ورود به دانش شبکه‌های عصبی، تا روی اعصاب هم راه نرویم!

یک عضو 1400 گرمی که نه ابعادی به پهنای کهکشان دارد و نه بی‌شمار اجزای سازنده، توانسته به پیچیده‌ترین سیستمی که تابه‌حال مشاهده شده است، تبدیل شود. این عضو همان مغز انسان است. مغز انسان به عقیده بسیاری از دانشمندان پیچیده‌ترین چیزی است که تابه‌حال دیده شده است. پیچیدگی رمزآلود مغز به ارتباط‌های بی‌شمارِ میان عناصرش برمی‌گردد. تمام آن چیزی که فرآیندهای خودآگاه و ناخودآگاه را در بدن انسان شکل می‌دهد، تحت مدیریت این شبکه‌های عصبی است. زمانی که شخصی به کما می‌رود به دلیل اینکه مغز او همچنان توانایی فعالیت دارد، احتمال بازگشت آن شخص به زندگی بسیار بالاست اما مرگ مغزی پایان هر آن چیزی است که به آن حیات انسانی می‌گوییم. برخی از فرآیندهایی که به مدیریت و دستور مغز اتفاق می‌افتد، آن‌قدر پیچیده است که هیچ کامپیوتر و یا ابرکامپیوتری در جهان از عهده پردازش و انجام آن برنمی‌آید.

مغز انسان پیچیده‌ترین سیستم دنیا

در ﻋﺼﺮ ﺣﺎﺿﺮ در ﺑﺴﯿﺎري از ﻣﻮارد ﻣﺎﺷﯿﻦ‌ﻫﺎ ﺟﺎﯾﮕﺰﯾﻦ انسان‌ها ﺷﺪه‌اﻧﺪ و تعداد زیادی از ﮐﺎرﻫﺎي ﻓﯿﺰﯾﮑﯽ ﮐﻪ در ﮔﺬﺷﺘﻪ ﺗﻮﺳﻂ انسان‌ها اﻧﺠﺎم ﻣﯽ‌ﮔﺮﻓﺖ، اﻣﺮوزه ﺗﻮﺳﻂ ﻣﺎﺷﯿﻦ‌ﻫﺎ ﺻﻮرت ﻣﯽ‌ﮔﯿﺮد.

اﮔﺮﭼﻪ ﻗﺪرت ﮐﺎﻣﭙﯿﻮترها در ذخیره، بازیابی اطلاعات و اتوماسیون اداری غیرقابل‌انکار است، اما همچنان مواردی وجود دارد که انسان‌ها ناچار به این هستند که آستین‌ها را بالا زده و خودشان وارد عمل شوند. تمامی این‌ها به دلیل ساختار پیچیده مغز انسان‌ها است. درنتیجه دانشمندان همواره در تکاپوی ساخت و طراحی وسیله‌ای شبیه به مغز انسان بوده‌اند.

انقلابی در علم

با توجه به‌تمامی ویژگی‌های فوق‌العاده‌ای که برای مغز بیان شد، بدیهی است که محققین و دانشمندان به دنبال آن هستند که چیزی شبیه مغز انسان با همین قدرت و توانایی بسازند. قطعا روزی که کامپیوتری در حد و اندازه مغز انسان ساخته شود، یک انقلاب بزرگ در علم و صنعت و صدالبته در زندگی انسان‌ها به وقوع خواهد پیوست. عملکرد عالی مغز در حل انواع مسائل و کارایی بالای آن، شبیه‌سازی مغز و قابلیت‌هایش را، به مهم‌ترین آرمان طراحان سخت‌افزار و نرم‌افزار تبدیل کرده است.

ساختن یک مغز مصنوعی، هرچند مغزی کودن و نادان، از بزرگ‌ترین رویاهای علم است.

در همین راستا و به‌منظور شبیه‌سازی رفتار محاسباتی مغز انسان از چند دهه پیش کامپیوترها امکان پیاده‌سازی الگوریتم‌های محاسباتی را فراهم کرده‌اند. تمامی کارهای پژوهشیِ متخصصین کامپیوتر، مهندسین و ریاضی‌دان‌ها نهایتا منجر به علم هوش مصنوعی و زیرشاخه هوش محاسباتی آن، تحت عنوان شبکه‌های عصبی مصنوعی Artificial Neural Networks شده است. در مبحث شبکه‌های عصبی مصنوعی، مدل‌های ریاضی و نرم‌افزاری متعددی با الهام گرفتن از مغز انسان پیشنهاد شده‌اند که برای حل گستره وسیعی از مسائل علمی، مهندسی و کاربردی و به‌طورکلی در بسیاری از حوزه‌های مختلف کاربرد دارند.

