیرون هدایت می‌کند.
2. نورورن ها با یکدیگر از طریق یک پروسه الکتروشیمایی ارتباط برقرار می کنند
3. نورون ها ایجاد ارتباط خاصی که سیناپس نام دارد می کنند و تولید مواد شیمیایی خاصی به نام neurotransmitters " انتقال دهنده های عصبی " که در محل synapses ها منتشر می شوند.

سلول های Glial

memory یا حافظه در مغز به صورت رمزگذاری شده و در ارتباطات سیناپس بین نورون ها, در سرتاسر شبکه عصبی ذخیره سازی می شوند و محل خاصی به تنهایی در مغز وظیفه ذخیره سازی را بر عهده ندارد[۴] تحقیقات دانشمندان در امریکا بر روی حافظه راه کار هایی را برای پاک کردن و نوشتن مجدد memory خاصی در مغز را تا حدودی زیادی ممکن کرده [۵] همچنین با این روش می شه برای افراد تازه کار مهارت های افراد با تجربه بالا را در مغزشان با استفاده از ( جریان های پایین الکتریکی ) آپلود کرد و این افراد در طول ازمایش کنترل هواپیما در طول مدت خیلی کوتاهی عملکردشان به خوبی افرادی که سال ها در خلبانی تجربه داشتند شده است [۶]

اکثر نورون ها در ماه های اول تولد تا حدود 18 ماهگی ایجاد می شوند و بعد از جابجا شدن در مغز و پیدا کردن جای خود در مغز مسیر تکامل را می پیماینند. و عموما تا اخر عمر همراه فرد خواهند بود ( البته در پیری برخی از ارتباطات ضعیف می شوند یا از بین می رود یا برخی از نورون ها می میرند که سبب بیماری هایی نظیر فراموشی و . . . می گردد )

سلول های Glial

نوروگلی‌ها یا پی‌چسب‌ها یا یاخته‌های گلیال، یاخته‌های پشتیبان دستگاه عصبی هستند که وظیفه حمایت از یاخته‌های عصبی را بر عهده دارند. یاخته‌های گلیال سیستم عصبی مرکزی را به هم پیوند داده و به طریق فیزیکی و شیمیایی از آن محافظت می‌کنند. علاوه بر این مواد شیمیایی و غذایی مورد نیاز یاخته‌های عصبی را فراهم می‌آورند. وظایف این سلولهای غیر نورون در مغز

1. اطراف نورون ها را گرفته و انها را در محل نگه می دارند
2. برای تامین مواد مغزی و اکسیژن به سلول های نورون
3. عایق بندی و جدا نگه داشتن نورون ها از یکدیگر
4. برای از بین بردن عوامل بیماری زا و حذف نورون های مرده

برای مدت ها باور بر این بود که سلول های Glial تاثیری در سیستم neuroTransmission " انتقال عصبی " ندارند ولی یافته های neuroscience در قرن 21 تشخیص دادند که این سلول ها در بخش هایی از فرایندهای فیزیولوژیکی خاصی شبیه تنفس تاثیر گذارند و همچنین به نورون ها در ایجاد ارتباطات سیناپس بین یکدیگر کمک می کنند.

معرفی شبکه عصبی مصنوعی

شبکه عصبی مصنوعی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهدهٔ پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند.

یک شبکه عصبی مصنوعی گروهی به هم پیوسته از گره ها ( یا همون node ها ) هستند شبیه به شبکه های گسترده نرون های درون مغز . در اینجا هر دایره نشان دهنده یک سلول عصبی نورون هست و پیکان ها نشان دهنده ارتباط خروجی یک نورون به ورودی نورون دیگه هست

در این حافظه یا شبکهٔ عصبی نورونها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن می‌باشد. یال‌های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال‌های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می‌کنند.

