Bankovní institut vysoká škola Praha Katedra informačních technologií a elektronického obchodování Možnosti aplikace umělých neuronových sítí. Bakalářská práce Autor: Dinara Yestayeva Informační technologie, AIS Vedoucí práce: doc. Ing. Stanislav Horný, Csc. Praha Duben, 2009
Prohlášení: Prohlašuji, že jsem bakalářskou práci zpracovala samostatně a s použitím uvedené literatury.......... V Praze dne 15 dubna 2009 Dinara Yestayeva
Poděkování Děkují svému vedoucímu této práce panu doc. Ing. Stanislavu Hornému,Csc. za vedení a podporu. Chtěla bych taky poděkovat mé rodině a mým kamarádkám za jejich velkou podporu během mého studia a při psaní bakalářské práce..
Anotace V bakalářské práci jsou projednány základy teorie neuronových sítí, dovolujících soustředit se dále ke konkrétním strukturám, algoritmům a ideologii praktického použití v počítačových aplikacích. Jsou interpretovány základy teorie umělých neuronových sítí. Je vysvětlen prostor neuronových sítí v evoluci inteligentních systémů. Jsou zde pojednány všeobecné otázky použití umělých neuronových sítí v systémech řízení a komunikací. Jsou zde vyznačeny výhody, které poskytuje použití technologie neuronových formací při řešení mnohých netradičních, ale i tradičních úloh řízení a komunikací. V bakalářské práci jsou pojednány různé oblasti používání i využití umělých neuronových sítí, ale také jejich způsobilost ke studiu ( k procesu nastavení architektury sítě a významu synoptických přenosů) pro efektivní řešení vytčeného úkolu. V současné době umělé neuronové sítě jsou významné pro rozšíření koncepcí výpočtů. Klíčová slova: neuronová sit', umělá intelegence, neuron, perceptron. Abstract The diploma thesis describes the basic theory of neural networks, which further dealt with specific structures, algorithms, and adaptation of these networks in computer applications. Describes the basis of artificial neural networks. Shows the neural networks place in intelligent systems evaluation. Considers the general issues of applying artificial neural networks in communication and system control. Outlines the benefits of using neuroinformational technology to solve as unconventional or conventional problems of management and communication. Gives the examples of application both of nanoengineering and neural networks. The diploma thesis makes out different areas of application and using artificial neural networks, as well as their ability to learn the process of setting network architecture and weights of synaptic connections for the effective solution of the problem. Nowadays, the artificial neural networks are an important extension of the notion of computation. Keywords: neural network, artificial intelligence, neuron.
Obsah Úvod... 6 1. Pojem a vlastnosti neuronových sítí... 10 1.1 Metoda mikrobiologie. Biologický neuron... 10 1.2 Umělé neuronové sítě. Pojem formálního neuronu a vícevrstvového perceptronu... 14 1.3 Typy neuronových sítí... 19 1.4 Konekcionismus... 24 2. Nanotechnologie... 26 2.1 Pojem, historie... 26 2.2 Předmět, cíle a hlavní směry v oblasti nanotechnologií.... 26 2.3 Uplatnění nanoinženerii a neuronových sítí... 28 2.3.1 Špionáž a potlačení bolesti pomocí neurotechnologií.... 29 2.3.2 Lékařství... 30 2.4 Rizika... 31 3. Možnosti použití neuronových sítí... 33 3.1 Místo neuronových sítí mezi jinými metodami řešení úloh... 33 3.2 Robotika jako směr UI... 40 4. Perspektivy.... 42 4.1 Budoucnost... 42 4.2 Výsledky... 43 Závěr... 44 Seznam použitých obrázků... 46 Seznam použité literatury.... 47 Přílohy... 49
Úvod. Není to dávno, kdy lidstvo vstoupilo do nového XXI. století. Uplynulé století pro lidstvo znamenalo událostí různé povahy (pozitivní i negativní): dvě světové války, vynález jaderných zbraní, vynález personálního počítače (PC), projektování a následné vytvoření mezinárodní počítačové sítě Internet, apod. XXI. století. Na co se můžeme těšit? Zkusme zobecnit nejnerealističtější předpovědí i když všechny jsou založeny na existujících projektech. Zde jsou hlavní technologie, které budou určovat naši budoucnost v příštím století. Nanotechnologie. Jedná se o kvalitativní změnu na novou technologickou úroveň je to skok od manipulace s látkou k manipulaci s jednotlivými atomy. Manipulace budou provedeny pomocí nanostrojů mechanismů a robotů o velikosti molekul. Které budou pracovat s atomy a molekulami ze kterých budou vytvářet všechno, co existuje stejně jako budova se staví z cihel 1. Umělá inteligence. Je to vynalez člověka, který již brzy překoná člověka v jeho schopnostech (dokonce i v tvořivosti). Protože na rozdíl od lidí, bude mít příležitost nejen poznávat, ale také se zlepšovat. Umělá inteligence bude schopná změnit architekturu svého umělého mozku, pokud to budou vyžadovat nové dovednosti. Na rozdíl od kyborga člověk, který snadno operuje trojrozměrnými objekty, nikdy nedokáže pochopit, řekněme pětiměrné objekty. 2 Robotizace. Roboty budou plnit úkoly, které jsou obtížné nebo vůbec nejsou možné pro nanostroje, například výstavba velkých staveb, jako jsou domy. Genetické inženýrství. Početné vesmírné lety. Lidstvo začne dobývat vesmír. Nanotechnologie vyřeší problém hladu, protože potraviny budou k dispozici téměř z čehokoliv. Zmizí ekonomika (v současném slova smyslu) a to kvůli bezvýznamnosti rozdělení bohatství. Bude vyřešen problém chudoby. Gerontologie. Dosažení osobní nesmrtelnosti lidí, zavedením do organizmu molekulárních robotů, které zabraní stárnutí buněk, jakož i restrukturalizaci a vylepšení 1 Galcov, Maxim. Nanotechnologie: zachránění nebo uhynutí?[online] c2003[cit. 2009-02-17] dostupný z http://zhurnal.lib.ru/g/galxcow_m_a/nano.shtml 2 Ladikov, Pavel. Cesta k umělému intelektu. [online]c1998 [cit.2009-02-17 ]Chap. 25 dostupný z http://www.softholm.com/articles/windows.html 6