تاریخچه شبکه‌های عصبی مصنوعی

اوﻟﯿﻦ ﺷﺒﮑﻪ ﻋﺼﺒﯽ در ﺳﺎل 1943 ﺗﻮﺳﻂ وارن ﻣﮏ ﮐلوچ فیزیولوژیست عصبی و واﻟﺘﺮ پیتز منطق‌شناس ﺳﺎﺧﺘﻪ ﺷﺪ اما به دلیل محدودیت‌های تکنولوژی پیشرفت چندانی نکرد تا اینکه در اواخر دهه 60 میلادی پژوهش‌ها درباره شبکه‌های عصبی پیشرفت کرد و در 1980 به‌عنوان یک دغدغه وسیع جهانی مطرح شد. به‌طورکلی تاریخچه شبکه‌های عصبی مصنوعی را می‌توان به‌طور خلاصه این‌گونه بیان کرد:

• دوره اول، زمانِ شبیه‌سازی اولیه با استفاده از منطق رسمی بود،
• بعد از آن در دوره دوم علاوه بر علم عصب، روانشناسان و مهندسان نیز در ایجاد پیشرفت و شبیه‌سازی شبکه‌های عصبی مصنوعی مشارکت داشتند.
• در دوره بعدی پیشرفت شبکه‌های عصبی وارد دوره ناامیدی شد. در سال 1969 محدودیت‌های این شبکه بسیار پررنگ شد و بودجه‌ای که برای پژوهش در شبیه‌سازی شبکه عصبی در نظر گرفته‌شده بود، حذف شد.
• بعد از این دوره، دوباره زمان ابداع و نوآوری درباره شبکه‌های عصبی آغاز شد و پیشرفت‌ها تا اواخر دهه 70 و اوایل دهه 80 میلادی ادامه داشت. مجددا تلاش برای گسترش شبکه‌های عصبی بیشتر شد و تا به امروز این تلاش‌ها ادامه پیدا کرده و موجب پیشرفت بسیاری در این زمینه شده است.

داستان از کجا آغاز شد؟

همان‌طور که در ابتدا گفته شد، تفکر اصلی در طراحی شبکه‌های عصبی مصنوعی، بازسازی شبکه‌های عصبی واقعی بود. نورون یک واحد سلولی از سیستم مغز انسان‌هاست که وظیفه جابه‌جایی داده‌های عصبی را بر دوش دارد. نورون‌ها این کار را از راه هدایت تکانه‌های الکتریکی انجام می‌دهند.

مغز انسان تقریبا از صد میلیون نورون ساخته شده است. ﻫﺮ ﯾﮏ از ﻧﻮرون‌ﻫﺎ ﻧﯿﺰ داراي ﻫﺰار ﺗﺎ 56 ﻫﺰار ارﺗﺒﺎط ﺑﺎ ﻧﻮرون‌ﻫﺎي دﯾﮕﺮ هستند. تقریبا تمامی نورون‌ها ویژگی‌های مشترک و ساختار شبیه به هم دارند. دقیقا همین نورون‌ها به شکل مصنوعی در شبکه‌های عصبی مصنوعی شبیه‌سازی می‌شوند و شبکه‌های ﻋﺼﺒﯽ ﺷﺒﯿﻪ ﺑﻪ ﻣﻐﺰ اﻧﺴﺎن اﻃﻼﻋﺎﺗﯽ را ﭘﺮدازش می‌کنند.

از پیش‌بینی موفقیت آثار هنری تا هدف‌گیری و تعقیب در سلاح‌های موشکی

امروزه سیستم‌های هوشمند به‌ویژه شبکه عصبی مصنوعی بسیار گسترش پیدا کرده و به بسیاری از حوزه‌ها کشیده شده‌اند. کمتر رشته‌ای است که به تحلیل، تصمیم‌گیری، تخمین، پیش‌بینی، طراحی و ساخت نیاز نداشته باشد، به همین دلیل شبکه‌های عصبی در بسیاری از رشته‌ها موضوعیت پیدا کرده است.

در علوم اقتصادی و مالی، علوم کامپیوتر، علوم فنی و مهندسی، علوم پایه و نجوم، علوم پزشکی، علوم تجربی و زیستی، علوم اجتماعی و روانشناسی، هنر و ادبیات و علوم نظامی از این سیستم استفاده می‌شود. از مدل‌سازی و پیش‌بینی رفتارهای فردی و اجتماعی انسان‌ها گرفته تا پیش‌بینی رفتار نیروی مهاجم و دشمن، ردپایی از شبکه‎های عصبی مصنوعی وجود دارد.

