پياده‌سازي حافظه كاري به كمك شبكه‌ي عصبي و حافظه خارجي و پويا

كارشناسي ارشد

ازجمله مشكلات كنوني ساختار‌هاي هوش مصنوعي، تك منظوره بودن آنهاست. در شبكه‌هاي عصبي تلاش‌هايي براي افزودن حافظه به منظور حل مشكلات يادگيري، در برخي مسائل انجام شده است. اين‌ تلاش‌ها به دو گونه بسيار جامع حافظه‌هاي داخلي و خارجي تقسيم مي‌شوند. طبق نتايج به دست آماده، كنترل حافظه‌هاي داخلي، با وجود اينكه شبيه حافظه انسان هستند، سخت تر بوده و با پيچيدگي‌هاي به وجود آمده، به يادگيري آنها آسيب مي‌رساند. به عنوان يكي از راه حل‌ها، مي‌توان قابليت‌هاي شبكه‌هاي عصبي را با اتصال به منابع حافظه‌ي خارجي، افزايش داد. اين سيستم تركيبي مشابه با ماشين تورينگ يا مدل وان‌ نيومن دارد، اما به صورت انتها ‌به ‌انتها، قابل آموزش بوده و اجازه مي‌دهد كه به صورت كارآمدي با نزول شيب دار، آموزش داده شود. اين راه حل از اين بابت قابل توجه است كه مي‌تواند از آموخته‌هاي پيشين خود بهره بهتري ببرد. همچنين نشان داده شده است كه سرعت يادگيري نسبت به ساير مدل‌ها سريع‌تر بوده و نياز به تعداد نمونه‌هاي كمتري دارد. مشكل اين مدل افزايش پيچيدگي جهت استفاده از حافظه است. روند آموزش به اين شبكه‌ها، گاها نياز به تلاش بيشتر و حتي تكرار چند باره آموزش دارد. تلاش‌هاي امروزي بر اين است كه با يك ساختار حافظه نسبتاً ساده، مسائلي كه نياز به يادگيري ترتيب يا جامعيت بخشيدن دارد را سريع‌تر و با دقت بيشتر حل نمود. با الهام از ساختار مغز انسان يا حتي كامپيوتر‌هاي امروزي، از چندين نوع حافظه‌ي ساده‌، كه در ‌هارموني با يكديگر هستند، مي‌توان چنين شبكه‌اي را تشكيل داد. پس فعاليت‌هاي آينده در راستاي بهبود و تكميل كردن اين مدل‌هاي مبتني بر حافظه هستند. يكي از نكاتي كه هنوز از توجه كافي در پژوهش‌ها برخوردار نيست، ساختار‌هاي ميكروسرويس در اين خصوص است. در اين پژوهش قابليت اين سيستم براي زمانيكه چندين شبكه در‌هارموني با يكديگر هستند، مورد بررسي قرار گرفته است.

211111

دانشگاه علم و صنعت ايران

مهندسي كامپيوتر گرايش هوش مصنوعي

دكتر محمدرضا جاهد مطلق