IMITÂND CREIERUL: TOT CE TREBUIE SĂ ȘTIȚI DESPRE REȚEUA NEURONALĂ ARTIFICIALĂ

By September 20, 2018 Energie electrică, R & D

Există multe tehnologii AI(ARTIFICIAL INTELLIGENCE) și metode de simulare (sau, mai degrabă, creare) a inteligenței (unele sunt enumerate mai jos). Rețeaua neuronală artificială (ANN) este un exemplu de astfel de tehnologii (destul de uimitoare). Dar ce anume este ANN și de ce este așa de uimitor? Consultați ghidul nostru și introducerea în ANN și aplicațiile practice ale acestora. Sperăm că veți avea o lectură plăcută!

Ce este o rețea neuronală artificială?

Să începem cu elementele de bază. ANN este un sistem de calcul inspirat de rețelele neuronale biologice care constituie creierul uman (cu alte cuvinte, un set de unități de calcul simple care procesează date, comunică între ele și lucrează în paralel). Denumirea “rețele neuronale artificiale” uneori se referă și la disciplina care se ocupă de alcătuirea și studiul unor astfel de rețele. Rețelele simple sunt folosite de mult timp în domenii precum recunoașterea scrierii de mână.

Un ANN se bazează pe o colecție de unități conectate, neuroni artificiali, care modelează neuroni biologici și care arată astfel:

Dendrite
Soma (cell body)
Nucleus
Myelin sheath
Axon
Schwann cell
Node of Ranvier
Axon terminal
Synapse

Desigur, principiul de lucru al unui neuron artificial este ușor diferit – neuronul artificial este o unitate de calcul simplă (funcție matematică) care procesează semnale, comunică și cooperează cu alte unități similare. Primul neuron artificial a fost produs în 1943 de către neurofiziologul Warren McCulloch și logicianul Walter Pits. Rețeaua neuronală cea mai simplă, formată din unul sau mai mulți neuroni independenți McCulloch-Pitts (model de neuroni biologici), se numește perceptron.

De ce să folosim rețele neuronale?

Acțiunile exacte ale creierului uman sunt încă un mister. Cu toate acestea, unele aspecte ale acestui procesor uimitor sunt cunoscute și ANN imită câteva dintre aceste caracteristici surprinzătoare ale creierului:

  • grad ridicat de impulsuri de transmisie paralelă
  • abilitatea de a face față informațiilor incomplete, incoerente sau “zgomotoase”
  • dimensiuni reduse și consum redus de energie
  • flexibilitatea acțiunii – învățarea prin adaptarea la condițiile în schimbare fără acțiuni de programare
  • rezistență ridicată la deteriorarea și moartea unor celule

Aceste caracteristici ale ANN oferă o serie de avantaje:

  • capacitatea de a învăța din exemple, așa cum o persoană învață din experiență și repetare
  • abilitatea de a generaliza (clasifica) fenomenele, de ex. împărțirea defecțiunilor transformatoarelor pe tipuri
  • capacitatea de a interpreta dependențele și fenomenele care conțin informații incomplete / eronate, ex. într-o problemă de aproximare a curbei cu caracteristici energetice date
  • procesarea paralelă a informațiilor – deosebit de relevantă pentru prelucrarea în timp real a informațiilor, ex. un neurocomputer Mitsubishi utilizat pentru recunoașterea vorbirii și procesarea imaginilor
  • cost redus de construcție în comparație cu viteza de procesare a informațiilor – un număr mare de procesoare simple (și ieftine)
  • rezistenta la deteriorarea sistemului – datorita unui număr mare de neuroni, ANN nu va funcționa neapărat în mod eronat odată ce unii dintre neuroni sunt pierduți

Să ne uităm, de asemenea, la o comparație între un calculator clasic și “neurocomputer”, care este înțeleasă ca următorul pas în dezvoltarea ANN – un computer care imită rețeaua neuronală biologică și emite componente neurale esențiale:

Algoritmul de stocare

Computer clasic : ROM/RAM

Neurocomputer: arhitectură, încărcări

Timp de învățare 

Computer clasic: scurt, dependent de algoritm 

Neurocomputer: lung, dependent de numărul de componente și conexiuni 

Procesare

Computer clasic: în serie

Neurocomputer: în paralel

Calcule aritmetice 

Computer clasic: eficient

Neurocomputer: slab

Capabilități euristice 

Computer clasic: slabe

Neurocomputer: foarte bune

Recunoașterea imaginii 

Computer clasic: greoi

Neurocomputer: rapid, foarte bine

Căutare seturi de date 

Computer clasic: potrivire înceată, precisă

Neurocomputer: potrivire rapidă, aproximativă

Compresie/Decompresie

Classical computer: încet, fără pierderi

Neurocomputer: foarte rapid, puține pierderi

Diferite tipuri de rețele neuronale artificiale

O caracteristică comună a rețelelor neuronale este că structura lor constă în neuroni conectați prin sinapse. Sinapsele sunt asociate cu încărcări, adică o valoare numerică a cărei interpretare depinde de model.