تحقیقات اخیر

در تاریخ Dec 17, 2009 ابر کامپیوتر ( supercomputer ) شرکت IBM در امریکا توانست در حدود billion 1 ( میلیارد ) نورون را با حدود 10 trillion سیناپس مصنوعی شبیه سازی کند که این نشان دهنده این واقعیت هست که نورون های مصنوعی به سیستم های قدرتمندی برای اجرا نیاز دارند و برای شبیه سازی مغز انسان احتمالا به کامپیوتر کوانتومی نیاز خواهد بود. همچنین با دانستن این موضوع که مورچه 250,000 نورون و زنبور در حدود 960,000 و گربه 760,000,000 نورون و در حدود 10¹³ سیناپس دارد می شود نتیجه گرفت که با supercomputer های کنونی تا حدودی بشه این موجودات را شبیه سازی کرد. ( لیست موجودات مختلف بر اساس تعداد نورون ها و سیناپس ها ) البته باید مد نظر داشت که برخی از موجودات از swarm Intelligence یا هوش جمعی استفاده می کنند و شبیه سازی تکی ان ها کافی نخواهد بود )

در تاریخ Dec 9, 2014 شرکت IBM از تراشه SyNAPSE خود رونمایی کرد. این چیپ که با سرمایه گذاری DARPA ( سازمان پروژه‌های تحقیقاتی پیشرفتهٔ دفاعی ایالت متحده ) به بهره برداری رسیده , به گونه‌ای طراحی شده که فعالیت‌های مغز انسان را شبیه‌سازی کند و به طور کلی از چارچوب منطق بولین و باینری خارج شود. این تراشه متشکل از 1 میلیون نورون مجازی است که با استفاده از 256 میلیون سیناپس مجازی به یکدیگر متصل شده‌اند. سیناپس بزرگ‌ترین تراشه‌ای است که شرکت IBM تاکنون تولید کرده است، چراکه در آن 5.4 میلیارد ترانزیستور استفاده شده است. همچنین مجموعه‌ی ترانزیستورهای مورد استفاده متشکل از 4٫096 هسته‌ی neuroSynaptic است که روی تراشه قرار گرفته‌اند. مصرف این تراشه تنها 70 میلی‌وات mW است که در مقایسه با تراشه‌ های کنونی بسیار کمتر است.[۷] از نظر مقیاس، تراشه‌ی سیناپس برابر با مغز یک زنبور عسل است و تعداد نئورون‌ها و سیناپس های مورد استفاده با آن برابری می‌کند، با این وجود این تراشه بسیار ضعیف‌تر از مغز انسان‌ها است. مغز هر انسان از حدود 86 میلیارد نورون و 100 تریلیوین سیناپس تشکیل شده است. البته تیم توسعه‌ی SyNAPSE نشان داده که می‌توان با اتصال تراشه‌های سیناپس به یکدیگر، تراشه‌ی بزرگ‌تر و قوی‌تری ساخت.

در حال حاضر IBM موفق شده یک بورد قابل برنامه‌ریزی و کارآمد با استفاده از 16 عدد چیپ SyNAPSE ایجاد نماید که همگی در هماهنگی کامل با یکدیگر فعالیت می‌کنند. این بورد نمایانگر قدرت 16 میلیون نورون است که بنا بر گفته‌ی محققان این پروژه، در پردازش سنتی با استفاده از تعداد زیادی رک‌ (مکان قرارگیری چندین کامپیوتر پر قدرت بزرگ ) و مجموعه‌های عظیم کامپیوتری قابل دستیابی بود. و با وجود مجتمع نمودن 16 چیپ در یک سیستم، باز هم با مصرف نیروی به شدت پایینی روبرو هستیم که در نتیجه‌ی آن حرارت بسیار پایین‌تری نیز تولید می‌شود. در حقیقت چیپ SyNAPSE جدید آنچنان انقلابی بوده و دنیای پردازش را از نگرش دیگری نمایان می‌سازد که IBM مجبور شده برای همراهی با توسعه‌ی آن به ایجاد یک زبان برنامه‌نویسی جدید بپردازد و یک برنامه‌ی آموزشی گسترده‌ی اطلاع رسانی تحت نام دانشگاه SyNAPSE راه‌اندازی کند.[۸][۹]

