Размещено на http://www.allbest.ru/

Быстрые процессы мозга и обработка образов

О.П. Кузнецов

А.В.Воинов

В.А.Саламатов,

Введение

два мира - две системы

Уже давно сложилось устойчивое представление о существовании двух систем хранения и обработки знаний у человека: образной и символьно-логической. Образная система - по-видимому, врожденная, а символьно-логическая возникает в процессе обучения в широком смысле этого слова. Символьное мышление во многом есть результат общения с символьной средой, представленной речью, текстами и прочими многообразными символами. В компьютерном мире все наоборот: первичная система - символьная. Представления и методы обработки изображений и компьютерной графики вторичны и базируются на символьных конструкциях и методах.

Но дело не только в первичности и вторичности. Дело еще и в том, что операции, простые для человека, сложны для компьютера и наоборот. Узнавание, запоминание, воспроизведение и классификация образов для человека гораздо более естественны (хотя и эти процедуры совершенствуются на протяжении всей жизни), чем запоминание текстов или проведение длинных вычислений и рассуждений. Возникает соблазн описать это различие между человеком и компьютером в терминах аппаратных и программных средств. В компьютере аппаратное обеспечение имеет символьную (цифровую) природу; обработка изображений представляет собой сложную последовательность процедур над цифровыми представлениями. Этот процесс с точки зрения компьютерного времени - медленный. Появление различных спецпроцессоров обработки изображений это время конечно уменьшает, но существо процесса принципиально остается тем же. Естественно предположить, что у человека его процедуры работы с образами «зашиты» в свой «хардвер» - «аппаратуру», реализуемую нейронами и нейронными сетями мозга. Именно поэтому многие из этих процедур являются быстрыми не только в реальном человеческом времени, но и более быстрыми, чем аналогичные компьютерные процедуры. И все это при том, что скорость передачи сигналов в мозге в миллион раз меньше скорости сигналов в электронных схемах.

Но если функциональные принципы организации компьютерной аппаратуры нам известны в деталях (поскольку эти принципы нами же и создавались) - от функций отдельных элементов до общей архитектуры, - то о функциональной стороне организации нейронных структур мозга, реализующих интеллектуальные процессы, до сих пор известно не слишком много. Заметим, речь идет именно о функциональной стороне, поскольку в нейрофизиологии подробно изучены анатомия и топология мозга. В частности, известно, какие зоны мозга возбуждаются при различных процессах обработки информации и какие физико-химические процессы происходят при этом в нейронах и нейронных волокнах.

Однако в целом нейрофизиология, зная многое о процессах передачи сигналов между нейронами, мало определенного может сказать о том, как с помощью этих процессов организуется обработка и запоминание крупных информационных единиц - образов, слов, понятий, - хотя гипотез на этот счет существует немало. Загадки, перед которыми стоит нейрофизиология, напоминают проблемы опытного электротехника, который, ничего не зная о принципах работы компьютера, вздумал бы понять их, вскрыв компьютер и изучая его схемы. Он быстро обнаружит, что сигналы имеют электрическую природу; выделит основные конструктивные блоки и связи между ними; сможет замерить напряжение и силу тока в любой точке любой схемы. Однако это не объяснит ему, почему в результате каких-то электронных процессов в машине складываются два числа или в длинном тексте отыскивается нужное слово. Если он не знает, как в компьютере представляются числа, что такое процессор и программа, то у него нет даже нужных слов и понятий, чтобы сформулировать правильные, содержательные вопросы. Короче говоря, эмпирические данные нейрофизиологии нуждаются в интерпретации - в системе понятий, которые лежат за ее пределами и которые нужно искать в информатике.

До сих пор для компьютерной информатики распознавание образов остается лишь одной из частных, хотя и важных задач. В то же время для информатики мозга образ есть основной вид представления данных и знаний, а распознавание и восстановление образов - это одна из центральных процедур, пронизывающих все мыслительные процессы. Поэтому, если мы хотим исследовать информационные процессы мозга с целью понять и использовать секреты его эффективности, особое внимание следует уделить моделированию механизмов обработки образов.

1. Распознавание, интерпретация и смысл

В процессе восприятия информации человеком, т.е. перевода ее из сенсорных регистров (первичной памяти, где она очень короткое время хранится в непосредственном виде, т.е. в том, в котором поступила) в основную память, происходит ее преобразование в некоторые внутренние представления. В этом преобразовании (называемом психологами интерпретацией, категоризацией или кодированием - см. например, [1]) распознавание играет весьма существенную роль. Информация, хранящаяся в памяти человека (т.е. система знаний в широком смысле слова - совокупность не только вербальных сведений, но и сенсорных образов, неясных воспоминаний и т.д.), организована в виде сложной системы категорий, или классов - хотя, разумеется, эти «классы» мало похожи на четкие классы научной классификации. Восприятие человеком информации заключается в отнесении ее к некоторому классу: чтобы воспринять совокупность сенсорных сигналов, мы должны «понять, что это такое». Процесс определения того, «что это такое», т.е. к какому классу (или, в других терминах, категории) следует отнести данную информацию, - это и есть распознавание, или категоризация. Можно сказать также, что распознавать входную информацию - значит наделять ее смыслом. Отсюда и уместность термина «интерпретация».

