உள்ளடக்கத்துக்குச் செல்

நரம்பியல் வலைப்பிணையம்

கட்டற்ற கலைக்களஞ்சியமான விக்கிப்பீடியாவில் இருந்து.
ஒரு முன்னூட்டச் செயற்கை நரம்பியல் வலைப்பிணையத்தின் எளிய காட்சி
பொருள் கண்டறிதலுக்கான எளிய நரம்பியல் வலைப்பிணையம்: வலது புறத்தில் உள்ள வெளியீட்டில், வலைப்பிணையம் ஒரு வலய யாப்பும் விண்மீன் வடிவ இரு கோட்டு உருவரையும், உடுமீனைக் குறிக்கவும் முட்டை வடிவ பட்டைவரியுள்ள ஒரு வரி வட்டம், கடல் அர்ச்சினையும் குறிக்கவும், உறவுபடுத்தி அறிய, பயிற்சி அளிக்கப்படுகிறது. இந்தப் பயிற்சியில் இடதுபுற உள்ளீட்டு படத்தில் உள்ள உடுமீனை சரியாக கண்டறிகிறது. கூடுதலாக , பயிற்சியில் சேர்க்கப்படாத ஒரு கூடு முட்டை வடிவத்துக்கான வலுவீனமான குறிகையை தருகிறது. கடல் அர்ச்சின் வெளியீட்டிற்கான இரண்டு இடைநிலை கணுக்களில் ஒன்றிலிருந்து மட்டுமே, இந்த வலுவீனமான குறிகையை ஏற்படுத்துகிறது. இது கடல் அர்ச்சினை இனங்காண்பதில் நேரடி எதிர்மறையான முடிவை ஏற்படுத்தக்கூடும்.

நரம்பியல் வலைப்பிணையம் (neural_network) என்பது உயிரியல் நரம்பணுக்களின் நரம்பியல் சுற்றமைப்பைக் குறிக்கலாம். இது சில நேரங்களில் செயற்கை நரம்பணு வலைப்பிணையம் என்றும் அழைக்கப்படுகிறது.[1]

இந்தச் செயற்கை நரம்பியல் வலைப்பிணையம் செயற்கை நுண்ணறிவுத் தீர்வுக்காக, செயற்கையான நரம்பணுக்களைப் பயன்படுத்துகிறது. அவை உயிரியல் நரம்பணுக்களின் முனைகளுக்கு இடையிலான ரம்பிணைப்புகளை ஒத்த, மதிப்பீட்டுச்(எடைச்)சார்புகளைக் கணுக்களிடையே உருவகமாகக் கொண்டுள்ளன. இந்த மதிப்பீட்டுச் சார்பு ஒரு நேரடிச் செயல் உறவைச் சுட்டுகிறது. அதே நேரத்தில் அதன் எதிர்மறை மதிப்புகள் தடுப்புப் பிணைகளைக் குறிக்கின்றன. அனைத்து உள்ளீடுகளும் இந்த எடைச் சார்பாலும் தடுப்புப் பிணைகளாலும் உருமாற்றப்படுகின்றன. இந்தச் செயல்பாடு ஒரு நேரியல் சேர்மானம் என குறிப்பிடப்படுகிறது. இறுதியாக ஒரு செயல் திறன் அல்லது வல்லமை வெளியீட்டின் வீச்சைக் கட்டுப்படுத்துகிறது. எடுத்துக்காட்டாக , ஏற்றுக்கொள்ளக்கூடிய வெளியீட்டின் வரம்பு பொதுவாக 0 முதல் 1, வரை இருக்கும்; அல்லது அது - 1 முதல் 1 வரையும் இருக்கலாம்.

நரம்பியல் வலைப்பிணையம் என்பது முன்கணிப்புப் படிமத் தகவமைப்பு கட்டுப்பாடு வழியும் தரவுத்தொகுப்பு வழியாகவும் பயிற்சி பெறக்கூடிய பயன்பாடுகளுக்குப் பயன்படும். இது பட்டறிவின் விளைவாக, தன்னியல்பான கற்றல் வலைப்பிணையங்களுக்குள்ளும் உறுப்புகளாகப் பயன்படும். இது ஒரு சிக்கலான, உறவில்லாத தகவல் தொகுப்பில் இருந்து முடிவுகளைப் பெறும்.

பருந்துப் பார்வை

[தொகு]

உயிரியல் நரம்பியல் வலைப்பிணையம் (biological neural network) என்பது வேதியியல் முறையில் இணைந்த அல்லது செயல்பாட்டுவழி இணைந்த நரம்பணுக்களின் தொகுப்பால் ஆனது. ஒரு நரம்பணு பல நரம்பணுக்களுடன் இணைக்கப்படலாம். ஒரு வலைப்பிணையத்தில் உள்ள மொத்த நரம்பணுக்களும் இணைப்புகளின் எண்ணிக்கையும் விரிவானதாக அமையலாம். கிளைவடிவ முனைகளின்[2] நரம்பிணைவுகள், பிற இணைப்புகளும் இயலும் என்றாலும், பொதுவாக ஆக்சான்களிலிருந்து நரம்பு முனைகளுக்குள் உருவாகின்றன. மின் குறிகையைத் தவிர , நரம்பியல்கடத்தி விரவுதலில் இருந்தும் பிற வகை குறிகைகளும் எழுகின்றன.