tkaní lidského těla. Oživení a vyléčení beznadějně nemocných lidí, kteří byli zmražení v současné době metodami kryoniky. 3 Toto všechno velmi silně zapůsobí na lidskou psychiku. Konec konců, člověk nebude muset spěchat. Protože bude mít před sebou celou věčnost. Dojde ke zmizení trestné činnosti, protože nebude existovat k ní důvod. Dojde ke zmizení průmyslu. Náhrada tradiční metody výroby za výrobu molekulárními roboty veškerých předmětů spotřeby přímo z atomů a molekul. Až do osobních syntetizérů a kopírovacích zařízení, umožňujících výrobu jakéhokoli objektu 4. To by vyřešilo problém znečištění životního prostředí. Globální telekomunikace poskytnou příležitost k vytvoření skutečné demokracie, protože se každý bude podílet na všech rozhodnutích týkajících se veřejnosti. V dané bakalářské práci zkusme rozebrat co to je umělé neuronové sítě. V posledních desetiletích se ve světě bouřlivě rozvíjí nová oblast aplikované matematiky, specializující se na umělé neuronové sítě (UNS). Naléhavost výzkumu v tomto směru je potvrzena spoustou různých aplikací UNS. Je to automatizace procesů rozeznávání obrazů, adaptivní řízení, aproximace funkcionálů, prognózování, tvorba expertních systémů, organizace asociativní paměti a mnohá další uplatnění. S pomocí UNS můžeme, například, předpovídat ukazatele burzovního trhu, uskutečňovat odhalování optických nebo zvukových signálů, vytvářet učící se systémy, schopné řídit automobil při zaparkování nebo syntetizovat řeč dle textu. Teorie neuronových sítí nastoluje obsáhlý okruh otázek z různých oblastí vědy: biofyziky, matematiky, informatiky, techniky integrovaných obvodů a technologie. Proto je pojem neuronové sítě složité přesně definovat. Umělé neuronové sítě (UNS). 5 Znamenají síť prvků umělých neuronů propojených mezi sebou synoptickými přenosy. Síť zpracovává vstupní informaci a v procesu změny stavu dočasně formuje soubor výstupních signálů. 3, 4 Yagodin, S. Nanotechnologie.perspektivy vývoje.[online]c2007[cit. 2009-02-18] dostupný z http://popnano.ru/studies/index.php?task=view&id=162 5 Umělá neuronová sít (UNS) je struktura určena pro distribuované paralelní zpracování dat. Zdroj: http://cs.wikipedia.org/wiki/neuronov%c3%a1_s%c3%ad%c5%a5 7
Práce sítě sestává v přeměně vstupních signálů, výsledkem čehož je se mění vnitřní stav sítě a formují se výstupní účinky. Obvykle UNS operují s číselnými, nikoliv symbolickými hodnotami. Většina modelů UNS vyžaduje zaškolení. Ve většině případů zaškolení takový výběr parametrů sítě, při kterých síť zdolává určený problém. Zaškolení - to je úloha vícenásobné optimalizace a pro její řešení existuje množství algoritmů. Umělé neuronové sítě sada matematických a algoritmických metod pro řešení rozsáhlého okruhu úloh. Vyčlením charakteristické rysy umělých neurosítí jako univerzálního nástroje pro řešení úloh: 1. UNS poskytují možnost lépe pochopit organizaci nervového systému člověka zvířat na středních úrovních: paměť, zpracování senzorových informací, motoriky. UNS prostředek zpracování informace: a) pružný model pro nelineární aproximaci vícenásobných funkcí; b)prostředek prognózování v čase pro procesy závisící na mnoha proměnných; c)třídič mnohých příznaků, způsobující rozbití vstupního prostoru na oblasti; d)prostředek odhalování obrazů; e)nástroj pro hledání asociací; f)model pro vyhledávání zákonitostí v množství údajů. 2. UNS jsou nezávislé na omezení obyčejných počítačů díky paralelnímu zpracování a silné provázanosti neuronů. 3. V perspektivě UNS musíme pomoci pochopit principy, na kterých jsou postaveny vyšší funkce nervového systému: vědomí, emoce, myšlení. Cílem bakalářské práce je studium základních konceptů umělých neuronových sítí a možnost jejich použití. V souladu s vytčeným cílem byly určeny základní úkoly výzkumu: 1.objasnit neuronové sítě; 2.posoudit pojem a vlastnosti biologického neuronu; 3. posoudit vzájemné vztahy neuronových sítí a nanotechnologií; 4.posoudit pojem umělých neuronových sítí a jejich historický rozvoj; 5.vysvětlit pojem formálního neuronu a vícevrstvového perceptronu; 6.posoudit druhy neuronových sítí; 8
7.prozkoumat jevy konekcionismu; 8.určit místo neuronových sítí mezi jinými metodami řešení úloh; 9.udělat přehled základních sfér použití neuronových sítí; 10.prozkoumat robotiku jako směr umělé inteligence. 9
1. Pojem a vlastnosti neuronových sítí 1.1 Metoda mikrobiologie. Biologický neuron Umělé neuronové sítě jsou indukované biologií, protože sestávají z prvků, jejichž funkční možnosti jsou analogické většině základních funkcí biologického neuronu. Tyto prvky potom uspořádají způsobem, který může odpovídat (nebo neodpovídat) anatomii mozku. K předmětu neurobiologie patří studium nervového systému a jejího hlavního orgánu mozku. Principiální otázkou pro tuto nauku je vyjasnění vztahů mezi skladbou nervového systému a jeho funkcí. Průzkum se provádí na několika úrovních: molekulární, buněčné, na úrovni jednotlivého orgánu, celého organizmu a dále na úrovni společenské skupiny. Tímto způsobem se klasický neurobiologický přístup skládá v postupný posuv od elementárních forem směrem k jejich složitosti. Pro naše praktické cíle bude východiskem buněčná úroveň. Podle současného názoru, jmenovitě na souhrnu elementárních molekulárních chemicko biologických procesech, probíhajících v izolované buňce, formuje jí jako elementární procesor, schopný jednoduchého přepracování informace. Modelování biologických neuronových sítí je opodstatněné a perspektivní. Ale podle výzkumu UNS je nevyhnutelné mít matematický model biologického neuronu a biologické neuronové sítě. Centrální nervová soustava má buněčnou stavbu. Jednotka nervová buňka, neuron. Neuron má následující základní vlastnosti: 1. Zúčastňuje se látkové výměny a rozptyluje energii. Mění vnitřní stavbu s průběhem času, reaguje na vstupní signály a formuje výstupní účinky a proto je aktivním dynamickým systémem. 2. Má množství synapse kontaktů pro přenos informace. 3. Neuron spolupůsobí cestou výměny elektrochemických signálů dvou typů: elektrotonické (s útlumem) a nervovými impulzy (zátavami), rozšiřujícími se bez útlumu. 10