Система категорий формируется на протяжении всей жизни человека. Категории перестраиваются и создаются заново, в чем, собственно, и заключается обучение в широком смысле слова. Эти процессы, как сознательные (обдумывание, переосмысление), так и бессознательные, протекают медленно, а их результаты проявляются не сразу. В ходе же постоянных локальных восприятий происходит быстрое отнесение входного образа к одному из классов, существующих в данный момент. В процессе восприятия существенную роль играет память, хранящая систему категорий. Так как содержание памяти существенно определяется индивидуальным опытом, то и восприятие очень индивидуально. Именно этим объясняются такие всем хорошо известные явления, как разное «видение» одного и того же, противоречивые показания очевидцев, эффекты «испорченного телефона» и т.д.

Таким образом, восприятие информации - это не просто ее переписывание в память «один к одному», а сложный процесс построения ее внутреннего представления или внутреннего образа, в котором важную роль играют механизмы распознавания. При этом часть входной информации неизбежно теряется.

О том, как категоризация влияет на распознавание, говорит известный эксперимент Уайсмена и Найссера (см. [2]) с набором картинок, полученных из осмысленных изображений путем удаления некоторых контуров (картинок Муни). Разобраться, что на них изображено, довольно трудно. Рассматривая картинки, испытуемые пытались разгадать их смысл (т.е. проинтерпретировать), причем для одних картинок успешно, для других - нет. Через некоторое время предъявлялся набор картинок, в котором были и предъявленные ранее, и новые картинки того же типа. Требовалось узнать картинки, предъявленные ранее. Узнавание было успешным, только когда испытуемые при первом предъявлении картинки давали ей какую-то интерпретацию (т.е. относили к некоторому классу), а при проверке на узнавание интерпретировали ее так же.

Отсюда следует два важных вывода. Во-первых, узнавание основано не на сравнении картинок, предъявляемых при проверке, с образными следами, а на сопоставлении своих прежних выводов об их содержании с текущей интерпретацией. Иначе говоря, в памяти испытуемых сохранялась не копия картинки, а информация о ее категоризации (если она произошла), и, значит, внутренний образ - это не «картинка», тождественная сенсорному образу, а некоторое не совпадающее с ним представление. Для его формирования требовались определенные условия (возможность интерпретации), и притом это представление - разное у различных людей, поскольку результаты узнавания у этих людей были разные. Во-вторых, при отсутствии интерпретации запись в память либо не происходит (что,по-видимому, более вероятно), либо эта запись оказывается недоступной.

Из всего сказанного выше можно сделать еще один вывод. Образ, хранящийся в памяти, является принципиально внутренним представлением; в полной мере его объективировать нельзя. Люди неспособны непосредственно обмениваться образами. Для такого обмена они вынуждены создавать их внешние представления: передавать нужное словами, интонациями живой речи, рисунками, жестами и др. При объективизации, отчуждении образа происходит его обратная перекодировка, которая вовсе не является обратным (в теоретико-групповом смысле) преобразованием: часть информации теряется и искажается. Но, кроме того, всякая коммуникация - это не только обмен сенсорными сигналами, но и опять-таки восприятие, т.е. взаимная интерпретация, при которой, как мы уже знаем, снова часть информации теряется и искажается. Мало того, что не удается выразить все, что у тебя «внутри», еще и выраженное рискует быть понятым не так (или не совсем так), как ты хотел. Это прекрасно выражено в знаменитой строчке Ф.И.Тютчева «Мысль изреченная есть ложь».

Неоднозначность обратной перекодировки образа и связанные с ней потери информации означают, что полная переводимость из образной системы в символьно-логическую невозможна. Да и символьные объекты хранятся и обрабатываются в памяти человека не так, как в компьютере. Об этом говорит, например, тот факт, что человеку гораздо легче запомнить последовательность номеров телефонов или дат рождения хорошо знакомых людей («осмысленную последовательность»), чем простую, неинтерпретированную последовательность цифр той же длины. «Осмысливание» символьных объектов улучшает их запоминание; на этом основаны многочисленные мнемонические приемы. Но поскольку системы смыслов, т.е. системы категорий у разных людей, как уже было сказано, не совпадают, то в случаях, когда работа с внешними представлениями требует сохранения определенных свойств (скажем, истинности или точности), отсутствия потерь информации, опора на смысл становится ненадежной.

Одна из центральных идей математики и информатики ХХ-го века - идея формализации - как раз и заключается в проведении преобразований информации на синтаксическом, неинтерпретированном уровне, в виде манипуляций с символами без апелляций к их смыслу. Интерпретация остается только на входе и выходе. Эта идея была четко сформулирована еще в известной программе Гильберта, выдвинутой в начале века и положившей начало широкой волне исследований по математической логике и теории алгоритмов. Она же лежит в основе программирования и всего многообразия процессов информатизации и алгоритмизации. Что же касается мозга, то его принципы работы можно было бы назвать семантическими. «Мозг работает не с информацией в компьютерном понимании этого слова, а со смыслом или значением. А значение - это исторически формируемое понятие, оно находит выражение в процессе взаимодействия индивидуума с природной и социальной средой. Вспоминая, мы выполняем над воспоминанием какую-то работу и трансформируем его. Мы не просто извлекаем образы из хранилища и, использовав, возвращаем обратно в прежнем виде, а каждый раз пересоздаем заново» [3]. Правда, эта мысль Роуза скорее не отвечает на вопрос о специфике работы мозга, а лишь ставит проблему ее конструктивной расшифровки с позиций информатики.

