Inteligentne Systemy Autonomiczne

advertisement
Inteligentne Systemy
Autonomiczne
Omó
Omówiliś
wiliśmy
‰
‰
‰
Kognitywistyka
‰
‰
W oparciu o wykład
Prof. Randall O'Reilly
University of Colorado,
Prof. Włodzisława Ducha
Uniwersytet Mikołaja Kopernika
oraz http://wikipedia.org/
‰
‰
http://grey.colorado.edu/CompCogNeuro/index.php/CECN_CU_Boulder_OReilly
http://grey.colorado.edu/CompCogNeuro/index.php/Main_Page
EE141
Janusz
ƒ
ƒ
ƒ
ƒ
1
‰
‰
2
Podstawy rozwoju inteligentnych systemó
systemów
Projekt do wykładu w oparciu o
ćwiczenia programu Emergent do
10% oceny
Z ksiązki Rolf Pfeifer “Understanding of Intelligence”
‰
ƒ Oceniany przez asystenta
‰
Podstawy kognitywistyki i jej psychologiczne uwarunkowania
Modele i mechanizmy inteligencji obliczeniowej
Modele pamięci i uczenia
Organizacje i budowę mózgu
EE141
A. Starzyk Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie
Wymagania
‰
Pojęcie inteligencji obudowanej (EI)
Uwarunkowania EI
Zasady projektowania
mechanizmów EI
Własności sztucznych sieci
neuronowych
Podstawy robotyki
Przykłady autonomicznych
systemów EI
W pozostałej części wykładu omówimy
Alternatywny projekt w oparciu o
“Goal Creation Experiment”
Obecność na wykładzie
Egzamin końcowy składa się z
‰
‰
‰
‰
ƒCzęści opisowej na ostatnich zajęciach dotyczącej przerobionego na wykładzie
materiału
ƒCzęści opisowej dotyczącej ćwiczeń z przygotowana lista pytań na które
studenci odpowiadają w samodzielnie sporządzonym raporcie złożonym na
ostatnich zajęciach lub opisu projektu w oparciu o “Goal Creation Experiment”
Strona wykładu
‰
‰
‰
Współdziałanie ze
złożonym otoczeniem
Tania budowa
Balans ekologiczny
Zasada nadmiarowości
Równoległe, luźno
połączone procesy
Asynchronizm
Współdziałanie czujników
i przekaźników
Zasada wartości
http://www.ent.ohiou.edu/~starzyk/network/Class/ee690/ISA II/index.htm
3
EE141
EE141
Zasady projektowania autonomicznych
systemó
systemów inteligentnych
Agent
4
Rysunek Ciarán O’Leary- Dublin Institute of Technology
Inteligencja Obudowana
Z książki Rolf Pfeifer “Understanding of Intelligence”
Zasady Projektowania
‰ Podejście syntetyczne
‰ Perspektywa czasowa
‰ Wyłanianie sie
‰ Różnorodność
‰ Nisza ekologiczna
Projektowanie Agentów
‰
‰
‰
‰
‰
‰
Projekt jest tani
Ma balans ekologiczny
Zasada nadmiarowości
Równoległe, luźno
powiązane procesy
Współdziałanie
sensoryczno-motoryczne
Zasada wartości działania
ƒ Definicja
ƒ Inteligencja Obudowana (EI) jest to mechanizm który
uczy sie jak przetrwać w nieprzychylnym otoczeniu
– Mechanizm: biologiczny, mechaniczny albo wirtualny agent
z wbudowanymi czujnikami i siłownikami
– EI oddziaływuje na otoczenie i odczuwa wyniki swojego działania
– Nieprzychylność otoczenia nie zanika i stymuluje EI do działania
– Nieprzychylność: agresja, ból, ograniczone środki, itp.
– EI uczy sie, musi wiec mieć asocjacyjną samoorganizującą sie
pamięć
– Wiedza jest zdobywana przez EI (pochodna inteligencji)
5
EE141
6
EE141
1
Obudowa Umysłu
‰
‰
‰
‰
Określanie Abstrakcyjnych Celó
Celów
Obudowa zawiera połączenia
sensoryczne i motoryczne którymi
rdzeń inteligencji kontroluje przy
współdziałaniu z otoczeniem.
Konieczna do rozwoju inteligencji
Niekoniecznie stała lub w formie
fizycznego ciała.
Jej granice są zmienne i wpływają
na samookreślenie mózgu.