Existují dva způsoby pro vytvoření umělých neuronových sítí. Informační způsob: je lhostejno, jaké mechanizmy spočívají na pracovním základu umělých neuronových sítí, důležité je pouze, aby při řešení úloh informační procesy v UNS podobné biologickým. Biologický: při modelování je důležitá biopodobnost a nevyhnutelně detailně studovat práci biologického neuronu. Největší práce ve výzkumu biologických neuronových sítí vykonali Andrew Haxley, Alan Hodgin, Bernard Kats, John Ekkles, Steven Kuffler. Neurony jsou velmi různorodé podle tvaru, který závisí na jejich výskytu v nervovém systému a zvláštností působení. Na obrázku 1 je zobrazeno schéma stavby typického neuronu. Obrázek 1. Obecné schéma stavby biologického neuronu Zdroj: http://dev.emcelettronica.com/files/u4/fig0052.png Tělo buňky obsahuje množství rozvětvených výhonků dvou typů. Výhonky prvního typu, nazývané dendrity pro jejich podobu s korunou rozkošatého stromu, slouží jako vstupní kanály nervových impulzů od druhých neuronů. Tyto impulzy vstupují do somy nebo těla buňky o rozměru od 3 do 100 mikronů, vyvolávaje její vybuzení, které se prozatím rozšiřuje po výstupním výhonku druhého typu, - axonu. Délka axonů znatelně předčí rozměry dendritů, ve zvláštních případech dostihuje centimetrů a dokonce metrů. Gigantický axon kalmara má tloušťku asi milimetr, ale právě jeho pozorování posloužilo k vyjasnění mechanizmu přenosu nervových impulzů mezi neurony. Tělo neuronu, vyplněné vodivým iontovým roztokem, je obaleno membránou tloušťky 75 angströmů 6, vyznačující se nízkou vodivostí. Mezi vnitřním povrchem 6 Ångström (symbol Å) je jednotka délky. Hodnota jednoho angstromu je rovna 0,1 nm neboli 10-10 m. Často se používá při vyjadřování velikostí atomů, délek chemických vazeb nebo vlnových délek spektrálních čar. 11
membrány axonu a vnějším prostředím je podporována různost elektrických potenciálů. To se uskutečňuje pomocí molekulárního mechanizmu iontových čerpadel, vytvářejících rozdílnou koncentraci kladných iontů K+ a Na + uvnitř a vně buňky. Propustnost membrány neuronu je selektivní pro tyto ionty. Uvnitř axonu buňky, nacházející se ve stavu klidu, se aktivní pohyb iontů snaží podporovat koncentraci iontů draslíku vyšší, než iontů sodíku, tedy v kapalině, obklopující axon, se objevuje vyšší koncentrace iontů Na+. Pasivní difúze pohyblivějších iontů draslíku je přivádí k intenzivnímu výstupu z buňky, což podmiňuje jeho celkově záporný klidový potenciál vnějšího prostředí, činící asi 65 milivoltů. Při působení stimulujících signálů od druhých neuronů mění membrána axonu dynamicky svoji vodivost. Toto se děje, když sumární vnitřní potenciál převyšuje prahovou hodnotu rozsahu -50mV. Membrána na krátkou dobu, trvající asi 2 milisekundy, mění svoji polaritu (depolarizuje se) a dosahuje potenciálu působnosti asi +40 mv. Na mikroúrovni se to vysvětluje jako krátkodobé zvýšení propustnosti membrány pro ionty Na+ a jejich aktivním vstupem do axonu. Později, podle výstupu iontů draslíku, se kladný náboj z vnitřní strany membrány přemění na záporný a nastává tzv. refrakce, která trvá asi 200 milisekund. V průběhu této doby je neuron zcela pasivní, prakticky beze změny zachovává potenciál uvnitř axonu na hladině asi -70 mv. Impuls depolarizace buněčné membrány, se rozšiřuje podél axonu prakticky bez útlumu, jsouce podporován lokálními iontovými gradienty. Rychlost přemísťování impulzu je poměrně malá a činí 100 až 1000 centimetrů za vteřinu. Vybuzení neuronu impulzem se přenese na druhé neurony, které jsou tímto způsobem nasyceny vodivou sítí nervových impulzů. Části membrány na axonu, kde jsou rozmístěny oblasti kontaktu axonu daného neuronu s dendrity jiných neuronů se nazývají synapsi. V oblasti synapse, vyznačujícího se složitou stavbou, probíhá výměna informací o vybuzení mezi neurony. Mechanizmy synoptického přenosu jsou dost složité a různorodé. Mohou mít chemickou i elektrickou podstatu. V chemické synapsi se v přenosu impulzů účastní specifické chemické látky - neuromediátory, vyvolávající změny propustnosti lokální oblasti membrány. V závislosti na typu vyráběného mediátoru může synapse disponovat budící (efektivně vodící vybuzení) nebo brzdící působností. Obvykle na všech výhoncích jednoho neuronu se vyrábí jeden a tentýž mediátor, u proto se neuron 12
celkově chová jako brzdící nebo budící. Toto důležité pozorování přítomnosti neuronů různých typů v následujících kapitolách se bude zásadně používat při projektování umělých systémů. Biologický neuron obsahuje následující elementární články (obrázek 2): Obrázek 2. Biologický neuron. Zdroj:http://www.utexas.edu/courses/bio365r/Images/neuron.JPG Tělo buňky soma: obsahuje jádro, mitochondrii (zabezpečuje buňky energií), jiné orgány, podporující životní činnost buňky. Dendrity vstupní vlákna, přijímají informaci od jiných neuronů. Aktivita v dendritech se mění plynule. Jejich délka není obvykle větší než 1 mm. Membrána udržuje stálé složení cytoplazmy uvnitř buňky, zabezpečuje přenos nervových impulzů. Cytoplazma vnitřní prostředí buňky. Odlišuje se koncentrací iontů K+, Na+, Ca ++ a jiných látek ve srovnání s mimobuněčným prostředím. Axon, jeden nebo žádný v každé buňce, - dlouhý, někdy více než metr, výstupní nervové vlákno buňky. Impulz se generuje v axonovém pahrbku. Axon zabezpečuje převedení impulzu a přenos působení na jiné neurony nebo svalová vlákna. Na konci se axon často větví. 13
Synapse (zápoj) místo kontaktu nervových vláken předává vzruch od buňky k buňce. Přenos přes synapsi je téměř vždy jednosměrný. Rozlišují se presynaptické a postsynaptické buňky podle směru přenosu impulzu. Schwannovy buňky. Specifické buňky, téměř celkově sestávající z myelinu, organického izolantu. Těsně ovinují nervové vlákno 250 vrstvami (myelinová pochva). Neizolovaná místa nervového vlákna mezi Schwannovými buňkami se jmenují zářezy Ranvierovy. Na úkor myelinové izolace vzrůstá rychlost šíření nervových impulzů na 5 10 násobek a zmenšují se ztráty energie při vedení impulzů. Myelinovaná vlákna se vyskytují pouze u vyšších zvířat. V centrální nervové soustavě člověka se nachází 100 až 1000 typů nervových buněk v závislosti na zvoleném stupni rozlišení. Odlišují se tvarem dendritů, výskytem a délkou axonů a rozlišením synapsí okolo buňky. Buňky jsou mezi sebou silně svázány. U neuronu může být více než 1000 synapsí. Funkčně podobné buňky vytvářejí shluky, kulovité nebo paralelně vrstvené. V mozku jsou vyčleněny stovky shluků. Kůra hlavního mozku také shluk. Tloušťka kůry 2 mm, plocha okolo čtvereční stopy. 1.2 Umělé neuronové sítě. Pojem formálního neuronu a vícevrstvového perceptronu Umělé neuronové sítě (UNS) se stavějí na principech organizace a fungování biologických analogů. Jsou schopny řešit široký okruh úkolů rozeznávání obrazů, identifikace, prognózování, optimalizace, řízení složitých objektů. Další zvýšení kapacity (výkonnosti) počítačů závisí ve velké míře na UNS, konkrétně na neurokomputerech (NK), jejichž základe tvoří neuronová síť. Termín neuronové sítě byl zformulován uprostřed 50-tých let 20. století. Základní výsledky jsou spojeny se jmény U.McCullocha, D.Hebba, F. Rosenblatta, M. Minského, J. Hopfielda. Uvedu krátkou historickou informaci. Roku 1943 W. McCulloch a W.Pitts navrhli model neuronu a zformulovali základní poučky teorie fungování mozku. Roku 1949 D. Hebb vyslovil myšlenky o charakteru spojení neuronů mozku a jejich součinnost (buněčné soubory, synoptická tvárnost). Jako první navrhl pravidla studia neuronové sítě. 14
