Бионика. Прошлое, настоящее и будущее

Эти данные являются основой для системотехнической разработки объекта, выявления возможных альтернатив (вариантов) его построения и выбора субоптимальных вариантов, которые можно рекомендовать для дальнейшей инженерной проработки и реализации.

Методика представлена лишь приблизительно, но вполне подходит для практического использования.

Глава 3. Проблемы развития бионики

В течение последних десятилетий интерес к бионике существенно повысился, однако исследований, обобщающих научные направления и формирующих основы бионики как науки, опубликовано явно недостаточно. Нет единства мнений специалистов по ряду принципиальных положений по методике решения задач бионики, что в определенной степени тормозит ее развитие. Можно утверждать, что становление бионики как науки началось с применения системных методов исследования, математического аппарата анализа и синтеза свойств сложных биологических систем, методов идентификации и распознавания образов для выявления новых свойств организмов, методов кибернетики для раскрытия особенностей управления, адаптации и интеллекта животных, системотехнических методов синтеза и генерации оптимальных решений.

Благодаря этому бионика стала располагать необходимым арсеналом средств и методов исследования живых организмов, а также теоретическим аппаратом, позволяющим на научной основе выявлять секреты живой природы и использовать их не только для совершенствования техники, но и для внесения существенного вклада в естественные науки – биологию, медицину и др.

Таким образом, бионика развивается как наука о методах и средствах использования особенностей строения, функционирования и развития живых организмов для прикладных и научных разработок, направленных на развитие научно-технического прогресса.

Применяемые в бионике методы и технологии основаны на совместном использовании исследований, проводимых в медицинских и биологических науках, в кибернетике (особенно математический анализ динамики биологических систем и их электронное моделирование), и совокупности общенаучных прикладных, в основном технических, дисциплин. Однако имеются проблемы, сдерживающие развитие бионики. Во многом мешает существующая узкая специализация как технических, так и медико-биологических наук.

Развитие науки и техники, а также необходимость глубокого понимания изучаемых проблем потребовали дифференциации знаний и узкой специализации современных ученых. Каждое направление науки при проведении автономных исследований разрабатывает свою терминологию, часто непонятную специалистам других областей, и специфические методики изучения, которые не применимы в других областях. Например, в биологии и медицине выработался свой подход к изучению живых организмов, который существенно отличается от подходов, принятых при изучении технических систем.

Инженерно-технические работники рассматривают и классифицируют технические системы по функциональным признакам, изучают обобщенные структурные и функциональные модели систем и их компонентов не зависимо от времени и очередности их создания. Классификационные признаки технической системы, такие как количество и качество получаемой информации, методы физических измерений, области применения, способы обработки информации, выбираются в зависимости от ее назначения и конкретного применения для оценки и сравнения различных ее вариантов. Вот, например, классификация приводов.

Биологи же классифицируют живые организмы по признакам, связанным с последовательностью эволюционного развития живой природы. При такой классификации, например, животные, имеющие одинаковые условия существования и решающие одни и те же задачи, а значит, имеющие однотипные функциональные и информационные органы, относятся к разным классам и видам.

В медицине узкая специализация направлений изучения организма используется для выявления патологий, то есть нарушений его состояния, при этом недостаточно изучаются функциональные свойства отдельных органов и систем.

Чрезмерная специализация наук усложняет общение специалистов, затрудняет обмен информацией и тем самым препятствует целостному восприятию объектов изучения. Различия в терминологии, несовместимость подходов в изучении биосистем делает сложным контакт биологов и инженеров, является причиной взаимного непонимания, обусловливает недостаточность необходимой инженерам информации о функциональных свойствах живых организмов, затрудняет поиск оптимальных решений.

Преодоление этих трудностей связано с решением ряда научных, методических и организационных задач и целенаправленной подготовкой кадров специалистов-биоников. Необходимо совершенствование и углубление научных основ бионики, охватывающих все этапы изучения живой природы и разработки технических предложений, а также организация коллективных исследований с участием специалистов разного профиля для создания сколько-нибудь систематических методов обучения и подготовки специалистов-биоников.

