О проекте

В последние два десятилетия искусственные нейронные сети получили широчайшее практическое применение. Они успешно используются в таких разноплановых задачах, как распознавание образов, адаптивное управление, биржевая аналитика и многие, многие другие. Практически везде, где проблематично составить четкий алгоритм, на помощь приходят методы машинного обучения, многие из которых используют нейронные сети.

Когда говорят о нейросетях, часто прибегают к биологическим аналогиям, но при этом, обычно, упускается из виду, что искусственные нейронные сети, применяемые на практике, как правило, очень далеки по своей сути от своего биологического прототипа. И дело не только в упрощениях, неизбежных при моделировании.

Биологические нейронные сети - это структуры, представляющие собой сплетение нейронов, непреревно функционирующих во времени. Информация в них передаётся последовательностью электро-химических импульсов между нейронами.

Реальный биологический нейрон - сложнейшая биохимическая система, оперирующая с непрерывно поступающим многомерным потоком импульсов напряжения - спайков. Последовательности спайков поступают на синапсы нейрона, при этом сам нейрон также генерирует на выходе последовательность спайков, которые распространяются по его выходящему отростку - аксону. Функционирование биологической нейронной сети заключается в непрерывной переработке нейронами последовательностей спайков, в ходе которой меняются не только характеристики входящих потоков импульсов, но также, что очень важно, - параметры отдельных нейронов и связей между ними. Биологические нервные структуры, в отличие от технических, обладают свойством пластичности - то есть способности перестраивать свои характеристики в процессе своей деятельности.

Искусственные нейросети также состоят из связанных между собой элементов, типа нейронов. Однако, основное значение в большинстве моделей имеет уровень возбуждения нейронов, а не динамика обмена импульсами. По сути, сеть задаёт некоторую функцию, ставящую в соответствие входным параметрам сети выходные. На оптимизации этой функции по некоторому критерию путём модификации коэффициентов связей между элементами как раз и строится обучение сети.

Если целью моделирования нейрона является изучение его реальной физиологии, то в такой модели приходится учитывать множество деталей работы нейрона, таких как динамика мембраны нейрона, как возбудимой динамической системы, пространственное устройство отростков нейрона и другие. Однако, на наш взгляд, больше интересен вопрос, какие черты биологических нейронов позволяют решать живым организмам сложнейшие задачи адаптации к внешней среде.

На этом сайте собраны материалы по физиологии центральной нервной системы, но, кроме этого, в него интегрирована интерактивная WEB-модель спайковой нейронной сети. Каждый посетитель может понаблюдать за динамикой приведённых на сайте моделей-образцов (сэмплов) и, при желании, попробовать свои силы в создании новых действующих моделей, пополнив тем самым общедоступную коллекцию конфигураций. Несмотря на свою простоту, модель позволяет наглядно демонстрировать многие свойства нейронных сетей, привлекающие физиологов.