செயற்கை நுண்ணறிவு அறிவாற்றல் படிமம், நரம்பியல் வலைப்பிணையங்கள் ஆகியவை உயிரியல் நரம்பியல் அமைப்புகள் தரவை எவ்வாறு செயலாக்குகின்றன என்பதன் வழி ஈர்க்கப்பட்ட தகவல் செயலாக்க முன்காட்டுகள் ஆகும். செயற்கை நுண்ணறிவும் அறிவாற்றல் படிமமாக்கமும் உயிரியல் நரம்பியல் வலைப்பிணையங்களின் சில பண்புகளை உருவகப்படுத்த முயல்கின்றன. செயற்கை நுண்ணறிவு துறையில் செயற்கை நரம்பியல் வலைப்பிணையங்கள் பேச்சு உணர்தல், படப் பகுப்பாய்வு, தகவமைப்பு கட்டுப்பாடு ஆகியவற்றின் மென்பொருள் முகவர்களை (கணினி மற்றும் காணொலி கேம்களில்) அல்லது தன்னாட்சி ரோபோக்களை உருவாக்குவதற்காக வெற்றிகரமாக பயன்படுத்தப்பட்டுள்ளன.

வரலாற்றியலாக இலக்கக் கணினிகள் வான் நியூமன் படிமத்திலிருந்து உருவாகி , பல செயலிகளால் நினைவகத்தை அணுகுவதாலும் வெளிப்படையான வழிமுறைகளை நிறைவேற்றுவதாலும் செயல்படுகின்றன. மறுபுறம் , நரம்பியல் வலைப்பிணையங்களின் தோற்றம் உயிரியல் அமைப்புகளில் தகவல் செயலாக்கத்தை படிமமாக்குவதற்கான முயற்சிகளை அடிப்படையாகக் கொண்டது. வான் நியூமன் படிமத்தைப்ப் போலல்லாமல் , நரம்பியல் வலைப்பிணையம் கணிப்பு நினைவகத்தையும் செயலாக்கத்தையும் பிரிக்காது.

உயிரியலான நரம்பியல் வலைப்பிணையக் கோட்பாடு, மூளையில் உள்ள நரம்பணுக்கள் எவ்வாறு செயல்படுகின்றன என்பதை நன்கு அடையாளங் காணவும் , செயற்கை நுண்ணறிவை உருவாக்குவதற்கான முயற்சிகளுக்கு அடிப்படையை வழங்கவும் உதவியது.

வரலாறு.

[தொகு]

நிகழ்கால நரம்பியல் வலைப்பிணையங்களுக்கான தொடக்கநிலைக் கோட்பாட்டு அடிப்படை அலெக்சாண்டர் பெயின்[3] (1873) , வில்லியம் ஜேம்சு[4] (1890) ஆகிய இருவவ்ராலும் தனித்தனியாக முன்மொழியப்பட்டது. அவர்களின் ஆய்வில் , மூளைக்குள் உள்ள நரம்பணுக்களுக்கு இடையிலான இடைவினைகளின் விளைவாக எண்ணங்களும் உடல் செயல்பாடும் ஏற்பட்டதை அறிவித்தனர்.

கூம்புப் பட்டக வடிவ முதன்மை நரம்பணு நுனிகளின் கிளைக் கட்டமைப்பின் கணினி உருவகப்படுத்துதல்.[5]

பெயினைப் பொறுத்தவரையில் ஒவ்வொரு செயல்பாடும் ஒரு குறிப்பிட்ட நரம்பணுத் தொகுப்புகளின் தூண்டலுக்கு வழிவகுத்தது. செயல்பாடுகள் மீண்டும் மீண்டும் நிகழும்போது , அந்த நரம்பணுத் தொகுப்புகளின் இடையிலான தொடர்புகள் வலுப்படுத்தப்பட்டன. அவரது கோட்பாட்டின்படி , இது மீண்டும் மீண்டும் நினைவகம் உருவாவதற்கு வழிவகுத்தது. அந்த நேரத்தில் பொது அறிவியற் சமூகம் பெயின் கோட்பாட்டை ஐயப்பட்டது , ஏனெனில் மூளைக்குள் அதிக எண்ணிக்கையிலான நரம்பியல் இணைப்புகள் தேவைப்பட்டன.[3] மூளை மிகவும் சிக்கலானது என்பதும் , ஒரே மூளை பல சிக்கல்களையும் உள்ளீடுகளையும் கையாள முடியும் என்பதும் இப்போது தெளிவாகத் தெரிகிறது.

ஜேம்சின் கோட்பாடும் பெயின் கோட்பாட்டைப் போலவே இருந்தது. இருப்பினும் மூளையில் உள்ள நரம்பணுக்களுக்கு இடையில் பாயும் மின்னோட்டங்களின் விளைவாக நினைவுகளும் செயல்களும் ஏற்பட்டன என்று அவர் பரிந்துரைத்தார்.[4][3] மின்னோட்டத்தின் மீது கவனம் செலுத்துவதன் மூலம் அவரது பட்டிமத்தில் ஒவ்வொரு நினைவகம் அல்லது செயலுக்கு தனிப்பட்ட நரம்பியல் இணைப்புகள் தேவையில்லை.

சி. எசு. செரிங்டன் (1898) ஜேம்சு கோட்பாட்டை நிறுவ, செய்முறைகளை நடத்தினார்.[6] எலிகளின் முதுகுநாண்களில் மின்னோட்டம் செலுத்தினார். இருப்பினும் ஜேம்சு செரிங்டன் கணித்தபடி மின்னோட்டத்தின் அதிகரிப்பை நிறுவுவதற்குப் பதிலாக , செய்முறையைத் தொடர்ந்தபோது மின்னோட்ட வலிமை குறைத்தது. முதன்மையாக இந்லாய்வு, பழக்கப்படுத்தல் என்ற கருத்தை கண்டுபிடிக்க வழிவகுத்தது.