Но если образная система представлений, связанная с субъективными категориями, столь неоднозначна и ненадежна, может быть, ее исследование стоит полностью оставить психологам, а информатике продолжать заниматься символьными системами? До недавних пор так оно и было. Все (или почти все) известные системы, моделирующие интеллектуальные процессы, включая доказательство теорем, когнитивную графику и естественно-языковые интерфейсы, основаны на синтаксических принципах обработки информации. Они «не понимают, что делают», хотя во многих случаях успешно имитируют понимание. Классическим примером имитации понимания до сих пор остается созданная 30 лет назад программа «Элиза», которая имитирует осмысленные ответы путем комбинаторных манипуляций со словами, содержащимися в вопросе.

Однако ограничения синтаксического подхода становятся все более очевидными. Обстоятельство, отмеченное в начале доклада - «то, что просто человеку, сложно компьютеру», - за 40 лет развития ИИ так и осталось непреодоленным. И это заставляет специалистов по информатике обратиться к изучению особенностей функционирования образных систем. Ответ на вопрос об их специфике в его «сильной форме» (какова она «на самом деле»), разумеется, нельзя получить без помощи нейрофизиологов; до его разрешения, по-видимому, еще очень далеко (см. по этому поводу книгу [3]). Но с точки зрения интересов информатики - конструирования процессов, столь же эффективных, как и процессы, протекающие в мозгу человека (но не обязательно «точно таких же») - достаточно более слабой формулировки исходного вопроса. Он может ставиться так: каковы информационные модели, которые феноменологически проявляют те же свойства, а главное, обладают хотя бы в некоторых важных аспектах той же эффективностью при работе с образами и, следовательно, могут использоваться для создания новых информационных технологий?

2. О свойствах образов

В первый день нашего семинара уже был сделан ряд докладов, где выделялись отличительные свойства образов. В частности, Д.А.Поспелов указал такие признаки зрительных образов, как целостность, равновесие, простота, симметрия, ритмичность, а И.Б.Фоминых отметил свойства целостности, ассимиляции, кумулятивности и конкретности. Ниже мы рассмотрим основные информационные особенности образа как средства представления данных и механизмов его обработки.

1. Образ обрабатывается быстро. Выше уже говорилось о том, что компьютерная обработка образов - последовательная и медленная, т.е. содержащая большое количество последовательных шагов. Высокая скорость «человеческой» обработки, по-видимому, связана с принципиально другой структурой нейронного «хардвера». Следовательно, встает задача построения нейронных моделей, способных быстро работать с образами.

Скорость работы с разными образами у человека - разная. Один из существенных факторов, влияющих на нее, - это изученная в когнитивной психологии «готовность» или «доступность» категории, к которой должен быть отнесен образ.

«Вероятность отнесения сенсорного сигнала к определенной категории зависит не только от соответствия сигнала признакам категории, но и от ее доступности. При наличии сигнала, одинаково хорошо согласующегося с двумя непересекающимися категориями, верх одержит более доступная из них. Доступность отражает вероятности наступления событий, зафиксированные в опыте. Чем чаще встречаются примеры данной категории, тем выше ее доступность, т.е. тем более низкий уровень интенсивности раздражителя требуется для отнесения к ней.

Однако организм должен быть готов и к поиску маловероятных событий, если они имеют значение для сохранения его жизни и осуществления его деятельности. Таким образом, относительная доступность категорий и систем категорий зависит от двух факторов: ожиданий относительно вероятностей наступления событий и требований поиска, обусловленных потребностями организма и необходимостью поддержания его деятельности» [1].

В разных моделях концепция образа и его представление могут быть разными. Но одно требование должно выполняться: образ - это представление, пригодное для быстрой обработки. Если же речь идет о моделировании различных доступностей, то это требование уточняется: более доступный образ должен обрабатываться быстрее. Серьезный разговор о моделировании доступностей требует введения в модель двух видов памяти - долговременной и рабочей (кратковременной или оперативной). В современной когнитивной психологии их функциональное (хотя анатомически и не локализованное) существование общепризнанно. Хорошо доступный образ - это образ, который либо находится в рабочей памяти, либо быстро может быть вызван в нее.

Заметим, что обычное представление о том, что такое понимание, связано с наличием двух вещей: общего образа ситуации (ее «целостной картинки») и высокой скорости работы с ним, т.е. умения быстро «соображать» в его терминах. Даже профессионалу, которому для работы с понятиями требуются точные определения, чрезвычайно полезен хороший пример из знакомой предметной области - именно потому, что он позволяет создать «картинку». При этом ощущение понимания - эффект субъективный. Оно не обязательно «правильное», т.е. ведущее к истинным выводам. Часто человеку только кажется, что он понимает. Столь же часто он понимает неправильно (что обнаруживается, когда он начинает делать выводы).