Roku 1957 F. Rosenblatt vypracoval principy uspořádání a fungování perceptronů, navrhla variantu na světě prvního neurokomputeru Mark. Roku 1959 D. Hubei a T. Wiesel předvedli rozložený a rovnoběžný charakter uchování a zpracování informací v biologických neuronových sítích. V letech 1960 1968 Aktivní výzkumy v oblasti umělých neuronových sítí, například ADALINA a MADALINA W. Widrow (roky 1960 1962), asociační matrice K. Steinbucha (1961). Roku 1969 Publikace knihy M. Minského a S. Paperta Perceptrony, ve které se prokazuje principiální omezenost možností perceptronů. Vyhasínání zájmu o umělé neuronové sítě. V létech 1970 1976 Aktivní vypracování v oblasti perceptronů v SSSR (hlavní zákazníci vojenské rezorty). Konec 90-tých let Obnovení zájmu o umělé neuronové sítě jako následek nahromadění nových znalostí o činnosti mozku, ale také významného vývoje mikroelektroniky a výpočetní techniky. V létech 1982 1985 J. Hopfield navrhl soustavu optimalizujících neuronových sítí, modelující asociační paměť. Roku 1985 Příchod prvních komerčních neurokomputerů, např. Mark III firmy TRW (USA). Roku 1987 Začátek rozsáhlého financování návrhů v oblasti UNS a NK v USA, Japonsku a Západní Evropě (japonský program Human Frontiers a evropský program Basic Research in Adaptive Intelligence and Neurocomputing ). Roku 1989 Projektování a výzkumy v oblasti UNS a NK jsou prováděny prakticky všemi velkými elektrotechnickými firmami. Neurokomputery se stávají jedním z největších sektorů trhu (za dva roky vyrostl objem prodeje pětinásobně). Agenturou DARPA (Defense Advanced Research Projects Agency) ministerstva obrany USA bylo započato financování programu výroby velmi rychle pracujících vzorů NK pro různá použití. Roku 1992 Práce v oblasti UNS se nacházejí ve stádiu intenzivního rozvoje. Každoročně se konají desítky mezinárodních konferencí a fór o neuronových sítích, počet specializovaných periodických vědeckých publikací uvedené tématiky dosáhlo dvou desítek názvů. Roku 1996 Počet mezinárodních konferencí o UNS a NK dosáhlo sta. 15
Roku 1997 Roční objem prodeje na trhu UNS a NK převýšil 2 miliardy dolarů, ale každoroční nárůst tvořil 50%. 2000 -cí roky. Přechod na submikronové a nanotechnologie, ale také úspěchy molekulární a biomolekulární technologie přináší principiálně nové architektury a technologie v konstrukci tvorby neurokomputerů. Neuronovými sítěmi se myslí výpočetní struktury, které modelují jednoduché biologické procesy, obvykle asociujících s procesy lidského mozku. Představují samostatné i paralelní systémy, schopné adaptivního studia cestou analýzy kladných a záporných působení. Základním invertorem v daných sítích je umělý neuron nebo jednoduše neuron, nazvaný analogicky s biologickým prototypem. Posoudíme osnovy stavby umělých neuronových sítí. Biologický neuron složitý systém, jehož matematický model není dodnes postaven. Bylo uvedeno množství modelůvyznačujících se složitostí výpočtů a shodou s reálným neuronem. Jeden z důležitých formální neuron (FN, obrázek 3). Nehledě na jednoduchost FN, sítě, postavené z takových neuronů mohou zformovat libovolnou vícerozměrnou funkci na výstupu. Obrázek 3 Formální neuron 7 Osnovu každé NS tvoří poměrně jednoduché, ve většině případů identické prvky (buňky), imitující práci neuronů mozku. Dále se neuronem bude chápat umělý neuron, tj. buňka NS. Každý neuron je charakterizován svým současným stavem analogicky s nervovými buňkami mozku, které mohou být vybuzeny a nebo zabrzděny. Má mnoho synapsí jednosměrných vstupních vazeb, spojených s výstupy jiných neuronů, ale má také axon výstupní vazbu daného neuronu, ze které signál (vybuzení nebo brzdění) přestupuje na synapse následujících neuronů. Celkový vzhled neuronu uveden na obrázku 4. 7 Zajencev I.V. Neuronové sítě: základní modely. Učební pomůcka pro kurz Neuronové sítě pro studenty 5 kurzu magisterského studia katedry elektroniky fyzikální fakulty Voroněžské Státní univerzity. Voroněž,1999,str.21 16
Neuron sestává z váženého sumátoru a nelineárního prvku. Každá synapse je charakterizována velikostí synoptické vazby nebo její váhou wi, která je ve fyzickém smyslu ekvivalentem vodivosti. Probíhající synapse neuronu se určuje jako vážená suma vstupů: NET = n i= x i w i 1 (1) Obrázek 4 Umělý neuron 8 Výstup neuronu je funkcí jeho stavu: kde x i vstupní signály, souhrn všech vstupních signálů neuronu tvoří vektor x; w i - hmotnostní koeficienty, souhrn hmotnostních koeficientů tvoří vektor vah w; NET - zvážená suma vstupních signálů, význam NET se předává na nelineární prvek; Q - prahová úroveň daného neuronu; F - nelineární funkce, nazývaná funkce aktivace. Neuron má několik vstupních signálů x a jeden výstupní signál OUT. Parametry neuronu, určujícími jeho činnost, jsou: vektor vah w, prahová hladina Q a druh aktivace F. Nelineární funkce f se jmenuje aktivační a může být rozličného druhu. (přesněji je to vysvětleno v příloze č. 1) 8 Kudrin R. Tvoření umělé inteligence// Komputeru,2003,č.21,str.25 (upraveno autorem) 17
Čili model formálního neuronu není biopodobný a spíše podobný matematické abstrakci, nežli živému neuronu. Proto podivněji prokazuje mnohotvárnost úloh, řešených s pomocí těchto neuronů a univerzálnost obdržených algoritmů. Formální neurony se mohou sjednocovat v síti různým způsobem. Nejrozšířenějším typem sítě se stal vícevrstvový perceptron (obrázek 5). Obrázek 5. Vícevrstvový perceptron 9 Síť sestává z libovolného množství vrstev neuronů. Neurony každé vrstvy se sjednocují s neurony předcházející a následující vrstvy podle principu každý s každým. První vrstva (zleva) se nazývá senzorová nebo vstupní, vnitřní vrstvy se jmenují skryté nebo asociativní, poslední (nejvíce napravo, na obrázku sestává z jednoho neuronu) výstupní nebo výslednicová. Množství neuronů ve vrstvách může být libovolné. Obvykle je ve všech skrytých vrstvách stejné množství neuronů. Označíme množství vrstev a neuronů ve vrstvě. Vstupní vrstva: NI neuronů; NH neuronů v každé skryté vrstvě; NO výstupních neuronů. x vektor vstupních signálů sítě, y vektor výstupních signálů. Existuje chaos s výpočtem vrstev v síti. Vstupní vrstva nedělá žádné výpočty, ale pouze rozděluje vstupní signály, proto ho občas sčítají, někdy ne. Označíme za NL plné množství vrstev v síti počítaje vstupní. 9 Zajencev I.V. Neuronové sítě: základní modely. Učební pomůcka pro kurz Neuronové sítě pro studenty 5 kurzu magisterského studia katedry elektroniky fyzikální fakulty Voroněžské Státní univerzity. - Voroněž, 1999,str.24 18