انواع شبکه‌های عصبی مصنوعی

مدل‌های محاسباتی متنوعی با توجه به کاربردها وجود دارد که هرکدام از آن‌ها با توجه به یکی از مشخصه‌های مغز انسان طراحی‌شده و استفاده می‌شوند. در تمامی این مدل‌ها یک ساختار ریاضی که می‌توان به‌صورت گرافیکی نیز نمایشش داد در نظر گرفته می‌شود. هرکدام از این مدل‌ها یک سری پارامتر و پیچ‌های تنظیم دارند. ساختار کلی توسط یک الگوریتم یادگیری (Training Algorithm) آن‌قدر تنظیم و بهینه می‌شود تا بتواند رفتار مناسبی را از خود نشان دهد.

مشاهده و یادگیری از مهم‌ترین ویژگی‌های موجودات هوشمند است.

این فرآیند دقیقا بر اساس مغز ما طراحی شده است. درواقع ما نیز در مغزمان یک فرآیندی مشابه این را در زمان تصمیم‌گیری تجربه می‌کنیم. تمامی مهارت‌ها، علوم، دانسته‌ها و خاطرات ما در اثر تضعیف و یا تقویت رابطه میان سلول‌های عصبی مغزمان شکل می‌گیرند. در ادامه به معرفی چند نوع از شبکه‌های عصبی می‌پردازیم.

پرسپترون چندلایه یا MLP

یکی از پایه‌ای‌ترین مدل‌های شبکه عصبی مدل پرسپترون چندلایه یا Multi-Layer Perceptyon است. در این مدل عملکرد انتقالی مغز انسان شبیه‌سازی شده است. درواقع پرسپترون ساده‌ترین تابع فعال‌سازی در شبکه عصبی است که قادر است یک نمونه را به خروجی صفر یا یک تبدیل کند.

هرکدام از نورون‌های مغز انسان بعد از دریافت ورودی روی آن‌ها پردازش انجام می‌دهند و نتیجه را به یک سلول دیگر انتقال می‌دهند. این رفتار تا رسیدن به نتیجه‌ای مشخص ادامه دارد. نتیجه این پردازش می‌تواند یک تصمیم، تفکر و یا حرکت باشد. در MLP نیز فرآیند به همین شکل است.

شبکه‌های عصبی شعاعی یا RBF

ازنظر ساختار کلی این شبکه عصبی با شبکه عصبی پرسپترون تفاوت چندانی ندارد. در این شبکه واحدهای پردازشی بر موقعیت خاصی متمرکز می‌شوند. این تمرکز به‌وسیله‌ یک سری توابع شعاعی که به‌اختصار به آن‌ها (RBF) گفته می‌شود، انجام می‌شود.

در این روش نوع پردازشی که نورون‌ها بر روی ورودی‌ها انجام می‌دهند، متفاوت است. فرآیند آماده‌سازی و یادگیری در این شبکه سریع‌تر است و چون نورون‌ها بر روی محدوده خاصی تمرکز می‌کنند کار تنظیم آن‌ها آسان‌تر است.

ماشین‌های بردار پشتیبان یا SVM

در دو شبکه عصبی پیشین، یعنی MLP و RBF که معرفی‌شان کردیم، غالب توجه بر روی بهبود ساختار شبکه عصبی بود. به‌طوری‌که نهایتا خطای تخمین و میزان اشتباه‌های شبکه عصبی به کمترین میزان ممکن برشد.

اما در این شبکه عصبی موسوم به ماشین بردار Support Vector Machine تمرکز بر روی ریسک است. به عبارتی تلاش بر این است که ریسک حاصل از عدم عملکرد صحیح را کاهش دهیم. ساختار یک شبکه SVM اشتراکات زیادی با شبکه عصبی MLP دارد و تفاوت اصلی در نحوه یادگیری در آن است.

نگاشت‌های خود سازمانده یا SOM

این شبکه کاملا متفاوت از سه شبکه پیشین است. از نظر شیوه عملکرد، ساختار و کاربرد روش متفاوتی را دنبال می‌کند. ایده اصلی پشت SOM الهام گرفته‌شده از تقسیم عملکردی ناحیه قشری مغز است. SOM درواقع از یک‌سو شباهت‌ها و از سوی دیگر دسته‌های شبیه به هم را در میان انبوهی از داده‌ها پیدا کرده و آن‌ها را طبقه‌بندی می‌کند.

تعداد زیادی متغیر باعث می‌شود که شبکه عصبی سیستمی بسیار پیچیده باشد.

دقیقا مشابه کاری که قشر مغز انسان انجام می‌دهد به این صورت که انبوهی از دیتاهای حسی و حرکتی مغز را در گروه‌های مشابه خوشه‌بندی می‌کند. شبکه عصبی SOM نیز با همین رویکرد فرآیند را پیش می‌برد.

