साइबरकाल्मर न्यूरोएवोल्यूशन

तंत्रिका नेटवर्क का विकास

कृत्रिम तंत्रिका नेटवर्क वास्तविक जैविक तंत्रिका तंत्र की नकल करते हैं। उनके बीच न्यूरॉन्स और कनेक्शन होते हैं, एक महत्वपूर्ण आउटपुट परिणाम में आने वाले संकेतों के रूपांतरण को प्रदान करते हैं। मशीन लर्निंग के क्षेत्र में, इन नेटवर्क को अक्सर न्यूरॉन्स के बीच यादृच्छिक कनेक्शन के साथ आरंभ किया जाता है, जिसके बाद नेटवर्क तब तक सीखता है जब तक वह सही तरीके से व्यवहार करना शुरू नहीं करता है। यह दृष्टिकोण काफी लागू है, हालांकि, जानवरों में कई सरल तंत्रिका तंत्र हैं जो बॉक्स से बाहर काम करते हैं: कोई भी मछली को तैरना या तितलियों को उड़ना नहीं सिखाता है, इस तथ्य के बावजूद कि उनका व्यवहार न्यूरॉन्स के नेटवर्क द्वारा बनाया गया है। उनके तंत्रिका तंत्र यादृच्छिक आरंभीकरण और बाद के प्रशिक्षण का परिणाम नहीं हैं, लेकिन विकास। कई पीढ़ियों के बाद, प्रकृति ने कोशिकाओं और कनेक्शनों का एक पैटर्न बनाया है जो जटिल और सफल व्यवहार प्रदान करता है।

तंत्रिका नेटवर्क बनाने के लिए जो सीखने के बिना व्यवहार प्रदान करते हैं, आप न्यूरोव्यूलेशन का उपयोग कर सकते हैं । विकासवादी एल्गोरिदम (जैसे कि मैं पौधे विकास का उपयोग करता था ) आनुवंशिक कोड को विकास की लंबी अवधि में विकसित करता है। आनुवंशिक कोड (डीएनए के लिए मॉडल) और यह जिस जीव का प्रतिनिधित्व करता है वह शुरू में बहुत सरल है, लेकिन पीढ़ियों के लिए छोटे उत्परिवर्तन अनुकूल जटिलता को बढ़ाते हैं और उन कार्यों को जोड़ते हैं जो इन गुणों के आगे प्रसार को उत्तेजित करते हैं।

डिजिटल स्क्विड

न्यूरोइवोल्यूशन के प्रभाव को प्रदर्शित करने के लिए, मैं डिजिटल स्क्वीड के विकास को उजागर करना चाहता हूं। स्क्विड में निम्नलिखित गुण होते हैं:


चित्रा 1: चल विद्रूप।

• उनके पास अलग-अलग लंबाई के किसी भी संख्या में तम्बू हो सकते हैं।
• प्रत्येक हाथ को एक आउटपुट न्यूरॉन द्वारा नियंत्रित किया जाता है, इसे कम आउटपुट सिग्नल के साथ एक दिशा में पंप किया जाता है और दूसरे में एक उच्च आउटपुट सिग्नल के साथ।
• स्क्विड में सिर होता है ; सिर का आकार न्यूरॉन्स की अधिकतम संभव संख्या निर्धारित करता है।
• स्क्वीड द्रव्यमान सिर के आकार और टेंटेकल सेगमेंट की संख्या से निर्धारित होता है।
• स्क्वॉयड भोजन को दर्शाते हुए डॉट्स से भरे एक नकली तरल पदार्थ में तैरते हैं। इन बिंदुओं को छूते हुए, व्यंग्य उन्हें "खा जाता है" और स्क्वीड स्कोर की गणना उसके द्रव्यमान द्वारा विभाजित किए गए खाने की संख्या के रूप में की जाती है।