Sensory pathway
(perception, sense)
‰ Celem jest zmniejszenie
prymitywnego poziomu
bólu
‰ Abstrakcyjne cele
Embodiment
9są wytwarzane w oparciu o
niższe cele
9zaspakajają prymitywne
cele
Intelligence
core
Motor pathway
(action, reaction)
refrigerator
Open
“food” becomes a
sensory input to
abstract pain center
Abstract pain
(Delayed memory of pain)
Food
Eat
-
Environment
Association
Inhibition
Reinforcement
Connection
Planning
Expectation
7
EE141
Level II
+
Level I
+
Dual pain
Pain
Stomach
Primitive
Level
8
EE141
Goal Creation Experiment
Goal Creation Experiment
EI Architecture
Pain
WTA
WTA
Goal
Creation
Mk
1
Competing
goals
Perceive
Act
Pk
10
Sk
1
Gk
1
Planning
INPUT
Pl
Task
Environment
Bk
OUTPUT
S
Simulation or
Real-World System
9
EE141
P
B
G
M
Połączenia pomiędzy neuronami sensorycznymi S,
ruchowymi M, torującymi B, bolu P i celow działania G.
10
EE141
Goal Creation Experiment
Goal Creation Experiment
1
S2
1
10
P2
wBP2
B2
S1
10
B1
UA
10
9Zadaniem jest napisanie programu realizującego ten
eksperyment dla dowolnej ilości wejść i wyjść
M2
1
9Zadane w eksperymencie parametry będą użyte do ilustracji
konkretnego uczenia
1
wPP2
9Program ma zademonstrować działanie maszyny w
zmieniającym sie środowisku
G
9W procesie uczenia należy wykorzystać parametry środowiska
podane w eksperymencie
wPG
9Maszyna będzie testowana przy nowych parametrach
środowiska
P1
9Pomiar skuteczności działania określony będzie poprzez
integracje prymitywnego bolu
wBP1
Dopasowanie wag torujących ośrodki bolu
11
EE141
12
EE141
2
((Neuro)kongitywizacja
Neuro)kongitywizacja
Mózgi ...
Powoli udaje się nam zrozumieć naturę ludzką.
Wszystkie dziedziny ulegają „kognitywizacji”:
‰ Neurofilozofia, filozofia umysłu.
‰ Psychologia (neuro)kognitywna.
‰ Lingwistyka (neuro)kognitywna.
Nowe dziedziny:
‰ Kognitywna matematyka.
‰ Kognitywna fizyka.
‰ Kognitywna historia, antropologia, socjologia.
‰ Kognitywna ekonomia i neuromarketing.
‰ Neuroestetyka.
‰ Neuroetyka.
‰ Neuroteologia.
13
‰ +Wiele innych dziedzin...bez zrozumienia siebie nie da się rozumieć!
EE141
‰
Najbardziej interesujące i najbardziej
złożone obiekty w znanym wszechświecie
‰
Jak można zrozumieć działanie mózgu?
‰
Na jakim poziomie się do tego zabrać?
Zewnętrzny opis niewiele da.
‰
Jak można zrozumieć działanie telewizora lub komputera?
‰
Eksperymenty nie wystarczą, konieczny jest schemat i zrozumienie
zasad działania.
‰
Aby się upewnić, że rozumiemy jak działa, trzeba zrobić model.
14
EE141
Sk
ąd co
ś wiemy?
Skąd
coś
Jak zrozumie
ćm
ózg?
zrozumieć
mózg?
Niezwykle ważne pytanie: skąd coś wiemy?
Zrozumieć: zredukować do prostszych mechanizmów?
Przykład: cudowna dieta dr K, chińska medycyna ludowa (bardzo
popularna w Singapurze) i inne cuda medyczne. Skąd wiemy, że działa?
Skąd wiemy, że nasze opinie odpowiadają rzeczywistości?
Gall zauważył, że kształt czaszki decyduje o zdolnościach.
Tysiące przypadków potwierdziły jego obserwacje.
=> Kranioskopia: mierzenie kształtu czaszki i określanie zdolności.
Oto mapa głównych ośrodków ...
Jakich mechanizmów? Analogii z komputerem? RAM, CPU? Logika?
To marne analogie.
Psychologia: najpierw trzeba opisać zachowanie, poszukuje wyjaśnień
najczęściej na poziomie opisowym, ale jak je zrozumieć?
Czy naprawdę wiem, czy tylko mi się wydaje?
Czy mogę poprzestać na niepewności, czy muszę się zdeklarować?
Niepewność pozwala się uczyć, pewność znacznie uczenie utrudnia
(widać to na modelach). Jeśli zdajemy sobie sprawę z tego, jak łatwo się
samemu oszukiwać, możemy uniknąć fanatyzmu (naukowego i nie tylko).