வில்கெல்ம் இலென்சும் (1920) மற்றும் எர்னெசுட்டு ஐசிங்கும் (1925) ஐசிங் படிமத்தை[7] உருவாக்கி பகுப்பாய்வு செய்தனர் , இது அடிப்படையில் ஒரு கற்றல் இல்லாத செயற்கை தொடர்ச்சியான நரம்பியல் பிணையத்தின் (RNN) நரம்பணு போன்ற வாயில்நிலைக் கூறுகளைக் கொண்டுள்ளது. 1972 ஆம் ஆண்டில் சுனிச்சி அமாரி இந்த கன்டமைப்பைத் தானே தகவமைத்துக்கொள்ளும் வகையில் மாற்றினார்.[8][9] அவரது கற்றல் ஆர். என். என் 1982 ஆம் ஆண்டில் ஜான் காப்பீல்டால் பரவலாக்கப்பட்டது.[10] மெக்கல்லோக்கும் பிட்சும்[11] (1943) கணித நிரல்களின் அடிப்படையில் நரம்பியல் பிணையங்களுக்கான கணிப்புப் படிமத்தையும் உருவாக்கினர். அவர்கள் இந்தப் படிமத்தை வாயில்நிலைத் தருக்கம் என்று அழைத்தனர். இந்தத் தொடக்ககால படிமங்கள் நரம்பியல் பிணைய ஆராய்ச்சியை இரண்டு தனித்த அணுகுமுறைகளாக பிரிக்க வழிவகுத்தன. ஒரு அணுகுமுறை மூளையில் உள்ள உயிரியல் செயல்முறைகளில் கவனம் செலுத்தியது. மற்றொன்று செயற்கை நுண்ணறிவுக்கு நரம்பியல் பிணையங்களைப் பயன்படுத்துவதில் கவனம் செலுத்தியது.

1940 களின் பிற்பகுதியில் உளவியலாளர் டொனால்டு கெபு[12] நரம்பியல் நெகிழ்திறப் பொறிமுறையின் அடிப்படையில் கற்றல் பற்றிய ஒரு கருதுகோளை உருவாக்கினார் , இது இப்போது கெபியக் கற்றல் என்று அழைக்கப்படுகிறது. கெபியக் கற்றல் ஒரு ' வழக்கமான ' மேற்பார்வை செய்யப்படாத கற்றல் விதியாகக் கருதப்படுகிறது , மேலும் அதன் பிற்கால மாறுபாடுகள் நீண்ட கால வல்லமைப்படுத்தலுக்கான தொடக்கநிலைப் படிமங்களாக இருந்தன. இந்தக் கருத்துக்கள் 1948 ஆம் ஆண்டில் டூரிங்கின் பி - வகை எந்திரங்களின் கணிப்புப் படிமங்களுக்குப் பயன்படத் தொடங்கின.

பார்லியும் கிளார்க்கும் (1954) எம்ஐடியில் ஒரு கெபியப் பிணையத்தை உருவகப்படுத்த கணிப்பு எந்திரங்களை முதலில் பயன்படுத்தினர்.[13] பிற நரம்பியல் பிணையக் கணிப்பு எந்திரங்கள் உரோசெசுட்டர் ஆலந்து கேபிட்டாலும் துதாவாலும் (1956) உருவாக்கப்பட்டன.[14]

பிராங்கு உரோசன்ப்ளாட்டு[15] (1958) எளிமையான கூட்டல், கழித்தல் ஆகியவற்றைப் பயன்படுத்தி இரண்டு அடுக்கு கற்றல் கணினி பிணையத்தின் அடிப்படையில் வடிவ உணர்தலுக்கான புலன்காட்சியன் நிரலை உருவாக்கினார். மேலும், கணிதக் குறியீட்டு வடிவில் உரோசென்ப்ளாட்டு புலன்காட்சியன் நிரலில் விவரிக்கப்படாத விலக்கு - அல்லது (exclusive-or) எனும் தருக்கவியல் சுற்றமைப்பையும் விவரித்துள்ளார்.

மார்வின் மின்சுகியும் சீமோர் பேப்பர்ட்டும்[16] (1969) எந்திரக் கற்றல் ஆராய்ச்சி வெளியிடப்பட்ட பின்னர், நரம்பியல் பிணைய ஆராய்ச்சி தேக்கமடைந்தது என்று சிலர் கூறுகின்றனர். நரம்பியல் பிணையங்களைச் செயலாக்கும் கணிப்பு எந்திரங்களில் இரண்டு முக்கிய சிக்கல்களை அவர்கள் கண்டுபிடித்தனர். முதல் சிக்கல் என்னவென்றால் , ஒற்றை அடுக்கு நரம்பியல் பிணைய்ய்யங்கள் விலக்கு அல்லது எனும் தருக்கச் சுற்றுகளைச் செயலாக்க இயலாது. இரண்டாவது குறிப்பிடத்தக்க சிக்கல் என்னவென்றால் , பெரிய நரம்பியல் பினையங்களுக்குத் தேவையான நீண்ட காலத்தைத் திறம்பட கையாளவல்ல கணினிகளில் போதுமாலுயர்புத்தாக்கம் ஏதும் இல்லை. இருப்பினும் , இந்த புத்தாக்கம் வெளிவரும் நேரத்தில் , பல அடுக்குப் புலன்காட்சிய ன்களைப் (எம். எல். பி. க்கள்) பயிற்றுவிப்பதற்கான முறைகள் ஏற்கனவே வந்துவிட்டன. முதல் ஆழமான கற்றல் எம்எல்பி 1965 இல் அலெக்ஸி கிரிகோரெவிச் இவாக்னென்கோ, வாலண்டைன் லாபா ஆகியோரால் வெளியிடப்பட்டது.[17][18] உயர்நிகழ்தகவுச் சாய்விறக்க[19] மரபால் பயிற்றுவிக்கப்பட்ட முதல் ஆழமான கற்றல் எம். எல். பி 1967 இல் சுனிச்சி அமாரியால் வெளியிடப்பட்டது.[20][9] அமாரியின் மாணவர் சைட்டோ நடத்திய கணினிச் செய்முறைகளில் , இரண்டு மாற்றியமைக்கக்கூடிய அடுக்குகளைக் கொண்ட ஐந்து அடுக்கு எம். எல். பி. , நேரியல் அல்லாத பிரிதகவு வகைகளைப் பிரிக்கப் பயன்படும் உள் உருவகப்படுத்தல் முறைகளைக் கற்றுக்கொண்டது.[9]