Cel mai probabil, nu va fi o surpriză faptul că există mai multe tipuri de rețele neuronale și că ANN pot fi diferite, de exemplu în ceea ce privește topologia (arhitectura) sau metodele de învățare.

Architectura rețelelor neuronale:

Rețea neuronală recurentă(RNN) – o rețea de feedback în care conexiunile dintre noduri formează un grafic direcționat de-a lungul unei secvențe. RNN-urile pot folosi starea lor internă (memorie) pentru a procesa secvențe de intrări. Exemple de astfel de rețele includ: rețele ART și BAM, Hopfield networks sau modificarea rețelei Hopfield numită “Boltzmann machine”.

Rețea de feedforward – permite semnalelor să se deplaseze într-un singur sens. Un caz special al acestui tip de rețele sunt rețelele multistrat, care sunt cele mai populare arhitecturi ANN.

Rețea neurală celulară (CNN) – în acest tip de rețea, comunicarea este permisă numai între unitățile vecine. Aplicațiile tipice ale CNN includ procesarea în timp real (în special imaginile).

Cum învață rețelele?

Posibilitatea de învățare a atras cel mai mult interesul pentru rețelele neuronale. Procesul de învățare al ANN poate fi clasificat în două paradigme generale:

Învățare supravegheată (“cu un profesor extern”) – această abordare utilizează seturi de învățare, date de intrare și de ieșire. În timpul procesului de învățare, rețeaua ajustează încărcările pentru a limita diferențele dintre valoarea așteptată și învățată.

Iată câteva exemple de metode de învățare supravegheate:

Învățare nesupravegheată (“fără un profesor extern”) – bazată numai pe informația locală, rețeaua învață modificând parametrii prin analiza reacțiilor la stimuli necunoscuți anterior. Ca o consecință a învățării, rețeaua face o divizare în clase / categorii.

Mai jos sunt exemple de reguli de învățare nesupravegheate:

  • Regula lui Hebb
  • Winner-take-all rule (WTA).

Ce poate face ANN?

ANN are multe aplicații practice, iar multe altele noi pot apărea în viitorul apropiat (deci ar trebui să ne întrebăm ce nu pot face rețele neuronale ). În general, rețelele neuronale sunt cele mai bune la identificarea tiparelor sau tendințelor datelor.

Aplicațiile ANN pot fi împărțite după cum urmează::

  • asocierea datelor (clasificare) – atribuirea unui eveniment unei anumite clase
  • analiza datelor (detectarea grupurilor) – exemplu, permiterea filtrării semnalelor
  • extragere de funcții – permite reducerea mărimii datelor (compresie)
  • aproximare – ANN învață forma funcției bazată pe cunoașterea punctelor
  • predicție
  • optimizare (inclusiv probleme combinatoriale)
  • sistemele de control – ANN poate interpreta automat situația și va răspunde pe baza tiparelor de reacții la stimuli specifici
  • recunoașterea și reproducerea imaginilor – recunoașterea unei imagini și alocarea acesteia unui anumit grup, chiar dacă distorsiunea este destul de mare
  • memorie – posibilitatea descărcării selective într-un timp foarte scurt.

Rețelele neuronale au o aplicabilitate largă în mediul de afaceri și cel tehnic din lumea reală. Să aruncăm o privire la mai multe exemple dintr-un domeniu care este foarte aproape de noi – industria energetică:

  • optimizarea punctelor de setare a comutatorului în rețelele de distribuție
  • optimizarea în timp real a bornelor condensatorilor în rețelele de distribuție
  • prognozarea cererii de putere de vârf și a consumului de energie electrică pentru anumite grupuri de consumatori
  • analiza influenței factorilor non-generați asupra calității prognozelor consumului de energie electrică
  • suport pentru analiza de scurtcircuit în rețelele de energie
  • prognozarea generării de energie din RES (4RES Project)
  • diagnoza echipamentelor energetice, inclusiv transformatoare, seturi de turbine, sisteme de centrale nucleare, diagnosticarea pierderilor, prognozarea daunelor într-o turbină eoliană
  • evaluarea securității sistemului (de exemplu, evaluări bazate pe întreruperi, lipsa limitării întreruperilor, dar și apariția de acoperire a sarcinii sau lipsa acesteia).

ANN și generarea prognozelor din surse regenerabile de energie

În concluzie, am dori să prezentăm un exemplu de aplicație ANN în activitățile noastre de cercetare și dezvoltare: 4RES proiect .

Este foarte important ca operatorii RES să anticipeze producerea de energie în diferite perioade de timp și cu rezoluții temporale diferite. Pentru a răspunde acestor provocări, echipa noastră a dezvoltat un sistem 4RES care oferă mijloace de prognoză a producției din RES prin utilizarea rețelelor neuronale artificiale (pentru a fi precise, rețelele stratificate). Sistemul a fost implementat la unul dintre operatori unde a fost evaluată și confirmată eficacitatea acestuia – rata de eroare prognozată s-a dovedit a fi satisfăcătoare atingând doar aproximativ 10%.

4RES – forecasting generation from RES