یادگیرنده رقمی‌ساز بردار یا LVQ

تعمیم یافته شبکه عصبی SOM شبکه عصبی (Learning Vector Quantization) است. اصلی‌ترین کاربرد این نوع شبکه عصبی در حل مسائل طبقه‌بندی است که گستره وسیعی از کاربردهای سیستم‌های هوشمند را پو شش می‌دهد.

شبکه عصبی هاپفیلد Hopfield

این شبکه شبیه یک سیستم دینامیک است که دارای دو و یا چند نقطه تعادل از نوع پایدار است. منظور از پایداری این است که این سیستم از هر شرایطی گرایش به نقطه تعادلش دارد و به آن نقطه همگراست.

همگرایی به هر نقطه تعادل، به‌عنوان تشخیصی است که شبکه عصبی آن را ایجاد کرده است و درواقع می‌تواند به‌عنوان یک رویکرد برای حل مسائل طبقه‌بندی استفاده شود. این سیستم، یکی از قدیمی‌ترین انواع شبکه‌های عصبی است که دارای ساختار بازگشتی است و در ساختار آن، فیدبک‌های داخلی وجود دارند.

شبکه مصنوعی عصبی در اقتصاد

پیش‌بینی روند متغیرهای اقتصادی یکی از مسائل مهم اقتصادی، خصوصا در حوزه سیاست‌گذاری است. بدیهی است هر چه مقادیر پیش‌بینی دقیق‌تر و به واقعیت نزدیک‌تر باشد اتخاذ سیاست‌ها بهتر و دقیق‌تر می‌شود. مدل‌های زیادی برای پیش‌بینی متغیرها توسعه یافته است. یکی از این روش‌ها در اقتصاد شبکه‌های عصبی مصنوعی است. همان‌طور که در ابتدا گفته شد این مدل‌ها برگرفته از فرآیند یادگیری مغز هستند. در این روش با استفاده از سرعت محاسباتی رایانه روابط بین متغیرها یاد گرفته شده و از آن برای پیش‌بینی مقادیر آتی استفاده می‌شود.

شبکه‌های عصبی در اقتصاد با دو مرحله آموزش و کاربرد، نتیجه موردنظر را به دست می‌آورند. در مرحله آموزش ورودی‌ها را به شبکه عصبی می‌دهیم و طبق الگوریتم آموزش به شبکه یاد می‌دهیم که خروجی مناسب را تولید کند. ازآنجایی‌که یک‌بخشی از علم اقتصاد به پیش‌بینی اختصاص دارد درنتیجه شبکه‌های عصبی بسیار می‌توانند کاربردی باشند. از شبکه‌های عصبی در اقتصاد می‌توان برای پیش‌بینی مواردی چون: پیش‌بینی بازارهای مالی ازجمله سهام، طلا، ارز، مسکن و…، مدل‌سازی و پیش‌بینی متغیرهای کلان اقتصادی، طبقه‌بندی و خوشه‌بندی نمادهای بورسی، تحلیل و ارزیابی ریسک‌های سرمایه‌گذاری، تخصیص سرمایه و اعتبار استفاده کرد.

علوم مهندسی و مهندسی معکوس

شبکه‌های عصبی در علوم مختلف وارد شده‌اند از جمله این علوم می‌توان به علوم فنی و مهندسی اشاره کرد. در حوزه مهندسی شبکه‌های عصبی مصنوعی کاربردهایی چون: مهندسی معکوس و مدل‌سازی سیستم‌ها، پیش‌بینی مصرف بار الکتریکی، عیب‌یابی سیستم‌های صنعتی و فنی، طراحی انواع سیستم‌های کنترل، طراحی و بهینه‌سازی سیستم‌های فنی و مهندسی، تصمیم‌گیری بهینه در پروژه‌های مهندسی وجود دارد.

تیغ جراحی و دکمه شلیک موشک در دستان شبکه عصبی!

این شبکه وارد دنیای پزشکی نیز شده است و برای مدل‌سازی فرآیندهای زیست پزشکی و یا تشخیص بیماری‌ها با توجه به نتایج آزمایش پزشکی و تصویربرداری استفاده می‌شود.

از طرفی از شبکه عصبی در پیش‌بینی نتایج درمان و عمل جراحی و پیاده‌سازی ادوات و الگوهای درمانی اختصاصی بیمار استفاده می‌شود. در علوم نظامی نیز این شبکه کمک به سزایی در هدف‌گیری و تعقیب در سلاح‌های موشکی، پیاده‌سازی سیستم‌های دفاعی و پدافند هوشمند، پیش‌بینی رفتار نیروی مهاجم و دشمن، پیاده‌سازی حملات و سیستم‌های دفاعی در جنگ الکترونیک می‌کند.