கணினிகள் அதிக செயலாக்கத் திறனை அடைந்தபோது நரம்பியல் பிணைய ஆராய்ச்சி ஊக்குவிக்கப்பட்டது. பின்னேகும் முன்னேற்றங்களில் முதன்மையானது பின்னேகும்பரவல் நிரலாகும். இது வேறுபடுத்தக்கூடிய கணுக்கள் உள்ள பிணையங்களுக்கு இலீப்னிட்சு சங்கிலி விதியின் (1673) திறமையான பயன்பாடாகும்.[21] என்றும் அறியப்படுகிறது[22][23][24][9] " பின்னேகு பரவல் பிழைகள் " என்ற சொல் 1962 ஆம் ஆண்டில் பிராங்கு உ ரோசென்ப்ளாட்டால் அறிமுகப்படுத்தப்பட்டது. ஆனால் இந்தச் செயல்முறையை அவர் நடைமுறைப்படுத்தவில்லை - இருப்பினும் என்றி ஜே. கெல்லி கட்டுப்பாட்டுக் கோட்பாட்டின் பின்னணியில் ஏற்கனவே 1960 ஆம் ஆண்டில் பின்னேகு பரவலுக்கான தொடர்ச்சியான முன்னோடியைக் கருத்தில் கொண்டிருந்தார்.[25][9][26][9] 1982 ஆம் ஆண்டில் பவுல் வெர்போசு எம். எல். பி. களுக்கு பின்னேகும் பரவலைப் பயன்படுத்தினார். இப்போது அது செந்தரமாக மாறியுள்ளது.[27]

1970 களின் பிற்பகுதி முதல் 1980 களின் முற்பகுதி வரை வில்கெல்ம் இலென்சும் (1920) எர்னெசுட்டு ஐசிங்கும் (1925) ஐசிங் படிமத்தைக் கோட்பாட்டளவில் ஆராய்வதில் ஆர்வம் வெளிப்பட்டது.[7] 1981 ஆம் ஆண்டில் , மூடப்பட்ட கெய்லி மரங்களின் பொது நேர்வுக்கு (ஒரு தற்போக்குக் கிளை விகிதக் கண்ணிகளுடன்) ஐசிங் படிமம் சரியாகப் பீட்டர் பர்த்தால் தீர்க்கப்பட்டது. மேலும், அதன் கள உச்சத்திலும் நீண்ட நெடுக்கக் களங்களிடையிலான ஒட்டுறவுகளிலும் இயல்பற்ற தறுவாய் மாற்ற நடத்தையை வெளிப்படுத்துவதாக பின்னர் கண்டறியப்பட்டது.[28][29]

1980களின் நடுப்பகுதியில் இணையான பகிர்நிலைச் செயலாக்கம், இணைப்புவாதம் என்ற பெயரில் பரவலானது. உருமல்கார்ட்டு, மெக்லெலாந்து (1986) எழுதிய உரை, நரம்பியல் செயல்முறைகளை உருவகப்படுத்த கணினிகளில் இணைப்புவாதத்தைப் பயன்படுத்துவது குறித்த முழு விளக்கத்தையும் வழங்கியது.[30]

செயற்கை நுண்ணறிவில் பயன்படுத்தப்படும் நரம்பியல் பிணையங்கள் மரபான மூளை நரம்பியல் செயலாக்கத்தின் எளிய படிமங்களாக பார்க்கப்பட்டன , இருப்பினும் இந்தப் படிமத்துக்கும் மூளை உயிரியல் கட்டமைப்புக்கும் இடையிலான உறவு விவாதிக்கப்படுகிறது. ஏனெனில் செயற்கை நரம்பியல் பிணையங்கள் எந்த அளவிற்கு மூளை செயல்பாட்டை உருவகப்படுத்துகின்றன என்பது தெளிவாகத் தெரியவில்லை.[31]

செயற்கை நுண்ணறிவு

[தொகு]

செயற்கை நரம்பியல் வலைப்பிணையம் (செயற்கை நரம்பணு வலையமைப்பு) அல்லது உருவகப்படுத்திய நரம்பியல் வலைப்பின்னல் ( உநவ-SNN) என்பது இயற்கையான நரம்பணுக்கள் அல்லது செயற்கையான நரம்பணுப் படிமங்கள் ஒன்றோடொன்று இணைந்த தொகுப்பாகும். இது தகவல் செயலாக்கத்திற்கு கணித அல்லது கணினிப் படிமத்தைப் பயன்படுத்துகிறது. பெரும்பாலான நேர்வுகளில் , செநவ(ஏஎன்என்) என்பது வலைப்பிணையத்தின் வழியாக பாயும் வெளிப்புற அல்லது உள்ளகத் தகவல்களின் அடிப்படையில் அதன் கட்டமைப்பைத் தகவமைக்கும் அமைப்பாகும்.

