Журнал » Техноинформ » Знать бы, где упадёшь

Знать бы, где упадёшь

Моделирование мозжечка – необходимая составляющая создания рукотворного электронного мозга
Поговорка: «Знал бы, где упадёшь, соломки бы подстелил» – в афористичной форме отражает вековечную мечту человека о возможности предотвратить беды, обрушиваемые на него коварной природой и соседями по планете. Чтобы упредить «соседей», придуманы все-таки «противоядия» – разведки и спецслужбы, которые с разной степенью успеха выполняют эту функцию. Природа же, не столь злокозненная, как недруги, ещё менее предсказуема. Наука, правда, создала множество – эвристических и не очень – моделей широкого спектра сложности и адекватности. Однако самые адекватные, они и самые неподъёмные, поэтому задача прогноза различных катастроф любого происхождения по-прежнему столь же сложна, сколь и актуальна.
Существенным является тот факт, что все события, происходящие в настоящее время, подготовлены в прошлом. По оценкам специалистов, террористическая акция 11 сентября, потрясшая Соединенные Штаты и весь мир, готовилась не менее года. Поэтому за минуты до события она была уже практически неизбежна, и лишь чудо могло ей помешать. Хотя многие эксперты утверждают, что это могло быть предотвращено, если бы службы безопасности США обратили внимание на поступавшие ранее настораживающие сигналы. Вероятно, эти утверждения имеют под собой почву, но вряд ли можно ставить кому-либо в вину то, что никто заранее не распознал приближающуюся опасность. До сих пор не существовало средств, которые могли бы решать подобные задачи, а чрезвычайные ситуации в техногенном мире постоянно возникают не только в глобальном масштабе, но и на производстве, транспорте, в финансово-платежных системах – почти во всех сферах.
Основная трудность прогнозирования реальных процессов, как уже говорилось, состоит в большой размерности задач. Например, для прогнозирования курсов акций на нью-йоркской или какой-либо другой крупной бирже число наиболее существенных наблюдаемых параметров может быть порядка одного миллиона. Это курсы всех котирующихся ценных бумаг, общие финансовые и экономические показатели в различных регионах мира, курсы валют, цены на мировых рынках. Кроме того, существенными могут быть параметры, на первый взгляд далекие от финансов. Например, различные события общественной значимости, «температура» в горячих точках, выборы, визиты, высказывания государственных деятелей и т. д. 
При современных средствах коммуникаций, быстродействии и памяти современных компьютеров (суперкомпьютеров!) такой объем наблюдений вполне реален. Что делать дальше с этой информацией? Уже сейчас во многих компьютерных системах накоплены громадные базы данных. Но для задач анализа и прогнозирования используется лишь мизерная доля этой ценнейшей информации. Как правило, размерность реально решаемых задач не превосходит нескольких десятков, максимум сотен параметров. Выходит, что объемы 105–106 параметров просто не могут быть обработаны нашими сверхмощными компьютерами? А как же справляется с такими же и с еще большими объемами информации наш мозг, который и по быстродействию, и по памяти уступает современным суперкомпьютерам, в то же время успешно решая задачи управления сложнейшей многомерной системой – живым организмом?
  Механизмы работы мозга всегда были одной из интригующих неразгаданных тайн природы. Сейчас эта цитадель таинственности начала шаг за шагом уступать свои позиции. Появились твердые знания о том, как перерабатывается информация в нейронных системах и формируется управление организмом. Использование знаний о механизмах мозга при создании современных информационно-управляющих систем представляет значительный интерес, так как эффективность структур мозга при решении многих задач до сих пор остается непревзойденной.
Эта эффективность – результат отбора наиболее успешных алгоритмических и функциональных схем в процессе миллионов лет эволюции.
Сегодня представляется вполне реальной возможность применения в задачах прогнозирования нейронных алгоритмов, которые были реализованы природой в одной из наиболее эволюционно успешных частей мозга – мозжечке. Такая возможность открывается благодаря появившемуся в самое последнее время пониманию основных принципов работы мозжечка.
Надо сказать, что, начиная с середины 80-х годов, появились и устойчиво развиваются мощные вычислительные методы, называемые нейросетевыми, которые успешно конкурируют с «математически безупречными» при решении огромного спектра задач переработки информации и управления. Следует также отметить, что в подавляющем большинстве нейросетевых методов речь идет о прогнозировании (узнавании, интерполяции) мало- и многомерных сигналов. Подчеркнем, что детальные сравнения нейросетевых методов прогнозирования с современными статистическими методиками показывают: у них есть не перекрывающиеся сферы максимальной эффективности.