Ve vícevrstvovém perceptronu není zpětných vazeb. Takové modely se nazývají sítěmi přímého šíření. Ony nemají vnitřní stavbu a nedovolují bez přídavných příjmů modelovat vývoj dynamických systémů. 1.3 Typy neuronových sítí Široký okruh úloh, řešený NS, nedovoluje v současné době vytvářet univerzální, výkonné sítě, což vynucuje rozpracovávat specializované NS, fungujících podle různých algoritmů. Modely NS mohou být programového i přístrojového provedení. Nehledě na podstatné rozdíly, jednotlivé typy NS mají něklik společných rysů. Za prvé, osnovu každé neuronové sítě tvoří poměrně jednoduché, většinou jednotypové prvky (buňky), imitující práci neuronů mozku. Podotýkáme, za druhé, že princip paralelního zpracování signálů, které se dosahuje cestou sjednocení velkého množství neuronů v tzv. vrstvě a spojení určitým vzorem neuronů různých vrstev, ale také, v některých konfiguracích, i neuronů jedné vrstvy mezi sebou, přičemž zpracování vzájemného působení všech neuronů probíhá ve vrstvách. 10 Jako vzor jednoduché NS prozkoumáme tříneuronový perceptron (obrázek 6), tj. Takovou síť, jejíž neurony mají aktivační funkci ve formě jednotkového skoku. Někdy se perceptronem nazývá libovolná vrstvová struktura, avšak se i dále perceptronem chápe jenom síť, sestávající z neuronů s aktivačními funkcemi jednotkového skoku. (binární síť). Na n vstupů přicházejí nějaké signály, přecházející po synapsích na 3 neurony, vytvářející jednotkovou vrstvu této NS a význačné 3 signály: n y j = f xi wij i= 1 j=1...3 (2) 10 KudrinG. Tvoření umělého intelektu// Kompjutry, 2003,č.21,str.26 19
obrázek 6: jednovrstvový perceptron 11 Je očividné, že všechny váhové koeficienty signálů synapsí vrstvy neuronů je možno zavést do matrice W, ve které každý prvek Wij definuje veličinu i-té vazby j-tého neuronu. Tímto způsobem proces, probíhající v NS, může být zapsán v matriční formě: Y=F(XW) (3) kde X a Y patří vstupním a výstupním signálním vektorům, F (V) aktivační funkce, používaná po částech ke komponentům vektoru V. Teoreticky počet vrstev a počet neuronů může být v každé vrstvě libovolný, nicméně je fakticky omezen kapacitou komputeru nebo specializovanými čipy, kterými jsou realizovány NS. Čím složitější je NS, tím rozsáhlejší úlohy jí podřízené. Výběr struktury NS se uskutečňuje v souladu se zvláštnostmi a složitostí úlohy. Pro řešení některých jednotlivých typů úloh už existují z dnešního hlediska optimální konfigurace, popsané například v 12 a v jiných publikacích, sepsaných na konci článku. Pokud však úloha nemůže být srovnána ani s jedním ze známých typů, zpracovateli nezbývá než řešit složitý problém syntézy novou konfigurací. 11 Kudrin R. Tvorba umělé inteligence// Komputery,2003,č.21,str.26 12 Richard P. Lippmann, An Introduction to Computing withneural Nets, IEEE Acoustics, Speech, and Signal ProcessingMagazine, April 1987 20
Obrázek 7. Dvouvrstvý perceptron 13 Přitom se řídí několika stěžejními principy: možnosti sítě vzrůstají se zvětšením počtu buněk v síti, těsnosti vazeb mezi nimi a počtem vyhrazených vrstev ( vliv počtu vrstev na schopnost sítě splňovat klasifikaci plochých obrazců je uvedeno na obrázku 8 z 14 ; zavedení zpětných vazeb zároveň se zvětšením možností sítě zvedá otázku o dynamické odolnosti sítě; složitost algoritmů fungování sítě (včetně, například, zavedení několika typů synapsí budících, brzdících aj.) také pomáhá síle NS. Otázka nevyhnutelnosti dostatečných vlastností sítě pro řešení toho nebo jiného druhu úloh představuje celý směr neurokompjuterové vědy. Ačkoliv problém syntézy NS silně závisí na řešené úloze, dát obecná a podrobná doporučení je obtížné. Ve většině případů je optimální varianta získatelná na základě intuice. Je očividné, že proces fungování NS, tj. podstaty činnosti, které je schopna plnit, závisí na kapacitě synaptických vazeb, proto zadání určité struktury NS, odpovídající jakémukoliv úkolu, zadavatel úkolu musí najít optimální význam všech proměnných váhových koeficientů ( některé synaptické vazby mohou být konstantní). Tato etapa se nazývá studiem NS, podle toho, do jaké míry bude kvalitně splněn, závisí schopnost sítě řešit vytčené problémy v době expluatace. V etapě studia kromě parametru kvality výběru vah hraje důležitou roli doba studia. Zpravidla jsou tyto dva parametry svázány nepřímou závislostí a je nutno je volit na základě kompromisu. Studium NS může probíhat s učitelem a nebo bez něj. V prvním případě se sítě předkládají jako vstupní, tak i žádané výstupní signály, a ona podle některého vnitřního 13 Kudrin R. Tvorba umělé inteligence// Komputery, 2003,č.21, str.26 14 Richard P. Lippmann, An Introduction to Computing withneural Nets, IEEE Acoustics, Speech, and Signal ProcessingMagazine, April 1987 21
