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.
Схема гибридной модели. Источник: Сергей Стасенко
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 зарегистрировалив Роспатенте при поддержке Центра трансфера технологий Нижегородского государственного университета имени Н. И. Лобачевского.