2. Образ обладает целостностью. Утверждение о важной роли целостности в понимании специфики образных представлений лежит в основе гештальт-психологии. Это направление психологии, бурно развивавшееся в 30-40-х гг., накопило большой эмпирический материал и выдвинуло ряд интересных идей (особенно богата ими замечательная книга [4]), многие из которых незаслуженно забыты. Целостность плохо поддается моделированию на синтаксическом уровне. И даже дать адекватное словесное, неформальное ее описание непросто.

Одно из свойств целостности было отмечено в докладе И.Б.Фоминых (см. также статью [5]: «Наличие связей между признаками, которые позволяют по нескольким заданным признакам восстановить остальные - отсутствующие или искаженные». При этом различные признаки образа имеют разную значимость. Если признаки, входящие в определение логического понятия, формально равноправны - отсутствие любого из них означает, что данный объект не удовлетворяет этому определению, - то в образе есть признаки более существенные и менее существенные. С этим связано, в частности, то обстоятельство, что распознавание и сравнение образов происходит не по принципу тождества (совпадения признаков), а по принципу сходства: для отнесения к категории важно близкое сходство существенных признаков. «В реальном мышлении вопрос о полном тождестве вообще не возникает». Для осмысленных процессов как раз характерно то, что не принимаются в расчет все элементы. «Целое» не значит «все» [4]. Такой принцип распознавания приводит к устойчивости образа, т.е. нечувствительности к небольшим отклонениям признаков, - эффекту, который в [5] назван «эффектом ассимиляции». Сильно сходные образы воспринимаются как один и тот же образ. Это и означает, что категоризация образов позволяет восстанавливать отсутствующие признаки.

Такая способность восстановления является мощным средством быстрой ориентации в знакомой среде, когда система доступностей категорий адекватна реальным вероятностям появления тех или иных сенсорных сигналов [1]. Доступности отражают наши ожидания и установки; в знакомой среде они, как правило, оправдываются. Однако эта же способность приводит к тому, что мы зачастую видим то, чего нет («восстановленный» признак на самом деле в воспринимаемом сенсорном сигнале отсутствует), и неправильно интерпретируем незнакомую ситуацию.

Другое свойство целостности образа - его обработка сразу, а не по частям. Образы мы видим (или осознаем) как бы сразу, целиком. Это относится и к довольно сложным образам. Например, известно, что композиторы или писатели способны видеть или слышать все произведение сразу, а математики - видеть сразу всю структуру доказательства. Одновременность обработки различных частей образа подтверждается, например, опытами Фейгенберга. Испытуемым предъявлялись на экране несложные рисунки. Вначале они проектировались сильно расфокусированными и опознать их было невозможно. Затем постепенно фокусировка улучшалась и в определенный момент испытуемый узнавал изображение. При этом узнавание изображения в целом и узнавание отдельных его частей всегда происходило одновременно.

Однако быстрый процесс распознавания все-таки расчленяется на ряд еще более быстрых этапов[1], ибо не все признаки образа воспринимаются одновременно. Признаки, характеризующие общую картину, обнаруживаются несколько раньше, чем признаки, совпадающие с деталями. «При кодировании конфигураций глобальные признаки, характеризующие объект в целом, имеют приоритет перед локальными. По-видимому, именно они позволяют осуществлять быстрое сравнение двух конфигураций, определяют долговременное хранение визуальных характеристик в памяти и обеспечивают быстрый доступ к значению данной конкретной конфигурации» [6].

Существенность или несущественность признаков связана не с их внутренними свойствами, а с их ролью в структуре образа. Если какой-то несущественный в данном образе признак объявить (или «увидеть») существенным, то образ может стать «другим» - изменится его интерпретация. Гештальтисты называют это перецентрированием.

Понятие интерпретации, как мы уже видели, вообще важно для понимания существа образа. В этих терминах известная метафора целостности «целое не равно сумме своих частей» формулируется более четко и конструктивно: «целое не сводится к сумме своих частей, интерпретируемых независимо» [7]. Описанные выше опыты Фейгенберга подтверждают этот тезис. Интерпретация воспринимаемого объекта происходит одновременно и для всего объекта, и для его частей. Взятые изолированно части объекта либо вообще не могут быть проинтерпретированы (например, в эскизных портретах, рисуемых «одним росчерком пера», где нос или рот можно «увидеть», только когда видишь лицо целиком), либо интерпретируются неправильно, либо в разных контекстах обозначают различные вещи. В психологии и живописи известно множество таких неоднозначно интерпретируемых изображений (рисунки-оборотни) типа «Жена или теща», «Крыса или утка», картина Дали «Невольничий рынок с исчезающим бюстом Вольтера» и др. Переключение видения таких изображений и есть перецентрирование.

3. Еще одной существенной характеристикой образа как представления данных является наличие у него псевдооптических свойств. Уже подчеркивалось, что внутренний образ - это не копия сенсорного объекта и даже необязательно представление сенсорного объекта. Столь же реальны мысленные образы, представляющие собой довольно сложные и абстрактные интеллектуальные образования. И тем не менее очень естественно говорить о любых образах в псевдооптических терминах: яркость, смутность («яркая мысль», «смутная догадка»), четкость, нечеткость, фокусировка и т.д.