நடைமுறை அடிப்படையில் , நரம்பியல் பிணையங்கள் என்பது நேரியல் அல்லாத புள்ளியியல் தரவு படிமமாக்கம் அல்லது முடிவெடுக்கும் கருவிகள் ஆகும். உள்ளீடுகள், வெளியீடுகளுக்கு இடையிலான சிக்கலான உறவுகளை படிமமாகக் காட்டவோ அல்லது தரவுகளில் உள்ள வடிவப்பாணிகளைக் கண்டறியவோ அவை பயன்படுத்தப்படலாம்.

ஒரு செயற்கை நரம்பியல் வலைப்பிணையம் என்பது எளிய செயலாக்கக் கூறுகளின் (செயற்கை நரம்பணுக்களின்) வலையமைப்பை உள்ளடக்கியது , இது செயலாக்க கூறுகள், உறுப்பு அளவுருக்களுக்கு இடையிலான தொடர்புகளால் தீர்மானிக்கப்படும் சிக்கலான பேரியல் நடத்தையை வெளிப்படுத்த முடியும். செயற்கை நரம்பணுக்கள் முதன்முதலில் 1943 ஆம் ஆண்டில் வாரன் மெக்குலோச்சு என்ற நரம்பியல் இயற்பியலாளராலும் , சிகாகோ பல்கலைக்கழகத்தில் முதன்முதலில் ஒத்துழைத்த தருக்க வல்லுனரான வால்டர் பிட்சு என்பவராலும் முன்மொழியப்பட்டன.[32]

செயற்கை நரம்பியல் வலைப்பிணையத்தின் ஒரு மரபு வகை, தொடர்ச்சியான காப்பீல்டு வலையமைப்பு ஆகும்.

நரம்பியல் வலையமைப்பு என்ற கருத்தை முதன்முதலில் ஆலன் டூரிங் தனது 1948 ஆய்வறிக்கையில் அறிதிறன் எந்திரங்கள் எனும் நூலில் முன்மொழிந்ததாகத் தெரிகிறது , அதில் அவர் அவற்றை " பி - வகை ஒருங்குறா எந்திரங்கள் " என்று அழைத்தார்.[33]

செயற்கை நரம்பியல் பிணையப் படிமங்களின் பயன்பாடு என்னவென்றால் , நோக்கீடுகளிலிருந்து ஒரு சார்பை அல்லது உறவை ஊகித்து அதைப் பயன்படுத்துவது ஆகும். மேற்பார்வை செய்யப்படாத நரம்பியல் பிணையங்கள் உள்ளீட்டுப் பரவலின் முதன்மைப் பண்புகளை உணர்ந்து உள்ளீட்டின் உருவகவங்களைக் கற்றுக்கொண்டு பயன்படுத்துவது ஆகும். எ. கா. போல்ட்சுமன் எந்திரம் (1983), அண்மைய ஆழமான கற்றல் நிரல்களைக் கூறலாம். இது கவனித்த தரவுகளின் பரவல் செயல்பாட்டை மறைமுகமாக கற்றுக்கொள்ள முடியும். நரம்பியல் பிணையங்களில் கற்றல், குறிப்பாக தரவு அல்லது பணியின் சிக்கலான கைவழியாக அத்தகைய செயல்பாடுகளின் வடிவமைப்பை நடைமுறைப்படுத்த முடியாத பயன்பாடுகளில் பயனுள்ளதாக இருக்கும்.

பயன்பாடுகள்

[தொகு]

நரம்பியல் பிணையங்கள் பல்வேறு துறைகளில் பயன்படுத்தப்படலாம். செயற்கை நரம்பியல் பிணையங்கள் பயன்படுத்தப்படும் பணிகள் பின்வரும் பரந்த பிரிவுகளுக்குள் அடங்குகின்றன.

  • சார்பு தோராயமாக்கம், பின்னடைவுப் பகுப்பாய்வு உள்லிட்ட நேரத் தொடர் முன்கணிப்பும் படிமமாக்கமும் .
  • வகைப்பாடு - வடிவம், வரிசை உணர்தல் - புதுமை கண்டறிதல் வரிசைமுறையான முடிவெடுத்தல்.
  • வடிகட்டுதல் , கொத்தாக்கம் , குருட்டுக் குறிகைப் பிரிப்பு, சுருக்குதல் உள்ளிட்ட தரவு செயலாக்கம்.

செநவ(ANN)களின் பயன்பாட்டு பகுதிகளில் நேரியல் அல்லாத அமைப்பு இனங்காணல், கட்டுப்பாடு (ஊர்திக் கட்டுப்பாடு செயல்முறைக் கட்டுப்பாடு) விளையாட்டு விளையாடுதல், முடிவெடுத்தல் (backgammon) (ரேடார் அமைப்புகள்) முகம் இனங்காணல் பொருள் இனங்காணல் வரிசை உணர்தல், சைகை, பேச்சு, கையெழுத்து உரை உணர்தல், மருத்துவ நோயறிதல், நிதிப் பயன்பாடுகள், தரவு அகழ்தல் (அல்லது தரவுத்தளங்களில் அறிவு கண்டுபிடித்தல்-" KDD ") காட்சிப்படுத்தல், மின்னஞ்சல் பொய்த்தர்வு வடிகட்டுதல் ஆகியவை அடங்கும். எடுத்துக்காட்டாக , பொருள் அறிதலுக்கான பயிற்சி பெற்ற படங்களிலிருந்து பயனரின் ஆர்வங்களின் சொற்பொருள் விவரத்தை உருவாக்க முடியும்.[34]

நரம்பியல்

[தொகு]

கோட்பாட்டு, கணிப்பு நரம்பியல் என்பது உயிரியல் நரம்பியல் அமைப்புகளின் பகுப்பாய்வு, கணிப்பு படிமத்துடன் தொடர்புடைய துறையாகும். நரம்பியல் அமைப்புகள், அறிவாற்றல் செயல்முறைகள், நடத்தையுடன் நெருக்கமாக தொடர்புடையவை என்பதால் , இப்புலம் அறிவாற்றலுடனும் நடத்தை படிமத்துடனும் நெருங்கிய தொடர்புடையதாகும்.