algoritmu dolaďuje váhy svých synaptických vazeb. Ve druhém případě se výstupy NS formují samostatně, ale váhy se mění podle algoritmu a respektují pouze vstupní od nich odvozené signály. Existuje velké množství různých algoritmů studia, které se rovněž dělí na dvě velké třídy: deterministický a stochastický. V prvním u nich dolaďování vah představuje pevnou posloupnost činností, podřizující se náhodnému procesu. Rozvíjej další otázku o případné klasifikaci NS, je důležité zmínit existenci binárních a analogových sítí. První z nich operují s dvojkovými signály a výstup neuronu může nabývat pouze dvou hodnot: logickou nulu ( zabrzděný stav) a logickou jedničku ( vybuzený stav). Do této třídy sítí patří i výše posouzený perceptron, protože výstupy jeho neuronů, formované funkcí jednotkového skoku, jsou rovny buď 0 nebo 1. V analogových sítích jsou výstupní hodnoty neuronů schopny přijímat spojité hodnoty, což by mohlo znamenat přeměnu aktivační funkce neuronů perceptronu na sigmoid. Ještě jedna klasifikace dělí NS synchronní a asynchronní. V prvním případě v každém čase mění svůj stav jenom jeden neuron. Ve druhém- stav se mění najednou v celé skupině neuronů zpravidla v celé vrstvě. Algoritmicky se časový sled v NS zadává iteračním vykonáním identických činností neuronů. Dále budou zkoumány pouze synchronní NS. Sítě je také možno klasifikovat podle počtu vrstev. Na obrázku 4 je představen dvouvrstvý perceptron, vzniklý z perceptronu z obrázku 3 a doplněním druhé vrstvy, složeného ze dvou neuronů. Tady je vhodné upozornit na důležitou roli nelineárnosti aktivační funkce, protože pokud ona nemá danou vlastnost nebo nevstoupila do algoritmu práce každého neuronu, výsledek fungování jakékoliv r-vrstvé NS s váhovými matricemi W(i), i = 1,2,...r pro každou vrstvu i by spočíval v násobení vstupního vektoru signálů X na matrici W (Σ) =W (1) W (2)... W (p) (4) to znamená fakticky by byla taková r-vrstvová NS ekvivalentní jednovrstvové NS s váhovou matricí jediné vrstvy W (Σ) : Y=XW (Σ) (5) Pokračujíc v rozhovoru o nelineárnosti je možné poznamenat, že se někdy zavádí i do synaptických vazeb. Většina NS dodnes poznaných se používá pro nalezení vzorce (1) rozptýlené sumy vstupů neuronu, avšak v některých uplatněních NS je užitečné zavést jiný zápis, například: 22
n 2 i i= 1 s = x w nebo dokonce i (6) n (( ) mod ) s = xi x i+ 1 n wi i= 1 (7) Otázka tkví v tom, jestli zpracovatel NS jasně pochopil, pro co to dělá, jakými významnými vlastnostmi tímto dodatečně nadal neuron a jakých se zbavil. Zavedení takového druhu nelineárnosti, obecně řečeno, zvětšuje výpočetní sílu sítě, tzn. Dovoluje z menšího počtu neuronů s nelineárními synapsemi zkonstruovat NS, konající práci obyčejné NS s velkým počtem standardních neuronů a složitější konfigurací. 15 Nyní prozkoumáme jednu nuanci, dříve záměrně vynechanou. Z obrázku funkce jednotkového skoku vidíme, že prahová hodnota T, v obecném případě, může nabývat libovolné hodnoty. Nejenom to, ona může přijímat nějakou libovolnou, předem neznámou hodnotu, která se zahrnuje ve stadiu studia do váhového keoficientu. Totéž patří k centrálnímu bodu sigmoidní závislosti, která se může posunovat po ose X napravo i nalevo, ale také ke všem jiným aktivačním funkcím. Toto nicméně není odraženo ve vzorci (1), který by musel být upraven takto: n s = x w T i= 1 i i Věc je v tom, že se takový posun obyčejně zavádí cestou doplnění vrstvy neuronů ještě jedním vstupem, vybuzující dodatečnou synapsi každého z neuronů, jehož hodnota se vždy rovná 1. Udělíme tomuto vstupu číslo 0. Potom n s = xi wi i= 0 (9) kde wo = -T, xo = 1. (8) Je vidět, že rozdíl vzorců (1) a (9) pozůstává pouze ve způsobu číslování vstupů. Jaké úlohy může řešit NS? Zhruba řečeno, práce všech sítí je omezena klasifikací (zobecnění) vstupních signálů, náležejících n rozměrnému hyperprostoru, podle nějakého množství tříd. Z matematického pohledu se to provádí rozdělením hyperprostoru hyperrovinami (zápis pro případ jednovrstvého perceptronu) 15 Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992 23
n i= 1 x w = T i ik k, k=1...m (10) Každá získaná oblast je oblastí definování jedné třídy. Počet takových tříd pro jednu NS perceptronového typu nepřevyšuje 2, kde m počet výstupů sítě. Avšak ne všechny mohou být rozděleny danou NS. 1.4 Konekcionismus Neuronové sítě jsou sítě, sestávající z jednoduchých prvků formálních neuronů spojených mezi sebou. Neurony se modelují poměrně jednoduchými automaty, ale všechna složitost, pružnost fungování a jiné důležité vlastnosti jsou definovány vazbami mezi neurony. Každá vazba je znázorňována jako celkem jednoduchý prvek sloužící přenosu signálu. Souhrn ideí, určující popsanou reprezentaci mozku, nese název konekcionalismus (anglicky connection vazba,spojení). Konekcionismus operuje řadou jednoduchých ideí, zahrnujících pojem homogennosti (stejnorodosti) systému (prvky jsou stejné a neobyčejně jednoduché, všechny jsou určeny strukturou vazeb), spolehlivosti systému proti nespolehlivým prvkům, holografičnosti systému při porušení náhodně vybrané části systému zachovává svoje užitné vlastnosti. 16 S konekcionismem je pevně svázán následující blok ideí: 1.stejnorodost systému (prvky jsou shodné a neobyčejně prosté, všechny jsou určeny strukturou vazeb); 2.spolehlivé systémy z nespolehlivých prvků a analogová renezance - použití jednoduchých analogových prvků; 3. holografické systémy při poruše náhodně zvolené části systému zachovává užitné vlastnosti. Existuje veliká třída úloh: neuronové systémy asociační paměti, statistické zpracování, filtrace a jiné, pro kteréžto vazby se vytvářejí podle zřejmých vzorců. Ale ještě více úloh ( dle rozsahu dosavadních použití) potřebuje nerozvinutý proces. Dle analogie s výzkumem zvířat nebo člověka tento proces také nazývají studiem. Studium se obvykle dělá takto: existuje úlohář sada příkladů se zadanými odpověďmi. Tyto příklady předpokládají systém. Neurony dostávají podle vstupních vazeb 16 Komašinskyj V., Smirnov D. Neuronové sítě a jejich použití v systémech řízení a spojů.-m.: Horká linka Telekom,2002.-str.4 24
signály - podmínky příkladu, přemění je, několikrát obměňují přetvořenými signály a nakonec dají odpověď rovněž soubor signálů. Odchylka od správné odpovědi se pokutuje. Studium sestává z minimalizace pokuty jako (skryté) funkce vazeb. Latentní studium přivádí k tomu, že struktura vazeb se stává nepochopitelná - neexistuje jiný způsob jí přečíst, kromě vypuštění funkce sítě. Je velice složité odpovědět na otázku: Jak neuronová síť dostává výsledek? - tj. postavit pro člověka logickou konstrukci, reprodukující činnost sítě. Tento jev je možno nazvat logickou neprůhledností neuronových sití, studovaných podle nejasných pravidel. Na druhé straně při použití neuronových sítí v expertních systémech vzniká potřeba pročíst a logicky zinterpretovat znalosti, zpracované sítí. Pro to slouží metody kontrastování zisk logicky průhledných neuronových sítí implicitními metodami. 25