विकास के लिए धन्यवाद, इन गुणों को स्क्विड बनाना चाहिए जो पर्यावरण में प्रभावी रूप से तैरते हैं, जितना संभव हो उतना भोजन खाएं। चूंकि उनके पास द्रव्यमान भी है, स्क्वीड बॉडी प्रभावी होनी चाहिए: उनके विकासवादी निर्माण का कारण बनने के लिए भारी शरीर और बड़े टेंकल को अधिक भोजन की आवश्यकता होती है।

चूंकि स्क्वीड में अलग-अलग गुण हो सकते हैं (उदाहरण के लिए, सिर का आकार और टेंकल कॉन्फ़िगरेशन), ये गुण भी विकसित होते हैं। स्क्विड डीएनए में न केवल उसके मस्तिष्क का "ड्राइंग" होता है, बल्कि शरीर की एक योजना भी होती है।

चित्रा 1 दो हाथों के साथ एक नकली स्क्वीड दिखाता है। हाथों का संचलन आंदोलन हाथ सेगमेंट के लिए वसंत बल के अतिरिक्त द्वारा सुनिश्चित किया जाता है; अगर मांसपेशियां हथियारों को हिलाना बंद कर देती हैं, तो सेगमेंट धीरे-धीरे संरेखित करेगा जब तक कि हथियार सीधी रेखाओं में नहीं बदल जाते। त्वरण की भयावहता की गणना करने के लिए, सभी पार्श्व आंदोलन को अभिव्यक्त किया जाता है। आकृति में दिखाए गए सभी पार्श्व आंदोलन को इस संख्या में जोड़ा जाता है। शरीर के पीछे झूलते तम्बू, विद्रूप आगे की गति प्रदान करता है।

स्पाइक न्यूरल नेटवर्क

हमारी परियोजना के लिए सही तंत्रिका नेटवर्क चुनना आसान काम नहीं है। तंत्रिका नेटवर्क के कई अलग-अलग प्रकार हैं; में इस लेख उनमें से कुछ के लिए एक आसान सिंहावलोकन शामिल हैं। कुछ पहलुओं में विद्रूप प्रबंधन का कार्य प्रसिद्ध नेटवर्क के काम के विपरीत है:

• «-». , . - , .
• . «-», .
• , . , .

इन आवश्यकताओं को एक स्पाइक (पल्स) तंत्रिका नेटवर्क द्वारा पूरा किया जाता है । इस तरह के नेटवर्क वास्तविक समय में काम करते हैं, वे वन्य जीवन को अधिक सटीक रूप से अनुकरण करने के लिए डिज़ाइन किए गए थे। वास्तविक न्यूरॉन्स की तरह, एक स्पाइक न्यूरल नेटवर्क में कोशिकाएं संभावित रूप से जमा होती हैं, धीरे-धीरे सभी इनपुट संकेतों से एकत्र की जाती हैं, और इनपुट संकेतों की अनुपस्थिति में धीरे-धीरे उनकी "तटस्थ" स्थिति में लौट आती हैं। स्पाइक न्यूरल नेटवर्क को सख्त वायरिंग आरेख का पालन करने की आवश्यकता नहीं होती है। वे इनपुट न्यूरॉन्स की एक परत से मिलकर बनते हैं, आउटपुट न्यूरॉन्स की एक परत (हमारे मामले में, तना नियंत्रित करने वाले) और उनके बीच कई न्यूरॉन्स, एक छिपी हुई परत कहते हैं। छिपी हुई परत में न्यूरॉन्स को इनपुट और आउटपुट न्यूरॉन्स से जोड़ा जा सकता है, लेकिन न्यूरॉन्स को भी डिस्कनेक्ट किया जा सकता है। हमारे कार्य में, छिपे हुए परत न्यूरॉन्स एक दूसरे से जुड़े हो सकते हैं।