در تاریخ March 16, 2016 شرکت Google بخش DeepMind توانستند توسط هوش مصنوعی خود قهرمان جهان را در بازی GO ( شطرنج چینی که قدمتی بیش از ۲۵۰۰ سال دارد ) با نتیجه 4 به 1 شکست دهند که این دستاورد بزرگی برای هوش مصنوعی بود. گوگل در این هوش مصنوعی از تکنولوژی Deep Learning و short-term memory بهره برده است و این سیستم به نوعی مشابه Turing Machine هست اما به صورت end-to-end دارای تفاوت های قابل تشخیص می باشد و این تکنولوژی ها به اون اجازه داده است که با gradient descent به صورت موثری قابل تعلیم باشد. در DeepMind محققان گوگل مجموعه‌ای از حرکت‌های بهترین بازکنان گو را که شامل بیش از 30 میلیون حرکت است، جمع آوری کرده و سیستم هوش مصنوعی مبتنی بر یادگیری عمیق خود را با استفاده از این حرکات آموزش داده‌اند تا از این طریق آلفاگو قادر باشد به تنهایی و براساس تصمیمات خود به بازی بپردازد. همچنین دانشمندان برای بهبود هر چه بیشتر این سیستم راه‌حل تقابل هوش مصنوعی توسعه یافته با خودش را در پیش گرفتند؛ با استفاده از این روش، دانشمندان موفق شدند تا حرکات جدیدی را نیز ثبت کنند و با استفاده از این حرکات آموزش هوش مصنوعی را وارد مرحله‌ی جدید‌تری نمایند. چنین سیستمی قادر شده تا بهترین بازیکن اروپا و جهان را شکست دهد. بزرگ‌ترین نتیجه‌ی توسعه‌ی آلفاگو، عدم توسعه‌ی این سیستم با قوانین از پیش تعیین شده است. در عوض این سیستم از روش‌های مبتنی بر یادگیری ماشین و شبکه عصبی توسعه یافته و تکنیک‌های برد در بازی گو را به خوبی یاد گرفته و حتی می تواند تکنیک های جدیدی را ایجاد و در بازی اعمال کند. کریس نیکولسون، موسس استارت آپ Skymind که در زمینه‌ی تکنولوژی های یادگیری عمیق فعالیت می‌کند، در این خصوص این چنین اظهار نظر کرده است: " از سیستم‌های مبتنی بر شبکه‌ی عصبی نظیر آلفاگو می‌توان در هر مشکل و مساله‌ای که تعیین استراتژی برای رسیدن به موفقیت اهمیت دارد، استفاده کرد. کاربردهای این فناوری می‌تواند از اقتصاد، علم یا جنگ گسترده باشد. "