nm). 17 Na druhé straně předmětem nanotechnologie mohou být makroskopické objekty, 2. Nanotechnologie 2.1 Pojem, historie K tomu abychom začali analýzu a konsolidaci neuronových sítí a nanotechnologií rozebereme poslední (nanotechnologie) protože tak či onak neuronové sítě byly prezentovány v předchozích a následujících kapitolách. Co je to nanotechnologie? Čemu se podobá fulleren a čím je unikátní nanotrubice? Pojem nanotechnologie jako souboru metod pro práci s objekty menšími než 10 nm nedostatečně přesně popsuje jak předmět, tak i její rozdíl od tradičních technologií a vědeckých oborů. Na jedné straně objekty nanotechnologií mohou mít charakteristickou velikost uvedeného rozsahu: nanočástice, nanoprašky (objekty, u nichž tři charakteristické velikosti v rozmezí až do 100 nm); nanotrubice, nanovlákna (objekty, které mají dvě charakteristické velikosti v rozmezí až do 100 nm); nanofolie (objekty, které mají jeden charakteristický parametr v rozmezí až do 100 kontrolovaná atomová struktura kterých je vytvořena s rozlišením na úrovni jednotlivých atomů. S myšlenkou o vytvoření technologií v měřítku nanometrů poprvé přišel laureát Nobelovy ceny Richard Feynman, který v roce 1959 mluvil o problematice kontrolování a řízení struktury látky v intervalu velmi malých rozměrů - Přednáška There is plenty of space on the botám : žádný fyzikální nebo chemický zákon nebrání nám měnit vzájemnou polohu atomů. Pojem nanotechnologie byl zaveden japonem Norio Taniguchi v roce 1974, kdy navrhl takto nazývat techniků a nástroje, které jsou menší než jeden mikron, stejně jako dal stručně definici nanotechnologie: jako interdisciplinární, tvořící technologii, která umožňuje technologicky (reprodukovatelně, dle uvedených postupů) zkoumat, provádět manipulaci a zpracování materiálu v rozsahu a tolerancí 0,1 / 100 nm. V roce 1985 Richard Smalley objevil fullereny - molekuly uhlíku ve tvaru koule (molekula S60, v niž atomy uhlíku jsou umístěny v rozích pětiúhelníků a hexagonů a tvoří 17 http://ru.wikipedia.org/wiki/nanotechnologie 26
tvar koule). V roce 1991 Suomi Iiyama zaměstnanec společnosti NEC objevil uhlíkové nanotrubice. Nanotechnologie mohou pomoci lidstvu dosáhnout velmi náročných (i fantastických) úkolů: vytvořit moderní průmyslové technologií na atomární a molekulární úrovni; vytvořit pevné látky a povrchy (materiály a folií) s modifikovanou molekulární strukturou, které budou základem velmi pevných kovů, textilů, plastů, autoregeneračních materiálů; nových chemických látek a to cestou komponování molekul, tj. bez chemických reakcí; logických nanoelementů a nanopočítačů (miniaturizace a zvyšování výkonu počítačů) a nových typů supravodičů (mimořádně studených); výpočetních zařízení na základě bílkovinných molekul; umělých analogů živých organismů (rostlin a živočichů); nanorobotů, nanostrojů (nanomotorů), precizních (přesných) nanomanipulátorů; lékařských robotů pro implantaci do těla (za účelem odstranění genetických a fyziologických poškození na buněčné úrovni a vyšší úrovní); vytvoření automaticky množících se systémů založených na principech biologických analogů - bakterií, virů, prvoků. První prostředky nanotechniky vynalezli v IBM. V roce 1982, Gerd Binnig a Genirh Rorer, kteří postavili rastrový tunelový mikroskop, za což obdrželi Nobelovu cenu, a již v roce 1986 - atomové sílový mikroskop, který umožňuje zkoumat atomy nejen kovů. 18 2.2 Předmět, cíle a hlavní směry v oblasti nanotechnologií. Zvláštním rysem nanotechnologií je to, že veškeré procesy a úkony probíhají v pásmu nanometrů. V tomto rozmezí surovinami jsou jednotlivé atomy, molekuly, molekulární systémy, na rozdíl od obvyklých v tradiční technologií mikroné nebo mikroskopické množství materiálu, které obsahují alespoň miliardu atomů a molekul. Na rozdíl od tradiční technologie, nanotechnologie má individuální přístup, diky kterému vnější řízení dosahuje jednotlivých atomů a molekul, které umožňuje vytvořit bezvadný 18 Kobayasi, N. Úvod do nanotechnologií. Binom : laboratoř znalosti. 2008. s. 21 27
materiál s novými fyzikálně-chemickými a biologickými vlastnostmi a také novou třídu strojů s charakteristickými nanomerovymi rozměry. Analýza současného stavu umožňuje určit v nanotechnologie řadu důležitých směrů. 1. Molekulární design. Preparace molekul a syntéza nových molekul v silně nehomogenních (různorodých) elektromagnetických polích. 2. Nanomateriálovedení. Vytvoření bezvadných vysoce-pevných materiálů, materiálů s vysokou vodivostí. 3. Nanostrojírenství. Vytvoření skenujících tunelových mikroskopů, atomových silových mikroskopů (AFM), magnetických mikroskopů, více-hrotových systémů pro molekulární projektování, miniaturních dokonalé citlivých senzorů, nanorobotů. 4. Nanoelektronika. Konstruování nanometrických součástek počítačů budoucí generace, nanospojů, polních tranzistorů, usměrňovačů, displejů, akustických systémů. 5. Nanooptika. Vytvoření nanolaserů, syntéza více-hrotových systémů s nanolasery. 6. Nanokatalýza. Vývoj katalyzátoru s nanostrukturami pro třídy reakcí selektivní katalýzy. 7. Nanolékařství. Projektování nanonástrojů pro ničení virů, lokální opravy orgánů, transportu velmi přesných dávek léků na určená místa živého organismu. 8. Nanotribologie. Zjištění připojení nanostruktury materiálů a třecích sil a využití těchto znalostí k výrobě perspektivných párů tření. 9. Řízené jaderné reakce. Nanourychlovače částic, nestatistické jaderné reakce. 19 2.3 Uplatnění nanoinženerii a neuronových sítí Z výše uvedeného materiálu je zřejmé, že nanotechnologii je určená ohromující role ve vývoji lidstva. Základní propojení neuronových sítí a nanotechnologii je vidět v nanostrojírenství, nanolékařství. Vzhledem k tomu, že primární roli nanorobotů s UI na základě neuronových sítí výstavby je vhodné v těchto oborech vědy vývoj budoucích bioneurosítí a nano uplatnění. Díky nanotechnologiím v posledních letech neurovědy se vyvíjí doopravdy rycjle. Existují neurony na křemíkových čipech, umělá synaptická spojení, a dokonce i celé nervové systémy, kombinované s logickými klíči. 19 http://popnano.ru/studies/index.php?ctg=3 28