உயிரியல் அமைப்புகள் எவ்வாறு செயல்படுகின்றன என்பதைப் புரிந்துகொள்வதற்காக உயிரியல் நரம்பியல் அமைப்புகளின் படிமங்களை உருவாக்குவதே இந்தத் துறையின் நோக்கமாகும். இந்த புரிதலைப் பெறுவதற்கு , நரம்பியல் அறிஞர்கள் கவனித்த உயிரியல் செயல்முறைகளுக்கு இடையே ஓர் உறவை ஏற்படுத்த, நரம்பியல் செயலாக்கத்துக்கும் மற்றும் கற்றலுக்குமான உயிரியலான நம்பத்தகுந்த வழிமுறைகள் (உயிரியல் நரம்பியல் பிணையப் படிமங்கள்) , கோட்பாட்டு வழிமுறைகள் (புள்ளியியல் கற்றல் கோட்பாடு, தகவல் கோட்பாடு போன்றன) ஆகியவற்றை முயல்கின்றனர்.

படிம வகைகள்

[தொகு]

பல படிமங்கள் பல்வேறு நிலைகளில் நுண்ணிலையாக வரையறுக்கப்படுகின்றன. நரம்பியல் அமைப்புகளின் வெவ்வேறு கூறுகளை படிமமாக்குகின்றன. அவை தனிப்பட்ட நரம்பணுக்களின் குறுகிய கால நடத்தைப் அடிமங்கள் முதல் தனிப்பட்ட நரம்பணு இடையேயான தொடர்புகளிலிருந்து எழும் நரம்பியல் சுற்றுகளின் இயக்கவியல் படிமங்கள் வரை முழுமையான துணை அமைப்புகளைக் குறிக்கும் நுண் நரம்பியல் தொகுதிகளிலிருந்து எழும் நடத்தை அடிமங்களாகும். நரம்பியல் அமைப்புகளின் நீண்ட கால, குறுகிய கால நெகிழ்வுத்தன்மைப் படிமங்கள், தனிப்பட்ட நரம்பணுவிலிருந்து அமைப்பு நிலை வரை கற்றல், நினைவகத்துடன் அவற்றின் உறவு ஆகியவை இதில் அடங்கும்.

இணைப்பு

[தொகு]

2020 ஆகத்து விஞ்ஞானிகள் இரு - திசை இணைப்புகள் அல்லது பொருத்தமான பின்னூட்ட இணைப்புகளைச் சேர்ப்பது மூளையின் பெருமூளை புறணியின் மட்டு நரம்பியல் பிணையங்களுக்கு இடையிலான தகவல்தொடர்புகளை விரைவுப்படுத்தலாம் மற்றும் மேம்படுத்தலாம். மேலும் அவற்றின் வெற்றிகரமான தகவல்தொடர்பு நுழைவாயிலைக் குறைக்கலாம் என்று தெரிவித்தனர். ஒரகொத்திசைவு இணைக்கு இடையில் பின்னூட்ட இணைப்புகளைச் சேர்ப்பது பிணைய முழுவதும் ஒரு துடிப்புக் குவையை வெற்றிகரமாக பரப்புவதற்கு உதவும் என்பதை அவர்கள் காட்டினர்.

விமர்சனம்

[தொகு]

வரலாற்றியலாக நரம்பியல் பிணையங்,கள் பற்றிய ஒரு பொதுவான விமர்சனம் குறிப்பாக எந்தினியலில், அவை உண்மை உலகச் செயல்பாட்டிற்கு ஒரு பெரிய பன்முகத்தன்மை கொண்ட பயிற்சிப் படிமங்கள் தேவைப்படும் (ஒற்றை பருமானம் என்றால் - 8 படிமங்கள் மட்டுமே நடைமுறையில் 12% பிழையினும் குறைவாக இருக்க வேண்டும்). எந்தவொரு கற்றல் எந்திரத்திற்கும் புதிய நிகழ்வுகளுக்கு பொதுமைப்படுத்த வழிவிடும் அடிப்படை கட்டமைப்பு உருவகப்படுத்த போதுமான பேராண்மை எடுத்துக்காட்டுகள் தேவைப்படுவதால் இது வியப்பன்று. " தன்னியக்க எந்திர ஓட்டுதலுக்கான செயற்கை நரம்பியல் பிணையங்களின் அறிவு அடிப்படையிலான பயிற்சி " என்ற கட்டுரையில் தீன் போமெர்லீவ் தனது ஆராய்ச்சியில் ஓர் எந்திரன் ஊர்தியைப் பல வகையான சாலைகளில்( ஒற்றைச் சந்து, பல ச்ந்து, தூசி படிந்த சாலைகளில்) ஓட்டுவதற்குப் பயிற்சி அளிக்க ஒரு நரம்பியல் வலைபிணையத்தைப் பயன்படுத்துகிறார். அவரது ஆராய்ச்சியின் பெரும்பகுதி (1) ஒற்றை பயிற்சிப் பட்டறிவிலிருந்து பல பயிற்சிக் காட்சிகளை விரிவுபடுத்துவதற்கும் (2) கடந்தகால பயிற்சி பன்முகத்தன்மையைப் பாதுகாப்பதற்கும் காணிக்கை ஆக்கப்பட்டுள்ளது , இதனால் அமைப்பு மிகைப்படுத்தப்படாமல், (எடுத்துக்காட்டாக , இது தொடர்ச்சியான வலது திருப்பங்களுடன் வழங்கப்படுகிறது. அது எப்போதும் வலதுபுறம் திரும்ப கற்றுக் கொள்ளக்கூடாது). இந்தச் சிக்கல்கள் நரம்பியல் பிணையங்களில் பொதுவானவை. அவர்றைப் பல்வேறு வகையான பதில்களில் இருந்து தீர்மானிக்க வேண்டும். எனவே பல வழிகளில் கையாளப்படலாம். எடுத்துக்காட்டாக , ஒரு எண் தேர்வுமுறை வழிமுறையைப் பயன்படுத்தி பயிற்சி எடுத்துக்காட்டுகளைச் சீரற்ற முறையில் கலப்பதனால் - ஒரு எடுத்துகாட்டைத் தொடர்ந்து பிணைய இணைப்புகளை மாற்றும்போது மிகப் பெரிய நடவடிக்கைகள் ஏதும் எடுக்காமல் அல்லது சிறிய தொகுதிகள் என்று அழைக்கப்படும் எடுத்துக்காட்டுகளைத் தொகுப்புடன் இணைப்பதனால் தீர்க்கலாம்.