Наилучшей характеристикой нейронных сетей (этого практического инструмента для прогнозирования) является то, что они завоевали доверие в финансовых кругах, находя применение в таких приложениях, как оценка кредитоспособности, процедуры рассмотрения заявок на ссуды, распределение активов, прогнозирование денежных потоков, управление валютными активами и пр. Нейронные сети получили признание у практиков, так как более приспособлены для обнаружения нелинейных зависимостей при отсутствии априорных знаний об основной модели. Таким образом, можно констатировать, что применение нейросетей в прогнозировании – устоявшаяся область современных вычислительных технологий.
Здесь хотелось бы провести черту и отметить, что подавляющая часть применяемых «нейросетевых» методов основана на использовании так называемых «формальных нейронов» и построении из них различных сетевых конструкций. В большинстве случаев такие конструкции работают совсем не так, как нейронные сети мозга. Это ни в коей мере не снижает значения разработанных методов. Однако представляется весьма интересным наряду с рассмотрением искусственных, формальных нейронных сетей попытаться проанализировать и применить алгоритмы и схемы, которые «изобретены» природой и успешно решают сложнейшие задачи управления живыми организмами.
  До сих пор заимствование принципов работы мозжечка в технике было сосредоточено на наиболее очевидной задаче – управлении движением сложных механических устройств, роботов, манипуляторов и пр. Но уже довольно давно известно, что мозжечок вовлечен практически во все задачи управления организмом. При этом он имеет абсолютно однородную структуру, независимо от того, какие конкретные функции выполняют различные его отделы. Поэтому крайне перспективно применение этих принципов не только в задачах управления движением, но и для других целей.
В результате анализа работ специалистов многих отраслей знаний, занимавшихся моделированием информационных процессов в мозжечке, стало понятно, что он занимается предсказанием значений огромного числа переменных, характеризующих состояние организма. И наиболее существенным моментом в работе мозжечка является одновременность предсказания всей этой массы переменных. Одновременность реализуется за счет многосвязной работы однотипных предсказательных модулей. Именно многосвязность структуры однотипных элементов, а также эффективность алгоритмов предсказания, реализованная в мозжечке, позволяют надеяться на успех в построении вычислительных схем решения задачи прогнозирования сверхбольшой размерности.
Как мозжечок справляется с информацией
Прогноз, интерполяция и экстраполяция (включая распознавание) были всегда задачей номер один для нейросетевых методов. Механизмы их решения, обнаруженные в мозжечке, имеют свои особенности. В частности, базовый модуль мозжечковой интерполяции – замкнутая петля, состоящая из нескольких клеток Пуркинье и «лианной клетки», – представляет существенный элемент новизны в обучающих системах (рис. 1).
Внешними входами этого модуля являются сигналы g(t), подающиеся на клетки Пуркинье по параллельным волокнам, и контрольный (обучающий) сигнал a(t), поступающий на вход лианной клетки. Выход модуля a~ (t) вырабатывается клетками Пуркинье как функция вектора g(t) и вектора s(t) – «коэффициентов влияния» параллельных волокон (весов). Задача этого модуля мозжечка состоит в нахождении корреляционной зависимости между сигналами g(t) и a(t) в процессе обучения и в последующем воспроизведении этой зависимости в сигнале a~ (t) для управления различными процессами в организме. Функции «учителя» здесь выполняет лианная клетка, которая замыкает обратную связь от выходов клеток Пуркинье (через малые клетки ядер мозжечка).
Сравнивая значения a(t) и a~ (t), лианная клетка направляет на клетки Пуркинье сигналы, корректирующие вектор s(t), то есть корректирующие связь a~ (t) с входами g(t). На временнoй диаграмме показана активность лианной клетки в стационарном режиме. Надо отметить, что лианная клетка возбуждается с определенным периодом, подверженным малым отклонениям. Активность лианной клетки в стационарном режиме сохраняет (подтверждает) текущее состояние системы или обеспечивает относительно медленное изменение ее параметров. Если же на входы g(t) или a(t) поступают сигналы, которые резко выводят систему из стационарного режима, то лианная клетка генерирует вспышку корректирующих импульсов, сигнализирует организму о возможном возникновении чрезвычайной ситуации!
Анализируя эти механизмы работы мозжечка, можно сказать, что они в своей основе используют весьма простые, однотипные соотношения. Однако эта простота компенсируется высокой размерностью реальных структур. В «живом» мозжечке (у человека) каждая лианная клетка контролирует в среднем 10 клеток Пуркинье. Каждая клетка Пуркинье имеет связи с 500 тысячами параллельных волокон (т.е. на одну лианную клетку работают в среднем 5 млн параллельных волокон). Общее число лианных клеток у человека – около 1 млн.