Malá společnost Nantero oznámila o stvoření nového experimentálního modelu elektronické paměti fungujícího na principu uhlíkových nanotrubic. Inženýrům se podařilo umístit na křemíkové desce standardní velikosti 10 miliard paměťových buněk, z nichž každá se skládá z několika nanotrubic. Za účelem výroby paměti se používají standardní fotolitografický proces: za prvé, na substrát z oxidu křemičitého se nanáší nanotrubice, a při dalším zpracování chybně orientované trubice se odstraňují. To znamená, že vývojářům se podařilo překonat komplikacím při umístění jednotně orientovaných v prostoru nanotrubic. Schéma paměti představuje sebou dvě desky z oxidu křemičitého, umístěné nad sebou ve vzdálenosti cca 100 nm. Nanotrubice jakoby se zavěšení na horní desce. Při podání elektrického proudu na dolní desku, trubice mění svou aktuální polohu a spojují obě desky. Tento stav buňky odpovídá bitu o hodnotě 1. Pokud trubice nezamýká desky, toto odpovídá logické 0. Poloha nanotrubice se určuje působením sil Van der Waalse, které působí nezávisle na výskytu elektrické energie. Elektrický impuls je zapotřebí pouze pro změnu polohy trubek. Toto přepnutí trvá asi 0,5 ns na rozdíl od 10 ns v moderních operačních pamětích. Hustota záznamů informací v buňce NRAM neustále roste a nejlepší je již srovnatelná s hustotou záznamů informací na čipech operační paměti. V budoucnu, hustota záznamu dat by mohla dosáhnout bilión bitů na čtvereční centimetr, což je o 1000 krát větší, než moderní operační paměť. V budoucnu se společnost rozhodla pro vytvoření neuronové sítě s vysokou stabilitou a vysokou rychlost zpracování a přenosu dat na co nejmenším počtu kanálů. Nicméně, úvod na trh nové paměť je stále ještě daleko. Uhlíkové nanotrubice jsou stále drahý a exotický materiál a výroba NRAM, i když založené na tradiční fotolitografii, vyžaduje implementaci do průmyslu. Nicméně řešení nabízené NRAM by se mohlo v perspektivě ukázat jako žádané na počítačovém trhu. 20 2.3.1 Špionáž a potlačení bolesti pomocí neurotechnologií. Vojensko-průmyslový komplex. Zejména potřeby obrany, geopolitické ambice, zápas za životně důležité zdroje a reálie závodů ve zbrojení mezi přední supervelmocí, jsou hnací silou vývoje nových technologií v oblasti vyzbrojování. Nanotechnologie není výjimkou, naopak, možností kontroly látky na úrovni jednotlivých atomů a molekul, určují pro ni 20 http://216.71.164.3/nfp/vb/upload/printthread.php?s=768271a8197a31efcf80e54828f074f3&threadid=1399 &perpage=1044 29
zvláštní postavení. Analýza této oblasti je obtížná protože vojenský vývoj v oblasti nanotechnologií je utajeným. Je možné uvést jen pár obecných směrů a údajů, únik kterých sankcionuje ve vlastním zájmu vojenské rezorty. Špionáž a potlačení bolesti pomocí neurotechnologií. Studií jsou směrované na oblasti neuronových technologií, vývoj kterých povede ke vzniku bojového nanozařízení, určených pro špionáž, nebo převzetí kontroly nad funkcí lidského organizmu, pomocí připojení přes nanovybavení na nervový systém. V laboratořích NASA je stvořen model zařízení pro zachycení vnitřní řeči. Fotonové komponenty nanostruktur, které mohou přijímat a zpracovávat obrovské množství informací budou tvořit základ vesmírného monitorovacího systému, pozemního sledování a špionáže. S pomocí nanovybavení implantovaného do mozku je možno získat umělé (technické) vidění s rozšířeným rozsahem vnímání, ve srovnání s biologickým zrakem. Systém potlačení bolesti u vojáků, pomoci implantace do těla a mozku, tzv. NanoNeuron Synthetic Neural Circuit Device, který je vyvinut v texaské universitě a předpokládá použití speciálních neuročipů. Špionáže pro přípravu útočných operací je realizován v systému senzorů chytrý prach a nebo Smart dust. Vývojem takových nanometrických senzorů se zabývá skupina vědců pod vedením profesora chemie a biochemie Michaele Sailora z kalifornijské university v San Diegu (University of California, San Diego). 21 2.3.2 Lékařství Vývoj nanoneuroceutických přípravků. Dalším směrem nanolékařství je perspektiva vývoje nanoneuroceutiků, přípravku působících na duševní stav osoby na molekulární úrovni. Neuroceutici otevírají perspektivu pro intracelulární regulaci biochemie nervové systémy člověka, a to bez vedlejších účinků moderních léků, které určeny k udržení duševního, citového a smyslového zdraví. 21 http://popnano.ru/studies/index.php?task=view&id=162&limitstart=0 30
2.4 Rizika Rozvoj nanotechnologií přináší několik velmi důležitých otázek. V první řadě filosofického rázu. Molekulární nanotechnologie, které mohou zničit civilizaci na druhou stranu mají velký tvořivý potenciál. Tím se odlišuje, např. od jaderné energetiky, neodolatelná sila, která je mnohem vhodnější pro ničení. Stále zůstává riziko nepředvídatelného chování nanosystémů a jejich vyváznutí z pod kontroly člověka. Je napsáno dost článků a povídek o vzpouře počítačů proti člověku. Ale praxe vývoje počítačových systémů ukazuje, že se nic takového nestává a do budoucna se nestane. Nebezpečí tohoto druhu se vyskytne pouze v případě, pokud si systém sám sebe pozná a kdy u něj vzniknou vlastní cíle. V současné fázi vývoje chování počítačových systémů jsou příliš úzce omezeno algoritmickými programy. Navíc, tyto algoritmy jsou jen slabě spojené s životním prostředím, počítače teprve nyní začínají být vybavení audio vizuálními prostředky v podobě mikrofonů a kamer, a nemají prakticky žádné organy vlivu na okolní objekty. Vývoj nanopočítačů nevyhnutelně bude spojen s vytvořením neuronových sítí, které umožňují náhodné reakce na vnější vlivy, a růstem součinnosti (vztahů) počítač okolní svět. Spolu s obrovským zvýšením rychlosti a paměti v těchto systémech lze očekávat spontánní abiogenezi vědomí. Avšak k odmítnutí plnit vůli člověka může dojít nejen kvůli tomu, že nanosistémy začnou projevovat svou vůli, které vzdoruje vůli člověka, ale z důvodu nedostatku pochopení lidmi následků výkonu vlastních přání nanosistémy. Člověk nemůže předvídat všechny dopady činností nanosystémů kvůli jejich velmi vysoké komplikovanosti. Kromě spontánního nepodřízení systémů v důsledku vlastní vůli nebo hlouposti člověka, existuje mnoho příležitostí k poruchám nanosistemů splnit vůli člověka. Některé části těchto poruch je možno, teoreticky předejít, další části se vyhnout v zásadě nelze. Je téměř nemožné, aby se zabránilo vzpoře nanosystému pokud přání několika osob jsou vzájemně vylučující. V tomto případě nanosystém, během provádění příkazů jednoho člověka nebude poslouchat ostatních. Však těmito otázky se zabývá teorie systémů. Nanoroboty v tomto ohledu nebudou se lišit od současných a budoucích robotů, ledaže neuroprocesorem. Jenže chování neurosystémů, navzdory nedostatku hardwarových implementací jsou dostatečně dobře vyvinuté a prozkoumané. 31