முன்னாள் சயின்டிப்பிக் அமெரிக்கன் இதழின் கட்டுரையாளர் ஏ. கே. தியூதினே 1997 இல் எழுதினார். " நரம்பியல் வலைகள் ஒரு சில பொம்மை சிக்கல்களைத் தீர்க்கின்றன என்றாலும் , அவற்றின் கணிப்புத் திறன்கள் மிகவும் குறைவாகவே உள்ளன , அவற்றை ஒரு பொதுவான சிக்கலைத் தீர்க்கும் கருவியாக யாராவது சீரியநிலையில் எடுத்துக்கொள்வது எனக்கு வியப்பாகவே இருக்கிறது.[35]

பெரிய, பயனுள்ள மென்பொருள் நரம்பியல் பிணையங்களைச் செயல்படுத்துவதற்கு அதிக செயலாக்கமும் சேமிப்பு வளங்களும் வேண்டும் என்பது தியூதினேவின் நிலைப்பாட்டிற்கான வாதங்கள் ஆகும். நரம்பணுக்களின் வரைபடத்தின் வழி குறிகைகளை செயலாக்கும் பணிக்கு ஏற்ப மூளை வன்பொருளைக் கொண்டிருந்தாலும் , வான் நியூமன் தொழில்நுட்பத்தில் மிகவும் எளிமையான வடிவத்தை உருவகப்படுத்துவது கூட ஒரு நரம்பியல் பிணைய வடிவமைப்பாளரை அதன் இணைப்புகளுக்காக பல மில்லியன் தரவுத்தள வரிசைகளை நிரப்ப கட்டாயப்படுத்தலாம். இது அதிக அளவு கணினி நினைவகம், தரவு சேமிப்பு திறனை நுகர முடியும். நரம்பியல் பிணைய அமைப்புகளின் வடிவமைப்பாளர் பெரும்பாலும் இந்த இணைப்புகள், அவற்றின் தொடர்புடைய நியூரான்களின் மூலம் குறிகைகளின் பரிமாற்றத்தை உருவகப்படுத்த வேண்டும். இது பெரும்பாலும் நம்பமுடியாத அளவு CPU செயலாக்கத் திறன், நேரத்துடன் பொருந்த வேண்டும். நரம்பியல் பிணையங்கள் பெரும்பாலும் பயனுள்ள நிரல்களை வழங்குகின்றன. அவை பெரும்பாலும் செயல்திறனைச் செலைட்டு அவ்வாறு செய்கின்றன (அவை கணிசமான அளவு நேரத்தையும் பணத்தையும் பயன்படுத்துகின்றன).

தன்னியக்க விமானங்களின் பறத்தலைப் போன்ற பல சிக்கலான, மாறுபட்ட பணிகளைத் தீர்க்க நரம்பியல் வலைகள் வெற்றிகரமாகப் பயன்படுத்தப்பட்டுள்ளன என்பது தியூதினேவின் நிலைப்பாட்டிற்கு எதிரான வாதங்களாகும்.[36]

தொழில்நுட்ப எழுத்தாளர் உரோசர் பிரிட்சுமன் நரம்பியல் வலைகள் பற்றிய டியூடுனியின் அறிக்கைகள் குறித்து பின்வருமாறு தன்கருத்தைத் தெரிவித்துள்ளார்:

எடுத்துகாட்டாக, நரம்பியல் பிணையங்கள் கப்பல்துறையில் உள்ளன. அவை வானளவுக்கு உயர்த்தப்பட்டது மட்டுமல்லாமல் , அது எவ்வாறு செயல்படுகிறது என்பதைப் புரிந்து கொள்ளாமலே ஒரு வெற்றிகரமான பிணையத்தை உருவாக்க முடியும் என்பதால், அதன் நடத்தையை உருவகிக்கும் எண்களின் தொகுப்புபெரிதும் ஒரு ஒளிபுகாத, படிக்க முடியாத அட்டவணையாக மட்டுமே அமையும்.. இது ஒரு அறிவியல் சான்றாகும் மதிப்பற்றது.