15
EE141
Redukcjonizm fizyczny: mechanizmy mózgu.
Rekonstrukcjonizm: używając mechanizmy odtworzyć funkcje mózgu
Na wiele pytań można odpowiedzieć tylko z perspektywy ekologicznej i
ewolucyjnej: dlaczego świat jest taki, jaki jest? Bo taki się zrobił ...
Dlaczego kora ma budowę kolumnową i warstwową?
Stworzyć: co trzeba wiedzieć by stworzyć sztuczny mózg?
16
EE141
Od molekuł
molekuł poprzez sieci neuronow...
neuronow...
… do zachowania
10-10 m, poziom molekularny: kanały jonowe, synapsy, własności
błon komórkowych, biofizyka, neurochemia, psychofarmakologia;
10-2 m, sieci mezoskopowe: mapy czuciowo-ruchowe,
samoorganizacja, teorie pola średniego, pamiec asocjacyjna, teorie
ośrodków ciągłych, EEG, MEG, metody obrazowania PET/fMRI ...
10-6 m, pojedyncze neurony: neurochemia, biofizyka, LTP,
neurofizjologia, modele neuronów, detektory specyficznej
aktywności, wylanianie sie.
10-1 m, pola transkorowe, obszary funkcjonalne mózgu:
uproszczone modele kory, struktury podkorowe, działania
sensomotoryczne, integracja funkcji, wyższe czynności
psychiczne, pamięć robocza, świadomość; (neuro)psychologia,
psychiatria komputerowa ...
10-4 m, małe sieci: synchronizacja aktywności neuronów, rekurencja,
neurodynamika, układy wielostabilne, generatory wzorców, pamięc,
zachowania chaotyczne, kodowanie neuronowe; neurofizjologia ...
Zjawiska poznawcze
Zasady oddziaływań
10-3 m, funkcjonalne grupy neuronów: kolumny korowe (104-105),
synchronizacja grup, kodowanie populacyjne, mikroobwody,
Local Field Potentials, neurodynamika wielkiej skali, pamiec
sekwencyjna, neuroanatomia i neurofizjologia.
Mechanizmy
neurobiologiczne
17
EE141
18
EE141
3
Poziom systemowy
Poziomy opisu
Podsumowanie (Churchland, Sejnowski 1988)
19
EE141
… do umys
łu
umysłu
Słowniczek nazw Polsko - Łacińskich części mózgu
http://www.kognitywistyka.net/mozg/slowniczek.html
20
oraz innych informacji o budowie i funkcjonowaniu mózgu
EE141
ŹŹródła
ródła wiedzy o m
ózgu
mózgu
Anatomia mózgu:
‰ metody klasyczne, neuroanatomia porównawcza;
‰ tomografia komputerowa (CT scan), USG mózgu;
‰ Rezonans Magnetyczny (MRI).
Teraz zdarza się cud ...
¾1 m, CUN, cały mózg i organizm:
¾powstaje świat wewnętrzny, zachowania intencjonalne,
działania celowe, myślenie, język, wszystko co bada psychologia
behawioralna.
¾Przybliżenia modeli neuronowych:
¾Finite State Automata, reguły zachowania, modele oparte na
wiedzy mechanizmów poznawczych w sztucznej inteligencji.
¾Gdzie podziała się psyche, perspektywa wewnętrzna?
¾Lost in translation: sieci => automaty skończone => zachowanie
21
EE141
Metody badania funkcji mózgu:
• Obserwacje rezultatów uszkodzeń (wypadki, udary, guzy mózgu,
operacje mózgu).
• Obserwacje neuropsychologiczne, choroby psychiczne.
• Systematyczne uszkodzenia mózgów zwierząt.
• Bezpośrednie stymulacje mózgu (TMS, elektrody) i zmysłów,
obserwacje reakcji fizjologicznych (introspekcja, GSR, EMG, oczy).
• Bezpośrednie obserwacje elektrycznej aktywności kory mózgu:
ECoG, optyczne, pomiary wieloelektrodowe.
• Obserwacje aktywności dużych grup neuronów EEG, MEG.
• Nieinwazyjne metody pośrednie: fMRI, PET, SPECT.
22
EE141
Model transformacji
Podejście neurokognitywne
Przetwarzanie informacji, pomijane sprzężenia zwrotne: redukcja ilości
informacji (kategoryzacja), działania senso-motoryczne.
Computational cognitive neuroscience: szczegółowe modele funkcji
poznawczych i neuronów.
Output
weights
Informatyka neurokognitywna: uproszczone modele wyższych czynności
poznawczych, myślenia, rozwiązywania problemów, uwagi, języka,
kontroli zachowania i świadomości.