اهمیت برد آلفاگو ːدر ابتدای سال 2014 میلادی، برنامه‌ی هوش مصنوعی Coulom که Crazystone نام داشت موفق شد در برابر نوریموتو یودا، بازیکن قهار این رشته‌ی ورزشی پیروز شود؛ اما موضوعی که باید در این پیروزی اشاره کرد، انجام 4 حرکت پی در پی ابتدایی در این رقابت توسط برنامه‌ی هوش مصنوعی توسعه یافته بود که برتری بزرگی در بازی گو به شمار می‌رود. در آن زمان Coulom پیش‌بینی کرده بود که برای غلبه بر انسان، نیاز به یک بازه‌ی زمانی یک دهه‌ای است تا ماشین‌ها بتوانند پیروز رقابت با انسان‌ها در بازی GO باشند. چالش اصلی در رقابت با بهترین بازیکن‌های گو، در طبیعت این بازی نهفته است. حتی بهترین ابررایانه‌های توسعه یافته نیز برای آنالیز و پیش‌بینی نتیجه‌ی حرکت‌های قابل انجام از نظر قدرت پردازشی دچار تزلرل شده و نمی‌توانند قدرت پردازشی مورد نیاز را تامین کنند. در واقع نیروی پردازشی این رایانه‌ها مناسب نبوده و در نتیجه زمان درازی را برای ارائه‌ی نتیجه‌ی قابل قبول مورد نیاز است. زمانی که ابررایانه‌ی موسوم به Deep Blue که توسط IBM توسعه یافته بود، موفق شد تا در سال 1997، گری کاسپاروف، قهرمان شطرنج جهان را شکست دهد، بسیاری به قدرت این ابررایانه پی بردند؛ چراکه این ابررایانه با قدرت زیادی کاسپاروف را شکست داد. علت پیروزی قاطع این Deep Blue، قدرت بالای این ابررایانه در کنار قدرت تحلیل و نتیجه‌گیری از هر حرکت احتمالی ممکن در بازی بود که تقریبا هیچ انسانی توانایی انجام آن را ندارد. اما چنین پیش‌بینی‌هایی در بازی GO ممکن نیست. براساس اطلاعات ارائه شده در بازی شطرنج که در صفحه ای 8 در 8 انجام می شود، در هر دور، بصورت میانگین می‌توان 35 حرکت را انجام داد، اما در بازی گو که بین دو نفر در تخته‌ای به بزرگی 19 در 19 خانه انجام می‌شود، در هر دور بصورت میانگین می‌توان بیش از 250 حرکت انجام داد. هر یک از این 250 حرکت احتمالی نیز در ادامه 250 احتمال دیگر را در پی دارند. که می شه نتیجه گرفت که در بازی گو، به اندازه‌ای احتمال حرکات گسترده است که تعداد آن از اتم‌ های موجود در جهان هستی نیز بیشتر است.

تلاش های پیشینː در سال 2014 محققان در DeepMind، دانشگاه ادینبورگ و facebook امیدوار بودند تا با استفاده از شبکه‌های عصبی، سیستم‌هایی مبتنی بر شبکه‌های عصبی توسعه دهند که قادر باشد تا با نگاه کردن به تخته‌ی بازی، همچون انسان‌ها به بازی بپردازند. محققان در فیس‌بوک موفق شده‌اند تا با کنار هم قراردادن تکنیک درخت مونت کارلو و یادگیری عمیق، شماری از بازیکنان را در بازی گو شکست دهد. البته سیستم فیس‌بوک قادر به برد در برابر CrazyStone و سایر بازیکنان شناخته شده‌ی این رشته‌ی ورزشی نشد.

سخت افزار مورد نیاز سیستم یادگیری عمیق دیپ مایندː براساس اطلاعات ارائه شده, سیستم DeepMind قادر است روی رایانه‌ای با چند پردازنده‌ی گرافیکی نیز به خوبی کار کند؛ اما در مسابقه‌ای که آلفاگو در برابر فان هوی برگزار کرد، این سیستم مبتنی بر شبکه‌ی عصبی از وجود شبکه‌های از رایانه‌ها بهره می‌برد که شامل بیش از 170 پردازنده‌ی گرافیکی Nvidia و 1,200 پردازنده‌‌ بود. [۱۰]

تاریخچه شبکه‌های عصبی مصنوعی

از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحاً نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.

نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.

سامانه دیگر مدل خطی تطبیقی نورون می‌باشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.

در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

با وجود اینکه اشتیاق عمومی و سرمایه گذاری‌های موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه‌های ART را بنانهادند که با مدل‌های طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیک‌هایی برای یادگیری ایجاد کردند. ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار (Back Propagation) خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.

پیشرفت‌هایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتاب‌ها و کنفرانس‌های وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده‌است.