4. Наконец, одно из немногих установленных в нейрофизиологии свойств образа и следов памяти вообще - это его распределенность. Запоминаемая информация (следы памяти, «энграммы») хранятся в мозгу чрезвычайно распределенно и не могут быть локализованы. Как шутят нейрофизиологи, не существует «нейрона моей бабушки», т.е. нейрона или локальной группы нейронов, где хранилась бы вся информация о бабушке. Этот факт был описан еще Лешли в его классической статье [8], содержавшей результаты десятилетних экспериментов с обучением крыс. Он обучал их ориентироваться в сложных лабиринтах, а потом удалял отдельные участки мозговой коры, чтобы выяснить, где сохраняются следы памяти. Он не нашел конкретных участков, удаление которых приводило бы к полной потере усвоенного навыка; вместо этого навык постепенно ухудшался по мере увеличения размеров удаленной области коры. На основе этих наблюдений Лешли выдвинул концепцию «эквипотенциальности» коры: он пришел к выводу, что память одновременно присутствует в мозгу везде и нигде.

Распределенность следов памяти подтверждается и последними исследованиями нейрофизиологов [3]. Ясно, что она служит физиологической основой высокой надежности мозга - его работа при многих локальных повреждениях либо не нарушается, либо через некоторое время восстанавливается.

Все отмеченные свойства образных представлений чрезвычайно плохо и неадекватно моделируются в символьно-логической парадигме - и в логических теориях, и в компьютерных моделях. Эти теории и модели пригодны только для работы с внешними представлениями. Образные, внутренние представления, специфика работы с которыми и составляет суть эффективности мозга, как уже говорилось выше, необходимо изучать на моделях нейронного типа.

3. Псевдооптические сети - модель работы с образными системами

Поиски такой нейронной модели, в которой механизмы обработки образов более адекватно отражают свойства механизмов мозга, чем современные компьютерные технологии, привели к модели псевдооптических нейронных сетей (ПНС). Их «псевдооптика» реализуется на информационном уровне: сигналы в сети распространяются по оптическим законам, а на входах нейронов происходит интерференция сигналов. При этом использование физической оптики, т.е. реальной оптической аппаратуры для реализации таких сетей, вообще говоря, совсем необязательно. В ПНС моделируются различные оптические эффекты, из которых наиболее существенны для наших целей голографические эффекты.

Напомним необходимые понятия из голографии. В классической схеме оптической голографии источник А когерентного излучения с постоянной частотой (называемый опорным) освещает обьект В и поверхность С, где расположена фотопластинка. В каждую точку поверхности С идет луч (сигнал) от A по прямой АС и лучи от точек обьекта В по ломаным А. Освещенность в точке определяется суммарной интенсивностью I этих лучей по формуле

I =

где - разность фаз между i-м и j-м лучом, - их интенсивности. Значение I в разных точках С различно; позтому различна и засвеченность разных точек фотопластинки. Чередование темных и светлых мест на проявленной пластинке образует диффракционную решетку, являющуюся голографической записью (голограммой) обьекта В. Если проявленную пластинку расположить в поверхности С и осветить ее лучом из А, то в результате дифракции в некотором месте пространства возникает изображение обьекта В: происходит его считывание, или, как говорят, восстановление.

Фотографический и голографический способы хранения информации принципиально различны. Каждой точке объекта взаимно-однозначно (с точностью до разрешающей способности фотоаппаратуры) соответствует точка на фотографии; повреждение части фотографии ведет к потере информации о той части обьекта, которая на ней изображена. Каждая точка голограммы содержит информацию о всех точках объекта; информация о точке обьекта распределена по всей голограмме; поэтому частичная голограмма может воспроизвести весь обьект, хотя и менее четко. Кроме того, одна голограмма может хранить и воспроизводить несколько различных изображений.

Указанные свойства голограмм привели к мысли об аналогии между оптической голографией и процессами мозга. Впервые эту мысль высказал ван Хеерден (см. его книгу [9]).В дальнейшем она обсуждалась физиками, включая создателя оптической голографии Д.Габора [10] и видного советского специалиста по голографии Ю.Денисюка [11], специалистами по информатике [12, 13] и нейрофизиологами [14], причем в книге [14] голографическая гипотеза изложена наиболее подробно. Однако все известные соображения о возможной связи информатики мозга с голографией остались на уровне гипотез и не были подкреплены конкретными моделями механизмов голографической обработки информации. Модель ПНС является, по-видимому, первой такой моделью. Она подробно описана в работах [15-17]. Здесь мы лишь кратко напомним ее основные черты.

В основе ПНС лежит модель интерферирующего нейрона. Интерферирующий нейрон характеризуется порогом и потенциалом , который под действием входных сигналов может изменяться от 0 до . Нейроны соединены волокнами, которые характеризуются длиной и скоростью прохождения сигналов. Сигнал - это периодическая функция, определяемая интенсивностью , частотой , одинаковой для всех сигналов, и длительностью . Сигналы и поступают на вход нейрона в разные моменты времени и ; между ними образуется разность фаз . Суммарная интенсивность на входе нейрона вычисляется по закону интерференции I(t) =.

При неизменных входных сигналах потенциал нейрона растет пропорционально времени и интенсивности, пока не достигнет порога, после чего генерируется сигнал интенсивности и длительности = . Для произвольного интервала [t, t'], если на вход поступило m cигналов и потенциал не превысил порога, то

( t + t') = ( t ) + () ,

где - время сосуществования сигналов и .