Глава 4. Ветви бионики

Бионика далеко не единая и монолитная область знаний, а имеет несколько, можно сказать ветвей. Само собой, это очень условное деление, ведь нет вообще какого-то четкого разделения между ее частями и одна из ветвей может использовать «плоды» с другой

Итак, бионика делится на 3 больших ветви и одну обособленную ветвь:

Нейробионика, сенсорная бионика, общеморфологическая бионика и обособленная ветвь – архитектурная бионика.

А теперь остановимся подробней на каждой и начнем с нейробионики.

Нейробионика

Нейробионика – это раздел бионики, занимающийся организацией технических систем из нейроподобных элементов или их изучением. Основным этапом нейробионических исследований является моделирование нейроподобных систем при помощи компьютера (программно) или на базе уже имеющихся функциональных элементов (аппаратно). Под нейроподобными системами понимаются физические системы или математические модели, воспроизводящие наиболее существенные информационные свойства нейронных структур.

Выявление принципов нейронной организации мозга становится теперь особенно актуальным в связи широким распространением систем с параллельной обработкой информации, разработкой автономных роботов, развитием идей искусственного интеллекта, некоторые наработки которого уже используются во многих экспертных системах.

Сюда входит моделирование сетей для дальнейшего исследования и использования алгоритмов сетей в вычислительной технике. Например, многие экспертные системы и системы анализа изображений в качестве основы работы берут именно нейросети живых организмов.

Нейронная сеть в биологии – это множество нейронов, объединенных многочисленными связями друг с другом в нервной системе для выполнения определенных физиологических функций. Головной мозг человека – одна большая и сложная нейронная сеть. Благодаря этим сетям появились искусственные нейронные сети.

Искусственная нейронная сеть – это математическая модель, которая может быть воплощена на программном или аппаратном уровне по принципу биологической нервной системы.

Основной принцип построения сети – совокупность объединенных нейронов – остался неизменным. Но между биологической и искусственной сетями есть и различия, обусловленные их природой.

Во-первых, в искусственных сетях используют искусственные нейроны, которые являются компьютерными процессорами. То есть, искусственная нейросеть – это множество связанных между собой процессоров.

Во-вторых, биологическая сеть является трехмерной, и нейроны в ней связаны очень хаотично и непоследовательно. В подавляющем большинстве искусственные нейросети являются плоскими, так как их проще реализовать.

Принцип работы нейросети заключается в прохождении определенной информации через три слоя нейронов: входного, скрытого и выходного.

Нейроны входного слоя принимают сигналы и передают эти сигналы без обработки нейронам скрытого слоя. Притом при передаче сигнала, он еще и распределяется между другими нейронами неизвестным способом, так как каждый нейрон одного слоя связан с каждым нейроном следующего слоя.

В скрытом слое происходит обработка сигналов и последующая его передача в выходной слой. Именно в скрытом слое и происходит решение задачи. Стоит отметить, что скрытым этот слой назвали по той причине, что мы не можем отследить поведение сети в этом слое: куда передается сигнал, как он распределяется и прочее.

В последнем, выходном, слое происходит последний этап обработки и, если это можно так назвать, конвертирование результата в понятный нам тип информации.

Искусственные сети можно по-разному разделять на типы и классы, однако существует две основные классификации: по наличию обратной связи и по методу «обучения».

Возможно, у вас возникает важный вопрос: как применить нейронную сеть к решению конкретной задачи? Нейронные сети применяются при решении таких задач, алгоритм и правила решения которых неизвестны. В этом заключается преимущество сетей перед обычными программами, которые требуют известный алгоритм или правила решения проблемы.

Наиболее широко нейросети используются при прогнозировании разных процессов (чаще всего экономических), управления разными программными или роботизированными системами, решение задач классификации: распознавание звука, изображения или других данных.

В заключение, хочется еще раз отметить основные причины, по которым искусственные нейронные сети – это большой шаг в будущее. Нейронные сети – исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости.

Они крайне просты в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя требуется какой-то набор знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем при использовании традиционных методов статистики.