چرا از شبکه‌های عصبی استفاده می‌کنیم

شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌های پیچیده می‌توانند در استخراج الگوها و شناسایی گرایش‌های مختلفی که برای انسان‌ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. از مزایای شبکه‌های عصبی می‌توان موارد زیر را نام برد:

1. یادگیری تطبیقی: توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
2. خود سازماندهی: یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده‌هایی که در طول آموزش دریافت کرده را انجام دهد. نورون‌ها با قاعدهٔ یادگیری سازگار شده و پاسخ به ورودی تغییر می‌یابد.
3. عملگرهای بی‌درنگ: محاسبات در شبکه عصبی مصنوعی می‌تواند به صورت موازی و به وسیله سخت‌افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت‌های شبکه عصبی مصنوعی است انجام شود.
4. تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش می‌یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می‌شود.
5. دسته بندی: شبکه‌های عصبی قادر به دسته بندی ورودی‌ها بر ای دریافت خروجی مناسب می‌باشند.
6. تعمیم دهی: این خاصیت شبکه را قادر می‌سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموخته‌ها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیت‌ها و روابط را به خاطر بسپارد.
7. پایداری-انعطاف پذیری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می‌تواند موارد جدید را بپذیرد.

شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی

شبکه مغز کرم الگانس Caenorhabditis elegans _ شبکه نورونی این کرم از 302 نورون و حدود 5000 اتصال سیناپس تشکیل شده است.

یک شبکه عصبی به طور کلی با یک کامپیوتر سنتی در موارد زیر تفاوت دارد:

1. شبکه‌های عصبی دستورات را به صورت سری اجرا نکرده، شامل حافظه‌ای برای نگهداری داده و دستورالعمل نیستند.
2. به مجموعه‌ای از ورودی‌ها به صورت موازی پاسخ می‌دهند.
3. بیشتر با تبدیلات و نگاشت‌ها سروکار دارند تا الگوریتم‌ها و روش‌ها.
4. شامل ابزار محاسباتی پیچیده نبوده، از تعداد زیادی ابزارساده که اغلب کمی بیشتر از یک جمع وزن دار را انجام می‌دهند تشکیل شده‌اند.

شبکه‌های عصبی شیوه‌ای متفاوت برای حل مسئله دارند. کامپیوترهای سنتی از شیوه الگوریتمی برای حل مسئله استفاده می‌کنند که برای حل مسئله مجموعه‌ای از دستورالعمل‌های بدون ابهام دنبال می‌شود. این دستورات به زبان سطح بالا و سپس به زبان ماشین که سامانه قادر به تشخیص آن می‌باشد تبدیل می‌شوند. اگر مراحلی که کامپیوتر برای حل مسئله باید طی کند از قبل شناخته شده نباشند و الگوریتم مشخصی وجود نداشته باشد، سامانه توانایی حل مسئله را ندارد. کامپیوترها می‌توانند خیلی سودمندتر باشند اگر بتوانند کارهایی را که ما هیچ پیش زمینه‌ای از آنها نداریم انجام دهند. شبکه‌های عصبی و کامپیوترها نه تنها رقیب هم نیستند بلکه می‌توانند مکمل هم باشند. کارهایی وجود دارند که بهتر است از روش الگوریتمی حل شوند و همین طور کارهایی وجود دارند که جز از طریق شبکه عصبی مصنوعی قابل حل نمی‌باشند و البته تعداد زیادی نیز برای بدست آوردن بازده حداکثر، از ترکیبی از روش‌های فوق استفاده می‌کنند. به طور معمول یک کامپیوتر سنتی برای نظارت بر شبکه عصبی استفاده می‌شود. شبکه‌های عصبی معجزه نمی‌کنند، اگر به طور محسوس استفاده شوند کارهای عجیبی انجام می‌دهند.

نورون مصنوعی

یک نورون مصنوعی سامانه‌ای است با تعداد زیادی ورودی و تنها یک خروجی. نورون دارای دو حالت می‌باشد، حالت آموزش و حالت عملکرد. در حالت آموزش نورون یاد می‌گیرد که در مقابل الگوهای ورودی خاص برانگیخته شود و یا در اصطلاح آتش کند. در حالت عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود، خروجی متناظر با آن ارائه می‌شود. اگر ورودی جزء ورودی‌های از پیش شناسایی شده نباشد، قوانین آتش برای بر انگیختگی یا عدم آن تصمیم گیری می‌کند.