Модели ПНС, в которых фазовые соотношения сигналов зависят только от геометрии сети - длин соединений между нейронами, расстояний между нейронными слоями, конфигурации и взаимного расположения слоев, - называются геометрическими. Модели, в которых они зависят от задержек в синапсах, называются синаптическими. Геометрия сети в них несущественна. Все классы ПНС имеют общую архитектуру, состоящую из четырех слоев: слой A - источник (аналог источника опорной волны в голографии); слой B исходных образов, представляемых распределением потенциалов; слой C, в котором в результате интерференции сигналов от A и B возникает распределение потенциалов, образующее голограмму образа B; слой D, в котором в результате интерференции сигналов от нейронов слоя C, «освещенного» источником A, возникает распределение потенциалов, представляющее восстановленный образ. Степень сходства этого образа с образом B определяет качество восстановления.

Для двух типов геометрических моделей: круговых (B, C и D - концентрические круги с центром в точечном источнике A) и прямолинейных (все слои, кроме, быть может, А, - прямолинейные отрезки) получены зависимости распределения потенциалов слоя от фазовых соотношений входных сигналов. Хорошее качество восстановления легче получить в прямолинейных моделях. Для них выделена группа параметров, влияющих на качество восстановления. На рис.1 показано восстановление (распределение потенциалов в слое D) образа из трех точек в прямолинейной модели, где источником А является прямолинейный слой, генерирующий плоскую волну, а слои C и D содержат по 500 нейронов.

Рис.1. Восстановление образа в прямолинейной модели

В ПНС можно моделировать и другие оптические явления. В частности, в прямолинейной сети, состоящей из слоев А, C и D, когда источник А - прямолинейный, легко построить модель линзы. Если распределение потенциалов в слое C задать параболическим законом=rf, где-потенциал i-го нейрона, то слой C моделирует линзу и в слое D, расположенном на фокусном расстоянии rf от С, плоская волна от А «соберется» в фокус, дав единственный острый пик в середине D.

некоторые итоги и перспективы

Предлагаемая модель не претендует на адекватность информационным процессам мозга на нейрофизиологическом уровне. Иначе говоря, не утверждается, что законы функционирования ПНС тождественны законам функционирования нервных сетей мозга. Проверять гипотезу «голографичности» реальных нейронных процессов-дело физиологов. Речь идет всего лишь об адекватности механизмов ПНС на функциональном уровне. И, действительно, функциональные свойства механизмов ПНС - как уже изученные, так и ожидаемые на основании тесных аналогий с физической оптикой - хорошо объясняют многие свойства «человеческих» механизмов обработки образной информации, которые были отмечены выше и которые не имеют удовлетворительных объяснений в символьных логико-алгоритмических моделях. Рассмотрим «объяснительные возможности» ПНС несколько подробнее.

Запись и восстановление образов в ПНС происходит распределенно, быстро и одновременно для всего образа, т.е. сразу, а не по частям, без сканирования. Скорость обработки образа не зависит ни от его геометрического размера, ни от числа точек (нейронов), представляющих образ. Псевдооптические свойства образов (яркость, контрастность и т.д.) в ПНС очевидны.

Моделирование узнавания реализуется благодаря известному в оптической голографии свойству обратимости источника и объекта: если осветить голограмму, в которой записан объект, этим же объектом, то восстановится источник.Если в ПНС «осветить» голограмму (слой C), в которой записана интерференция точечного источника А и образа В, этим же образом, то в D возникнет образ A, т.е. острый пик распределения, который является сигналом об узнавании образа B. Классификация образов (т.е. категоризация, которая обсуждалась выше) связана с выбором порога нейронов слоя D. Если исходный образ B достаточно контрастен, то пороги в D можно выбрать так, что возбудятся только нейроны D, соответствующие ярким точкам B. При восстановлении образов, «похожих» на исходный образ (имеющих те же яркие точки), в D возбудятся те же нейроны, что и будет означать отнесение этих образов к тому же классу. При этом идентификация образов происходит на основе сходства, а не тождества. Кроме того, для узнавания и классификации, вообще говоря, не требуется обучения, как в других моделях нейронных сетей; иначе говоря, в ПНС возможно моделирование симультанного узнавания (т.е. узнавания «с одного раза»).

Возможна еще более широкая трактовка принципа обратимости: источник может быть произвольным объектом и, следовательно, голограмма - это результат интерференции двух объектов А и В. При ее освещении одним объектом восстановится другой. Тем самым получаем голографический механизм ассоциативного припоминания, на что указывалось еще физиками в работах [10,11].

Повторная запись образа на то же место обостряет его, делает более контрастным. Это во-первых, повышает качество распознавания и узнавания, т.е. моделирует обучение повторением, а во-вторых, реализует эффект кумулятивности, о котором говорилось в [5].

И, наконец, две идеи на будущее.

I. Проведенные до сих пор исследования ПНС имели дело с отдельными образами. Естественным их продолжением должны стать модели ПНС, способные работать с системами взаимосвязанных образов и, в частности, организовывать быстрый поиск в таких системах. Короче говоря, предстоит серьезно исследовать возможность построения псевдооптических баз данных.