Wiele spekulacji, ale modele jakościowe wyjaśniające rezultaty
eksperymentów psychofizycznych oraz przyczyny chorób psychicznych
rozwijają się szybko.
Nawet proste mózgo-podobne przetwarzanie informacji daje rezultaty
podobne do prawdziwych! Przestroga przed nadmiernym optymizmem
opartym na modelach behawioralnych.
Input
weights
Inputs:
23
EE141
~ p(MI|X) 0.7 Myocardial Infarction
(atak serca)
EE141
−1
65
Sex
Age
1
5
3
1
Smoking Pain
Elevation
Pain
24
Intensity Duration ECG: ST
4
Model samoorganizacji
Model dynamiczny
Topograficzne reprezentacje w licznych obszarach mózgu:
bodźców czuciowych, w korze ruchowej i móżdżku, wielomodalne mapy
orientacji w wzgórkach czworaczych górnych, mapy w układzie
wzrokowym i mapy kory słuchowej.
Model (Kohonen 1981):
konkurencja między grupami
neuronów i lokalna kooperacja.
Neurony reagują na sygnały
dostrajając swoje parametry tak,
by bodźce do siebie podobne
pobudzaly sąsiednie neurony.
x=dane
o=pozycje wag
neuronów
o
x
o
o
o
o
x
o x
o
o
o
xo
o
N-wymiarowa
przestrzeń danych
o
wagi wskazują
na punkty w N-D
siatka neuronów
w 2-D
25
EE141
Silne sprzężenia zwrotne, neurodynamika.
Model Hopfielda: pamięć skojarzeniowa, uczenie w oparciu o regułę
Hebba, dynamika synchroniczna, neurony dwustanowe.
Wektor potencjałów wejściowych
V(0)=Vini , czyli wejście = wyjście.
Dynamika (iteracje) ⇒
sieć Hopfielda osiąga stany stacjonarne,
czyli odpowiedzi sieci (wektory aktywacji
elementów) na zadane pytanie Vini
(autoasocjacja).
Jeśli połączenia są symetryczne to taka
sieć dąży do stanu stacjonarnego
(atraktor punktowy).
⎛
Vi ( t + 1) = sgn I i ( t + 1) = sgn ⎜
t = dyskretny czas.
(
)
⎝
EE141
Spike
EPSP, IPSP
Rsyn
Csyn
Rm
-70mV
Potencjał
akcyjny
Na+
“Spiking Neuron Models”,
W. Gerstner and W. Kistler
Cambridge University Press, 2002
K+
http://icwww.epfl.ch/~gerstner//SPNM/SPNM.html
Jony/białka
27
EE141
100
28
Model odpowiedzi impulsowej
wewnatrz
I
Ka
mV
gK
0
gNa gl
Kanaly jonowe
Na
Na zewnatrz
Pompa jonowa
pobudzenie
Aktywizacja
j
dh
dn
dm hnm−−−hn0m
()u )
0((u
0u)
===−−−
dt
dt
dt
ττhτn(m(uu()u) )
η (t − ti^ )
i
Pobudzenie: EPSP
ui
ε (t − t jf )
Pobudzenie: EPSP
ε (t − t
Aktywizacja: AP
η (t − t
sod
potas I
wyciek
I Na
I leak
K
du
3
4
C
= g Na m h(u − ENa ) + g K n (u − EK ) + g l (u − El ) + I (t )
dt
EE141
Ca2+
EE141
Model HodgkinHodgkin-Huxley
C
⎞
−θ j ⎟
⎠
Hodgkin i Huxley zmierzyli te prądy
i opisali ich dynamikę równaniami
różniczkowymi
Spike
Cm
j
Potencjały akcyjne sa wynikiem prądów
które przepływają przez kanały jonowe w
błonie komórkowej
Soma
Isyn(t)
ij
j
Podstawy molekularne
Model biofizyczny – spiking neurons
Synapses
∑W V26
^
i
)
ui (t ) = η (t − t ) +
Prawdopodobienstwo ze kanal jest otwarty jest
ui (t ) = ϑ ⇒
opisane przez dodatkowe zmienne m, n, i h.