از نورون‌های انسان تا نورون مصنوعی

اکشن پتانسیل نورون زیستی ː پتانسیل الکتریکی نورون در حالت استراحت در -70 mV قرار دارد. با اعمال محرک بر غشای نورون, پتانسیل غشا به -55 میلی ولت می رسد پس از انکه محرک اعمال می شود پتانسیل غشا به سرعت در نقطه +40 mV  به اوج خود میرسد و با همان سرعت, پتانسیل غشا به -90 mV کاهش و overshoots پیدا می کند و در نهایت دوباره به resting potential ( پتانسیل حالت استراحت ) در -70 mV باز می گردد

با کنار گذاشتن برخی از خواص حیاتی نورون‌ها و ارتباطات درونی آنها می‌توان یک مدل ابتدایی از نورون را به وسیله کامپیوتر شبیه سازی کرد.

ساختار شبکه‌های عصبی

یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:

• لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌است.
• لایه‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود.
• لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی می‌باشد.

شبکه‌های تک لایه و چند لایه‌ای نیز وجود دارند که سازماندهی تک لایه که در آن تمام واحدها به یک لایه اتصال دارند بیشترین مورد استفاده را دارد و پتانسیل محاسباتی بیشتری نسبت به سازماندهی‌های چند لایه دارد. در شبکه‌های چند لایه واحدها به وسیله لایه‌ها شماره گذاری می‌شوند (به جای دنبال کردن شماره گذاری سراسری).

هر دو لایه از یک شبکه به وسیله وزن‌ها و در واقع اتصالات با هم ارتباط می‌یابند. در شبکه‌های عصبی چند نوع اتصال و یا پیوند وزنی وجود دارد: پیشرو: بیشترین پیوندها از این نوع است که در آن سیگنال‌ها تنها در یک جهت حرکت می‌کنند. از ورودی به خروجی هیچ بازخوردی (حلقه) وجود ندارد. خروجی هر لایه بر همان لایه تاثیری ندارد.

• پسرو: داده‌ها از گره‌های لایه بالا به گره‌های لایه پایین بازخورانده می‌شوند.
• جانبی: خروجی گره‌های هر لایه به عنوان ورودی گره‌های همان لایه استفاده می‌شوند.

تقسیم بندی شبکه‌های عصبی

بر مبنای روش آموزش به چهار دسته تقسیم می‌شوند:

1. وزن ثابت: آموزشی در کار نیست و مقادیر وزن‌ها به هنگام نمی‌شود. کاربرد: بهینه سازی اطلاعات (کاهش حجم، تفکیک پذیری و فشرده سازی) و حافظه‌های تناظری
2. آموزش بدون سرپرست: وزن‌ها فقط بر اساس ورودی‌ها اصلاح می‌شوند و خروجی مطلوب وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزن‌ها اصلاح شود. وزن‌ها فقط بر اساس اطلاعات الگوهای ورودی به هنگام می‌شوند. هدف استخراج مشخصه‌های الگوهای ورودی بر اساس راهبرد خوشه یابی و یا دسته‌بندی و تشخیص شباهت‌ها (تشکیل گروه‌هایی با الگوی مشابه) می‌باشد، بدون اینکه خروجی یا کلاس‌های متناظر با الگوهای ورودی از قبل مشخص باشد. این یاد گیری معمولاً بر پایه شیوه برترین هم خوانی انجام می‌گیرد. شبکه بدون سرپرست وزن‌های خود را بر پایه خروجی حاصل شده از ورودی تغییر می‌دهد تا در برخورد بعدی پاسخ مناسبی را برای این ورودی داشته باشد. در نتیجه شبکه یاد می‌گیرد چگونه به ورودی پاسخ بدهد. اصولاً هدف این است که با تکنیک نورون غالب نورونی که بیشترین تحریک آغازین را دارد برگزیده شود. بنابر این در شبکه‌های بدون سرپرست یافتن نورون غالب یکی از مهمترین کارها است.
3. آموزش با سرپرست: به ازای هر دسته از الگوهای ورودی خروجی‌های متناظر نیز به شبکه نشان داده می‌شود و تغییر وزن‌ها تا موقعی صورت می‌گیرد که اختلاف خروجی شبکه به ازای الگوهای آموزشی از خروجی‌های مطلوب در حد خطای قابل قبولی باشد. در این روش‌ها یا از خروجی‌ها به وزن‌ها ارتباط وجود دارد یا خطا به صورت پس انتشار از لایه خروجی به ورودی توزیع شده‌است و وزن‌ها اصلاح می‌شوند. هدف طرح شبکه‌ای است که ابتدا با استفاده از داده‌های آموزشی موجود، آموزش ببیند و سپس با ارائه بردار ورودی به شبکه که ممکن است شبکه آن را قبلاً فراگرفته یا نگرفته باشد کلاس آن را تشخیص دهد. چنین شبکه‌ای به طور گسترده برای کارهای تشخیص الگو به کار گرفته می‌شود.
4. آموزش تقویتی: کیفیت عملکرد سامانه به صورت گام به گام نسبت به زمان بهبود می‌یابد. الگوهای آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی از خوب و یا بد بودن رفتار سامانه بدست می‌آید (حالتی بین یادگیری با سرپرست و بدون سرپرست).