II. Психологи неоднократно отмечали, что уже сам акт категоризации является рассуждением [1], т.е. элементарным актом индуктивного обобщения, построения гипотезы. Не только когнитивная графика, но и любая визуализация служит инструментом, помогающим человеку ускорить свои рассуждения и повысить их эффективность. Представляется крайне заманчивым заняться исследованием механизма быстрых рассуждений на основе образных систем. При этом имеются в виду не прикладные системы компьютерной графики в их современном понимании, а системы, умеющие быстро и эффективно работать со сложными представлениями (скорость обработки слабо зависит от размеров представления).

4. Моделирование интуитивных рассуждений эксперта методами психосемантики и вывода с неопределенностью

Отличие системы, основанной на знаниях, от обычной компьютерной программы можно видеть в том, насколько глубоко ее разработчики стремятся понять и формализовать соотношение между концептуальными структурами, определяющими продуктивность эксперта в данной предметной области и структурами вычислительного формализма, используемого для эмуляции этой продуктивности [25]. Невозможно достичь требуемой глубины понимания явлений, делающих эксперта таковым, без привлечения соответствующих психологических данных и экспериментальных методик.

Очевидно, что исследование психологии эксперта как живого носителя знаний, входит или должно входить в повседневную практику инженера по знаниям. Кроме того, некоторые конкретные методики и технологии, развиваемые в психологии, как выясняется, могут иметь и определенное самостоятельное значение для инженерии знаний. Речь идет о психодиагностике и, в частности, психодиагностике когнитивных структур и индивидуальной системы значений испытуемого.

Во всех этих сферах научных исследований рост интереса к психодиагностике обусловлен осознанием необходимости формализации не только суммы «пассивных» знаний человека (а также высказываемых им явно убеждений, предпочтений, установок и т.д.), но и тех его внутренних когнитивных структур, которые выражают его отношение к исследуемой предметной области и на которые опирается его готовность каким-то образом действовать в ней.

Очевидно, что сама постановка задачи о разработке методики тестирования, реализующей и автоматизирующей (даже если не предполагается применение компьютера) некоторое подмножество типичных взаимодействий исследователя (врача, психолога) с испытуемым, не может не вызывать интерес для инженерии знаний. Применение любой такой методики, - независимо от предметной области и цели исследования, - имеет одно общее и очень важное последствие: неформальное межличностное взаимодействие (врача с пациентом, инженера по знаниям с экспертом, разработчика программы с пользователем и т.д.) опосредовано некоторым формальным, строго описанным и детерминированным аппаратом.

Для целей инженерии знаний наибольшее значение имеет особый класс психометрических методик, которые развиваются в рамках психосемантики [14,10], определяемой как наука о моделировании индивидуальных систем значений человека.

Исторически в рамках психосемантики можно выделить (помимо других) два больших, не всегда пересекающихся друг с другом направления:

Теория личностных конструктов Келли и основанный на этой теории тест репертуарых решеток [23].

Моделирование субъективных систем значений с помощью аппарата многомерного шкалирования [21,10,12,14,18].

5. Психосемантика в инженерии знаний

С 1979 года различные исследовательские группы [15-17,25,26] разрабатывают методики извлечения знаний, основанные на теории личностных конструктов Келли и ее практической реализации - тесте репертуарных решеток. В частности, подходы к извлечению знаний, реализованные в системах ETS [15-17], KSS0 [25], и Nicod [24], включают в себя процедуры преобразования репертуарных решеток в системы правил. Это оказалось полезным и продуктивным шагом для инженеров по знаниям, особенно на фазе первоначального прототипа планируемой интеллектуальной системы. Поскольку выразительные возможности репертуарной решетки в ее изначальном виде недостаточны для представления сложной системы правил, то для эффективной обратной связи и пошагового уточнения модели предметной области были предложены, во-первых, различные обобщения репертуарной решетки, а во-вторых, модели интерпретации самих репертуарных решеток в рамках интенсиональной логики [29], что сближает данную методику с традиционным аппаратом ИИ.

Формализация диалога с экспертом является существенным достижением этих систем. Значительная часть переноса экспертизы от человека-эксперта в базу знаний в машинной форме происходит при этом без привлечения инженера по знаниям.

Всем трем указанным подходам присуще одно свойство, которое естественно для системы извлечения знаний и совершенно нехарактерно для психодиагностической методики. Это - прямая и буквальная интерпретация единичных ответов эксперта-испытуемого при проведении методики (будь то заполнение решетки или процедура выявления конструктов). В большинстве же психодиагностических методик, напротив, реализуется статистический подход к интерпретации тестовых данных. Избыточность ответов испытуемого, как в классических опросниках, так и в более современных психосемантических процедурах используется для более надежного выделения «сигнала из шума» путем либо примитивного накопления «баллов» по тестовой шкале, либо с помощью сложной статистической обработки.Важно лишь, чтобы количество единичных ответов испытуемого превосходило количество результирующих тестовых шкал. При этом относительно смысла и значимости этих единичных ответов не делается никаких априорных предположений. Предполагается, что каждый из тестовых вопросов представляет собой лишь один из «пробных камней», который может вызвать, а может и не вызвать ожидаемый отклик испытуемого в зависимости от каких-то иных, трудно моделируемых внутренних или внешних факторов. Вывод и степень уверенности экспериментатора в том, что именно эти вопросы вызовут ожидаемый отклик, определяется, кроме его интуиции, рядом чисто формальных психометрических приемов.