29
∑∑ w ε (t − t )
ij
j
Firing:
ϑ
)
Wszystkie impulsy i neurony
Poprzedni impuls i
^
i
f
j
f
j
liniowy
f
ti^ = t
progowy
30
EE141
5
Model integracji i akywizacji
j
i
ui
I
Zjawiska psychologiczne
Aktywizacja
ϑ
Uwaga przestrzenna: uwzględnienie interakcji
pomiędzy strumieniami informacji wzrokowej
pozwoli symulować skupianie uwagi.
reset
ϑ
Pobudzenie : EPSP
τ⋅
d
ui = −ui + RI (t )
dt
ui (t ) = ϑ ⇒ Fire+reset
liniowy
Percepcja wzrokowa: oglądając naturalne
obrazy należy zrozumieć sposoby
kodowania obiektów i scen.
ε (t − t jf )
Pamięć: modelowanie struktur hipokampa pozwala na zrozumienie
różnych aspektów pamięci epizodycznej, a mechanizmy uczenia pokazują
jak dochodzi do powstawania pamięci semantycznej.
Pamięć robocza: wyjaśnienie zdolności do jednoczesnego utrzymywania
w umyśle kilku liczb w czasie obliczen wymaga specyficznych
mechanizmów w modelu neuronowym.
progowy
31
EE141
32
EE141
Zjawiska psychologiczne
Zalety modelowych symulacji
Czytanie słów: sieć będzie się uczyć czytania i wymowy słów a
następnie uogólniać swoją wiedze na wymowę nowych słów oraz
odtwarzać pewne formy dysleksji.
Reprezentacje semantyczne: analizując tekst na podstawie kontekstu
występowania poszczególnych słów sieć nauczy się semantyki wielu pojęć.
Podejmowanie decyzji i wykonywanie zadań:
model kory przedczołowej potrafi
utrzymywać uwagę na wykonywanych
zadaniach pomimo czynników
przeszkadzających.
Rozwój reprezentacji kory ruchowej i
somatosensorycznej:
przez uczenie i kontrolowaną
samoorganizację;
Modele pomagają zrozumieć zjawiska:
‰ umożliwiają nowe inspiracje, wgląd w problem
‰ pozwalają na symulację efektów uszkodzeń i zaburzeń (leków, zatruć).
‰ pomagają zrozumieć zachowanie,
‰ modele można formułować na różnych poziomach złożoności,
‰ modele zjawisk zachodzących w ciągły sposób (np ruchu czy percepcji),
‰ modele umożliwiają szczegółową kontrolę warunków eksperymentu i
dokładną analizę wyników
Modele wymagają dokładnej specyfikacji, unaocznienia założeń
‰ pozwalają na nowe przewidywania
‰ dokonują dekonstrukcji koncepcji psychologicznych (pamięć robocza?)
‰ pozwalają zrozumieć złożoność problemu
‰ pozwalają na uproszczenia umożliwiając analize złożonego systemu
‰ dostarczają jednolitego, spójnego schematu postępowania
33
EE141
34
EE141
Wady symulacji
‰
‰
‰
‰
‰
‰
‰
‰
Motywacja Kognitywistyczna
Modele są zwykle za proste, powinny obejmować wiele poziomów.
Modele mogą być zbyt złożone, czasami teoria pozwala na prostsze
wyjaśnienia (czemu na równiku nie ma huraganów?).
Nie zawsze wiadomo co należy uwzględnić w modelowaniu.
Modele nawet jeśli działają to jeszcze nie znaczy, że rozumiemy
mechanizmy
Wiele alternatywnych choć całkiem różnych modeli może wyjaśnić to
samo zjawisko.
Ważne są ogólne zasady, parametry są ograniczone przez
neurobiologię na różnym poziomie, im więcej zjawisk model
tłumaczy tym jest bardziej prawdopodobny i uniwersalny.
Uwzględnianie oddziaływań i wyłanianie (konstrukcja) są bardzo ważne.
Wiedza zdobywana dzięki modelom powinna ulegać kumulacji
Pomimo ze proces myślowy wydaje się szeregowym przetwarzaniem
informacji dokładniejsze modele przewidują równolegle przetwarzanie
‰
ƒ Stopniowe przejście pomiędzy świadomymi i podświadomymi
procesami
ƒ Równolegle przetwarzanie sygnałów sensoryczno motorycznych przez
dziesiątki milionów neuronów
Wyspecjalizowane obszary pamięci odpowiedzialne za rożne
reprezentacje np kształt, kolor, miejsce, czas
‰
ƒ Stopniowość reprezentacji symbolicznych
ƒ bardziej rozmyta niż logika binarna
‰
Mechanizmy uczenia jako podstawa kognitywistyki
ƒ Kiedy się uczysz zmieniasz sposób przetwarzania informacji w mózgu
Rezonans pomiędzy reprezentacja “od dołu” i rozumieniem “od góry”
‰ Przewidywanie i kompetycja pojęć
‰
35
EE141
36
EE141
6
Download