کاربرد شبکه‌های عصبی

شبکه‌های عصبی مصنوعی دارای دامنه کاربرد وسیعی می‌باشند از جمله سامانه‌های آنالیز ریسک، کنترل هواپیما بدون خلبان، آنالیز کیفیت جوشکاری، آنالیز کیفیت کامپیوتر، آزمایش اتاق اورژانس، اکتشاف نفت و گاز، سامانه‌های تشخیص ترمز کامیون، تخمین ریسک وام، شناسایی طیفی، تشخیص دارو، فرایندهای کنترل صنعتی، مدیریت خطا، تشخیص صدا، تشخیص هپاتیت، بازیابی اطلاعات راه دور، شناسایی مین‌های زیردریایی، تشخیص اشیاء سه بعدی و دست نوشته‌ها و چهره و... در کل می‌توان کاربردهای شبکه‌های عصبی را به صورت زیر دسته بندی کرد: تناظر (شبکه الگوهای مغشوش وبه هم ریختهرا بازشناسی می‌کند)، خوشه یابی، دسته بندی، شناسایی، بازسازی الگو، تعمیم دهی (به دست آوردن یک پاسخ صحیح برای محرک ورودی که قبلاً به شبکه آموزش داده نشده)، بهینه سازی. امروزه شبکه‌های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو که خود شامل مسائلی مانند تشخیص خط، شناسایی گفتار، پردازش تصویر و مسائلی از این دست می‌شود و نیز مسائل دسته بندی مانند دسته بندی متون یا تصاویر، به کار می‌روند. در کنترل یا مدل سازی سامانه‌هایی که ساختار داخلی ناشناخته یا بسیار پیچیده‌ای دارند نیز به صورت روز افزون از شبکه‌های عصبی مصنوعی استفاده می‌شود. به عنوان مثال می‌توان در کنترل ورودی یک موتور(کنترل‌کننده موتور) از یک شبکه عصبی استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت. کاربرد مناسب تر شبکه عصبی ( در مقایسه با روش هایی از قبیل PID )برای کنترل یک سیستم دور موتور در برابر تغییرات ناگهانی بار و زمان پاسخ دهی نیز مطرح شده است,,

معایب شبکه‌های عصبی

با وجود برتری‌هایی که شبکه‌های عصبی نسبت به سامانه‌های مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آنها را به حداقل برسانند، از جمله:

• قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.
• در مورد مسائل مدل سازی، صرفاً نمی‌توان با استفاده از شبکه عصبی به فیزیک مساله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرایند معمولاً غیر ممکن است.
• دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.
• آموزش شبکه ممکن است مشکل ویا حتی غیر ممکن باشد.
• پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکان پذیر نیست.