चित्रा 2: उपस्कर समारोह।

तंत्रिका तंत्र के सभी न्यूरॉन्स का सक्रियण कार्य होता है । यह फ़ंक्शन अपने इनपुट संकेतों के योग के आधार पर एक न्यूरॉन के आउटपुट मूल्य को निर्धारित करता है। न्यूरॉन्स स्रोत और लक्ष्य न्यूरॉन्स को जोड़ने वाले अक्षतंतु द्वारा जुड़े होते हैं। अक्षतंतु लक्ष्य न्यूरॉन के सक्रियण में जुड़ जाता है मूल अक्षतंतु के उत्पादन मूल्य को अक्षतंतु के वजन से गुणा किया जाता है (जो एक सकारात्मक या नकारात्मक संख्या हो सकती है)। फिर सक्रियण फ़ंक्शन इसके सक्रियण के आधार पर न्यूरॉन के आउटपुट मूल्य को निर्धारित करता है। इस सिमुलेशन के लिए, हमने लॉजिस्टिक फ़ंक्शन को सक्रियण फ़ंक्शन के रूप में चुना :

$$

$$\frac{1}{1+e^{-a}}$$

इस समीकरण में $$$a$एक न्यूरॉन की सक्रियता है। चित्र 2 फ़ंक्शन का ग्राफ़ दिखाता है। पर$$$a=0$ आउटपुट वैल्यू है $$$0.5$; हमारे सिमुलेशन में, यह उपयोगी है क्योंकि नेटवर्क को इनपुट मूल्य की अनुपस्थिति में भी व्यवहार प्रदान करने में सक्षम होना चाहिए। यदि डिफ़ॉल्ट आउटपुट मान शून्य के बराबर नहीं है, तो कुछ सिग्नल सिस्टम के माध्यम से लगातार प्रवाह करेंगे। सैद्धांतिक रूप से अर्थ$$$a$ बहुत छोटा या बहुत बड़ा हो सकता है, लेकिन लॉजिस्टिक फ़ंक्शन के asymptotes सुनिश्चित करते हैं कि आउटपुट मान हमेशा सीमा में रहेगा $$$[0, 1]$। इस वजह से, चरम सिस्टम आउटपुट मान प्रचारित नहीं होते हैं।

विकास का अनुकरण

सिमुलेशन पर्यावरण में निम्नलिखित घटक होते हैं:

• अलग-अलग शरीर संरचनाओं और स्पाइक तंत्रिका नेटवर्क के साथ किसी भी संख्या में उनके अंगों को नियंत्रित करने के लिए।
• भोजन पर्यावरण के चारों ओर बिखरा हुआ है।

विकास को अनुकरण करने के लिए, सिस्टम में प्रत्येक पीढ़ी का एक निश्चित जीवनकाल नकली है। अपने सिमुलेशन में, मैंने 20 से 30 सेकंड तक सेगमेंट चुने। इस समय के बाद, सबसे उत्पादक स्क्वीड का चयन किया जाता है, जिसे स्क्वीड की नई पीढ़ी बनाने के लिए कई बार दोहराया जाता है। अगले सिमुलेशन प्रदर्शन करने से पहले, सभी स्क्वॉयड एक मामूली उत्परिवर्तन से गुजरते हैं। निम्नलिखित गुण बदल सकते हैं:

• शरीर की त्रिज्या, और इसके साथ स्क्विड मस्तिष्क में अधिकतम स्वीकार्य संख्या में न्यूरॉन्स हैं।
• संख्या और जालियों का स्थान।
• तंबू की लंबाई।
• मस्तिष्क में न्यूरॉन्स की संख्या।
• न्यूरॉन्स के बीच एक्सॉन कनेक्शन (कनेक्शन दिखाई दे सकते हैं या गायब हो सकते हैं, बांड का वजन भी बदल सकता है)।

फिलहाल, स्क्वीड मस्तिष्क में इनपुट न्यूरॉन्स नहीं होते हैं। आउटपुट न्यूरॉन्स की संख्या हमेशा टेंटेकल की संख्या के बराबर होती है, और एक आउटपुट न्यूरॉन को प्रत्येक टेंटेकल को सौंपा जाता है। यदि म्यूटेशन के दौरान टेंकल गायब हो जाता है, तो इसके अनुरूप आउटपुट न्यूरॉन भी हटा दिया जाता है। जब उत्परिवर्तन के दौरान एक नया तम्बू दिखाई देता है, तो यह यादृच्छिक कनेक्शन के साथ एक नया आउटपुट न्यूरॉन प्राप्त करता है।

