Российские ученые предложили новую модель сверточной нейронной сети для анализа изображений, имитирующую работу кратковременной памяти. Главное преимущество алгоритма 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, — вспомогательными клетками нервной ткани. Такая «гибридная» модель на 15% точнее обрабатывает изображения, чем аналоги, а потому будет полезна при создании систем искусственного интеллекта, использующихся в управлении и навигации робототехнических устройств и в медицинской диагностике. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Biometics.
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. Например, их логику принятия решений сложно понять и объяснить. 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. Также существующие алгоритмы все еще не способны 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 улучшив их точность.
Ученые из Нижегородского государственного университета имени Н.И. Лобачевского (Нижний Новгород) предложили новую сверточную нейронную сеть с кратковременной памятью, которая управляется астроцитами. Кратковременная память, также известная как рабочая память, отвечает за временное хранение и управление информацией. Она играет решающую роль во внимании, обучении, решении проблем и принятии решений. В этой работе авторы совместили в одном алгоритме искусственную нейронную сеть и результаты моделирования кратковременной памяти, в которых учитываются взаимодействие нейронов и астроцитов. Это позволило алгоритму точнее на 15%, 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 направлениях, где обычные сверточные нейросети используются и сейчас, например в компьютерном зрении. Это увеличит их возможности в обработке изображений, а именно позволит точнее находить необходимые объекты.
«Наша работа показывает, что улучшить нейронные сети можно, сымитировав в алгоритме такие функции мозга, как кратковременную 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 руководитель проекта, поддержанного грантом РНФ, Сергей Стасенко, доцент Нижегородского государственного университета имени Н.И. Лобачевского.
В рамках проекта авторы разработали программное обеспечение, которое зарегистрировали в Роспатенте при поддержке Центра трансфера технологий Нижегородского государственного университета имени Н.И. Лобачевского.