Точно так же, как в случае первого из описанных подходов, формальная интерпретация которого достигается в рамках интенсиональной логики, можно было бы попытаться применить подходящий формализм для описания второго, «статистического», подхода. В частности, рассмотрим одно из возможных «переосмыслений» простейшего психологического опросника в рамках системы вывода с неопределенностью [9]. Возможные значения шкалы (от нулевого до максимального) соответствуют «мере определенности» некоторого логического суждения.

Будем также считать, что каждый из положительных ответов на очередной тестовый вопрос, будучи естественным образом записан в «рабочее поле» системы вывода как очередной (размытый) факт, некоторым, контролируемым системой, образом повышает степень уверенности для результирующего суждения. Если сам тестовый вопрос (например, значения его категорий в случае «ли-вопроса» [3]) допускает нечеткость, то и это обстоятельство можно надлежащим образом учесть в правиле пересчета степени уверенности результирующего суждения.

Описанная схема может быть легко реализована в любой современной системе вывода с неопределенностью. Примером служит система FuzzyCLIPS, разработанная в IIT NRC (Канада, http://ai.iit.nrc.ca/fuzzy/fuzzy.html)). Она также применяется в системе TOPOS, предназначенной для поддержки разработки психологической модели пользователя для систем дистанционного обучения [19,27].

Тем не менее, традиционный статистический способ обработки тестовых данных также имеет свои достоинства. В случае психосемантических методик одним из основных способов их обработки является многомерное шкалирование. Результатом такой обработки является некоторая геометрическая модель, сглаживающая единичные противоречия в данных в пользу целостной картины предметной области, в которой суммируется весь комплекс отношений эксперта к данной области. В последующей визуализации и интерпретации (как следствие) задействуются только те связи между элементами решетки, которые выделяются методом многомерного шкалирования, функционирующим в данном случае в качестве фильтра, и составляют результирующую конфигурацию. Все остальные связи считаются шумом и из дальнейшего анализа исключаются. Таким образом, исчезает необходимость (и возможность!) рассматривать буквально единичные ответы эксперта на тестовые вопросы. При этом основой для последующей формализации результатов становится неизбежная статистичность выявленных связей (вследствие избыточности исходной матрицы данных). Она естественным образом выражается в «нечетких» аспектах результирующих правил вывода.

6. Классический психосемантический эксперимент

Подготовка и проведение. В качестве инструментальной части методики опишем ее реализацию в системе Медис [1,5,7]. Как и в методике репертуарных решеток, исходным для проведения эксперимента является список стимулов - элементов и/или конструктов. В качестве стимула может выступать некоторое текстовое описание (наименование) понятия или объекта. В отличие от методики репертуарных решеток никакого различия между элементами и конструктами не делается; просто одна часть стимулов объявляется элементами, а другая - конструктами. Как следствие, конструкты в системе Медис - монополярны.

Далее, планируется тестовая ситуация, в которой эксперт будет осуществлять сравнение стимулов. В простейшем (и наиболее частом) случае это будет «ли»-вопрос [3] с фиксированным набором ответов.

В процессе эксперимента по оценке различий (или соответствий) значения категорий, выбираемых испытуемым, заносятся в матрицу данных, которая, вообще говоря, состоит из двух частей - дистанционной матрицы и оценочной решетки. Дистанционная матрица содержит оценки различий «элемент»«элемент» и имеет симметричный (треугольный) вид. Оценочная решетка содержит оценки соответствий «элемент»«конструкт» и имеет прямоугольный вид.

Статистическая обработка. Результатом работы алгоритма многомерного шкалирования всегда является некоторая конфигурация - список координат точек, представляющих шкалируемые понятия. Смысл алгоритма шкалирования заключается в том, чтобы разместить эти точки таким образом, чтобы геометрические расстояния между ними наилучшим образом соответствовали исходным различиям между объектами.

В любом из алгоритмов многомерного шкалирования можно выделить две составляющие:

Следует ожидать, что указанные методы помогут выявить такой слой знаний, которые эксперту трудно или невозможно сформулировать самостоятельно. Рассмотрим, насколько сама классическая процедура психосемантического эксперимента адекватна для выявления «глубинного» слоя знаний эксперта, аккумулирующего его опыт и профессиональную интуицию. Как пример, возьмем один из экспериментов, выполненных в рамках классической процедуры попарного сравнения элементов (рис.1). В качестве предметной области здесь и далее выбран «мир» языков программирования. Видно, что результирующая конфигурация отражает довольно поверхностное, «книжное» знание о языках программирования и их классификации, несмотря на то, что выбранный нами эксперт является настоящим профессиональным программистом. На данном рисунке изображена, во-первых, плоскость двух первых главных компонент, которые аккумулируют в себя наиболее общие и, следовательно, наиболее поверхностные критерии сравнения понятий, а, во-вторых, можно привести контрпримеры, содержащие полезную информацию и в случае классической методики.