सिमुलेशन के लिए स्रोत कोड GitHub पर अपलोड किया गया है , और सिमुलेशन ब्राउज़र में किया जाता है ।

परिणाम

चित्रा 3: तंत्रिका तंत्र अंतहीन आवेगों का निर्माण करता है।

एक सिमुलेशन प्रदर्शन करते समय, चलती स्क्विड आमतौर पर कई सौ पीढ़ियों में प्राप्त की जाती है। जब एक कामकाजी तैराकी रणनीति विकसित होती है, तो यह आमतौर पर समय के साथ सबसे इष्टतम संस्करण में विकसित होती है।

तंत्रिका तंत्र की कल्पना की जा सकती है। चित्र 3 में दो भुजाओं के साथ एक सरल स्क्विड तंत्रिका तंत्र दिखाया गया है। नेटवर्क में पांच न्यूरॉन्स होते हैं, जो नारंगी मंडलियों द्वारा दर्शाए जाते हैं, और दो आउटपुट न्यूरॉन्स, नीले घेरे द्वारा दर्शाए जाते हैं। जब एक न्यूरॉन का आउटपुट सिग्नल बढ़ता है, तो न्यूरॉन्स तेज हो जाते हैं। जब आउटपुट सिग्नल कम हो जाता है, तो सर्कल पारदर्शी हो जाते हैं। एक्सॉन को संबंधित न्यूरॉन्स को जोड़ने वाली धराशायी लाइनों द्वारा कल्पना की जाती है। जब अक्षतंतु एक संकेत प्रेषित करता है (और लक्ष्य न्यूरॉन को प्रभावित करता है), धराशायी रेखा अधिक दिखाई देती है, और धराशायी रेखा संकेत की दिशा में चलती है।


चित्रा 4: विकसित अस्थायी स्क्वॉयड। ध्यान दें कि सभी एजेंट विशेष रूप से प्रभावी नहीं हैं; कुछ बेकार म्यूटेशन होते हैं।

चित्रा 4 एक सिमुलेशन वातावरण में तैरते हुए कई स्क्वॉयड दिखाता है। ये स्क्वीड दो एक साथ नौकायन तम्बू का उपयोग करते हैं। एजेंटों के बीच, परिवर्तनशीलता ध्यान देने योग्य है:

• तम्बू की विभिन्न लंबाई हैं, लेकिन उनके आंदोलन के पैटर्न लगभग समान हैं।
• छवि के निचले भाग के दो एजेंटों ने विकास के साथ अतिरिक्त तंबू प्राप्त किए हैं, जो अभी तक विशेष रूप से उपयोगी नहीं हैं। वे विद्रूप के द्रव्यमान को बढ़ाते हैं, इस प्रकार इसके स्कोर को कम करते हैं।

निष्कर्ष

इसकी वर्तमान स्थिति में सिमुलेशन न्यूरोएवोल्यूशन की प्रभावशीलता को दर्शाता है और सिस्टम के आगे विकास के लिए आधार बनाता है:

• . , .
• . , .
• , , .
• . . , . , .

इन परिवर्धन को तंत्रिका तंत्र के बुनियादी तंत्र में किसी भी बदलाव की आवश्यकता नहीं होगी, वे बस अधिक विविध रणनीतियों को प्रकट करने की अनुमति देंगे। न्यूरोव्यूलेशन के दिखाए गए ढांचे की सार्वभौमिकता और अनुकूलनशीलता इसे कई अन्य क्षेत्रों के लिए एक दिलचस्प उपकरण बनाती है, विशेष रूप से, कृत्रिम जीवन का अध्ययन ।