Разные лианные клетки работают параллельно, но не независимо. Петли обратной связи могут пересекаться за счет того, что разные лианные клетки могут использовать выходы от одних и тех же малых клеток ядер мозжечка. Это обстоятельство является существенным в задачах большой размерности. При таком объединении ресурсов вычислительные возможности системы увеличиваются за счет одновременного участия в одной и той же задаче управления (прогнозирования) многих модулей мозжечка.
Прогнозирование «по-мозжечковому»
Знания механизмов работы мозжечка, которыми мы сейчас располагаем, позволяют говорить о реальности разработки использующих их прикладных проектов. На наш взгляд, одной из актуальных и перспективных задач в этой области является разработка проекта системы многомерного прогнозирования, основанной на полномасштабных (или близких к тому) нейрокомпьютерных моделях описанных структур. Разработка такого проекта будет способствовать решению ряда фундаментальных проблем как в области познания механизмов мозга, так и в классической области математического моделирования. 
Нейрокомпьютерные модели мозжечка в силу своей размерности могут быть реально построены только на современных суперкомпьютерах с распараллеливанием всех вычислительных процессов. Разработка архитектуры такой системы – это отдельная, достаточно сложная научно-инженерная задача. Самая общая схема модели изображена на рис. 2.
Здесь нейрокомпьютерная модель представлена в виде совокупности N связанных между собой блоков, где N – число доступных процессоров. Связи между блоками обеспечиваются через общую высокопроизводительную шину. Каждый блок представляет собой однородную структуру из множества лианных клеток, относящихся к прогнозированию наиболее сильно связанных между собой прогнозируемых параметров. Внешние входы каждого блока обеспечиваются специальными процессорами – генераторами данных. Генерирование данных – это тоже самостоятельная и очень непростая задача. Она связана с получением информации извне, преобразованием ее в нужный вид и передачей на входы моделей. Кроме того, здесь же необходимо обеспечивать формирование обучающих, контрольных и тестовых последовательностей данных. Основная сложность этой задачи состоит в необходимости поддерживать нужную размерность.
Общая размерность задачи моделирования функционирования мозжечка составляет 5 трлн. (5.1012). На основании вычислительных экспериментов можно оценить сложность этой модели. Если рассчитывать на суммарную производительность суперкомпьютера порядка триллиона (1012) операций в секунду, то при эффективном распараллеливании задачи один шаг вычислений может быть выполнен за несколько минут. Для моделирования управления организмом это, вероятно, очень значительное время. Однако для решения отдельных прикладных задач размерность модели, скорее всего, будет на несколько порядков меньше, и тогда характерные времена вычислительного и реального процессов не должны резко отличаться. Поэтому для прикладных задач можно ожидать реализацию моделирования и прогнозирования практически в реальном масштабе времени.
  В роли содержательной прикладной задачи для пилотного проекта реализации предлагаемой концепции представляется необходимым избрать в качестве наблюдаемой системы какую-нибудь крупную фондовую биржу. Курсы акций на ней являются, с одной стороны, традиционным объектом прогнозирования, а с другой – индикатором чрезвычайных ситуаций. Существенный момент при выборе объекта прогнозирования представляет собой доступность наблюдаемых параметров и возможность количественной оценки эффективности решения задачи прогнозирования.
Что это даст?
Основным практическим результатом предлагаемого проекта является создание прототипа программных комплексов прогнозирования чрезвычайных ситуаций в сложных экономических, социальных, производственных, технических системах. Реализация этого проекта позволит оценить коммерческую привлекательность, эффективность, трудоемкость и стоимость разработки подобных систем.
  Что касается теоретических результатов, то здесь, бесспорно, можно ожидать фундаментальных результатов в области нейрокомпьютерного моделирования, которое необходимо для дальнейшего изучения механизмов работы мозга.
И наконец, еще одно замечание. Моделируемый прототип – мозжечок – это компактное вычислительное устройство (вес у человека – до 150 г). По этой причине сверхзадача подобного моделирования – создание искусственного аналога этого устройства. Таким образом, суперкомпьютерный подход к моделированию мозжечка – это этап на пути разработки электронного аналога биологического прототипа, говоря попросту – необходимая составляющая рукотворного электронного мозга, способного конкурировать в нужных обществу областях с живым, человеческим.
Леонид ВЫШИНСКИЙ , кандидат физ.-мат. наук, зав. сектором Вычислительного центра РАН;
Виталий ДУНИН-БАРКОВСКИЙ , доктор физ.-мат. наук, ведущий сотрудник Института проблем передачи информации РАН;
Юрий ФЛЕРОВ , доктор физ.-мат. наук, заведующий отделом Вычислительного центра РАН;
Иосиф НОВОДВОРСКИЙ , обозреватель журнала