تصویری از شبکه عصبی RNN

انواع شبکه های عصبی مصنوعی

• Dynamic Neural Network
  • Feedforward neural network FNN
  • Recurrent neural network RNN
    • RNN تکنولوژی speech recognition و handwriting recognition را ممکن کرد. انواع RNN
      • Hopfield network
      • Boltzmann machine
      • Simple recurrent networks
      • Echo state network
      • Long short term memory network
      • Bi-directional RNN
      • Hierarchical RNN
      • Stochastic neural networks
  • Kohonen Self-Organizing Maps
  • Autoencoder
  • Backpropagation
  • probabilistic neural network PNN
  • Time delay neural network TDNN
• Static Neural Network
  • Neocognitron
  • Radial basis function network RBF
  • Learning vector quantization
  • Perceptron
    • Adaline model
    • Convolutional neural network CNN
  • Modular neural networks
    • Committee of machines COM
    • Associative neural network ASNN
• Memory Network
  • Google/Deep Mind
  • facebook / MemNN
  • Holographic associative memory
  • One-shot associative memory
  • Neural Turing Machine
  • Adaptive resonance theory
  • Hierarchical temporal memory
• Other types of networks
  • Instantaneously trained networks ITNN
  • Spiking neural networks SNN
    • Pulse Coded Neural Networks  PCNN
  • Cascading neural networks
  • Neuro-fuzzy networks
  • Growing Neural Gas GNG
  • Compositional pattern-producing networks
  • Counterpropagation network
  • Oscillating neural network
  • Hybridization neural network
  • Physical neural network
    • Optical neural network

تمایز Morphologische سلول های عصبی 1_Unipolar neuron ( نورون تک قطبی ) 2_ Bipolar neuron ( نورون دو قطبی ) 3_ نورون های چند قطبی ( سیستم مغز ) 4_ Pseudounipolar neuron ( سیستم عصبی محیطی )

لیست کامل انواع شبکه های عصبی در Types of artificial neural networks

شبکه های عصبی عموما با تئوری گراف ها ( Graph theory ) مرتبط هستند و بررسی می شنوند

جستارهای وابسته

• نرم‌افزارهای شبکه عصبی
• نورون ( Neuron )
• علوم شناختی ( Cognitive science )
• بینایی کامپیوتر ( computer vision )
• یادگیری ماشین ( machine learning )
• هوش جمعی ( swarm intelligence )
• سیستم های خودآگاه ( Artificial consciousness )
• رابط نورونی مستقیم ( DNI Direct neural interface )
• تعداد نورون ها در موجودات مختلف
• DNA محاسباتی
• علوم اعصاب محاسباتی
• آپلود مغز ( Mind uploading )
• خود آگاهی

Gallery

تابع Sigmoid که عموما به عنوان activation function داخل نورون مصنوعی برخی از شبکه های عصبی ازش استفاده می شه

در این تصویر cerebral cortex و  white matter رو می تونید مشاهده کنید ( 19% از نورون های شبکه عصبی در غشای مغزی یا همون cerebral cortex قرار گرفته

ساختار نورون در شبکه عصبی مغز

انواع مختلف feedback در شبکه RNN که در اون W_D ابی بازخورد مستقیم و w_i سبز بازخورد غیر مستقیم و w_l رنگ قرمز بازخورد جانبی هست. [۱]

اکشن پتانسیل نورون زیستی

منابع

• شبکه عصبی مصنوعی
• آموزش شبکه عصبی با متلب
• List of machine learning concepts
• Facebook AI Research ( شبکه ی حافظه یا Memory Networks منبع ← ) [۱۱]
• Google/Deep Mind ( گوگل دیپ مایند ←شبکه های عصبی deep learning با memory کوتاه مدت )[۱۲]
• مغز انسان پراکندگی درصدی نورون ها در مغز
• برخی از کتاب ها در این ضمینه ː
• Artificial Intelligence - A Modern Approach pdf
• Rolf Pfeifer & Christian Scheier Understanding Intelligence pdf
• Static And Dynamic Neural Networks - From Fundamental to Advanced Theory pdf