அறிவியல் என்பது தொழில்நுட்பம் அல்ல என்று அவர் உறுதியாக அறிவித்த போதிலும் , நரம்பியல் பிணையங்களை உருவாக்குவோரில் பெரும்பாலோர் நல்ல பொறியியலாளர்களாக இருக்க முயற்சிக்கும்போது , அவற்றை மோசமான அறிவியல் என்று கருதுகிறார். ஒரு பயனுள்ள இயந்திரம் படிக்க முடியாத அட்டவணை விட, படிக்கக்கூடிய அட்டவணை இன்னும் மதிப்புக்குரியதாக இருக்கும்.[37]

செயற்கை நரம்பியல் பிணையத்தால் கற்றுக்கொண்டதை பகுப்பாய்வு செய்வது கடினம் என்பது உண்மைதான் என்றாலும் , உயிரியல் நரம்பியல் பிணையங்களால் கற்றுக்கொண்டதை ஆராய்வதை விட அவ்வாறே செய்வது மிகவும் எளிதானது. மேலும் , செயற்கை நுண்ணறிவின் விளக்கத்திற்கு அண்மைய முதன்மை என்பது கற்ற நரம்பியல் பிணையங்களைக் காட்சிப்படுத்துவதற்கும் விளக்குவதற்குமான கவனிப்புப் பொறிமுறை சார்ந்த கணினி நிரல்களை அடிப்படையாகக் கொண்ட முறைகளின் வளர்ச்சிக்குப் பங்களித்துள்ளது. மேலும் , நரம்பியல் பிணையங்களுக்கான கற்றல் நிரல்களை ஆராய்வதில் ஈடுபட்டுள்ள ஆராய்ச்சியாளர்கள் படிப்படியாக ஒரு கற்றல் எந்திரத்தை வெற்றிகரமாக ஏற்கக் கூடிய பொதுவான கொள்கைகளை வெளிக்கொணர்கின்றனர். எடுத்துக்காட்டாக , பெங்கியோவும் இலெக்கனும் (2007) கள, அல்லது களஞ்சாராத கற்றலையும் ஆழமற்றதும் ஆழமானதுமான கட்டமைப்பையும்ம் குறித்து ஒரு கட்டுரையை எழுதினர்.[38]

வேறு சில விமர்சனங்கள் கலப்பினப் படிமங்களை நம்புபவர்களிடமிருந்து வந்தன (நரம்பியல் பிணையங்களையும் குறியீட்டு அணுகுமுறைகளையும் இணைத்தல்). இந்த இரண்டு அணுகுமுறைகளின் கலவையை அவர்கள் ஆதரிக்கின்றனர் , மேலும், கலப்பினப் ப்டிமங்கள் மனித மனதின் வழிமுறைகளைச் சிறப்பாக வெளிப்படித்த முடியும் என்று நம்புகிறார்கள் (சன், புக்மேன் 1990).

அண்மைய மேம்பாடுகள்

[தொகு]

தொடக்கத்தில் ஆராய்ச்சி பெரும்பாலும் நரம்பணுக்களின் மின் பண்புகளில் அக்கறை கொண்டிருந்தாலும், அண்மைய ஆண்டுகளில் தேடலின் ஒரு முதன்மைப் பகுதியான டோபமைன் அசெட்டைல்கோலின், செரோட்டோனின் போன்ற நரம்பியல் பண்புகளின் நடத்தையையும் கற்றலையும் பற்றிய ஆய்வாக மரியுள்ளது.

பிசிஎம் கோட்பாடு போன்ற உயிர் இயற்பியல் படிமங்கள் நரம்பிணைப்புகளின் நெகிழ்திறனுக்கான வழிமுறைகளைப் புரிந்துகொள்வதில் முதன்மையானவை. மேலும், இவை கணினி அறிவியல், நரம்பியல் அறிவியல் ஆகிய இரண்டிலும் பயன்பாடுகளைக் கொண்டுள்ளன. தரவுகளைச் செயலாக்குவதற்கான வழிமுறைகளாக ஆர அடிப்படையிலான பிணையங்கள், நரம்பியல் பின்னேகும் பரவலுக்கான சில அண்மைய உயிரியல் சான்றுகளுடன் மூளையில் பயன்படுத்தப்படும் கணிப்பு வழிமுறைகளைப் புரிந்துகொள்வதில் ஆராய்ச்சி நடந்து வருகிறது.

சிஎம்ஓஎசுவில் உயிர் இயற்பியல் உருவகப்படுத்துதல், நரம்பியல் வடிவக் கணிப்பு ஆகிய இரண்டிற்குமான கணிப்புக் கருவிகள் உருவாக்கப்பட்டுள்ளன. மிக அண்மைய முயற்சிகள் உயர்பேரளவு முதன்மை உறுப்புகளின் பகுப்பாய்வையும் இணைதொடுப்பையும் உருவாக்கும் மீநுண் கருவிகளை வடிவமைக்கும் உறுதிப்பாட்டைக் காட்டுகின்றன.[39] இந்த முயற்சிகள் வெற்றிகரமாக இருந்தால் இலக்கக் கணினிக்கு அப்பாற்பட்டதொரு நரம்பியல் கணினியின் புத்தூழியை ஏற்படுத்த முடியும். ஏனெனில் இது நிரலாக்கத்தை விட கற்றலைப் பொறுத்தது. மேலும், முதல் உடனடி நிகழ்வுகள் உண்மையில் CMOS இலக்கக் கருவிகளுடன் இருந்தாலும், இது இலக்கநிலையை விட அடிப்படையில் ஒப்புமைநிலையைக் கொண்டுள்ளது.[40]

2009 முதல் 2012 ஆண்டுகளுக்கு இடையில் , சுவிசு AI ஆய்வக ஐடிஎஸ்ஐஏவில் உள்ள ஜூர்கன் ஷ்மிடுபரின் ஆராய்ச்சிக் குழுவில் உருவாக்கப்பட்ட தொடர்நிகழ் நரம்பியல் பிணையங்களும் ஆழமான முன்னூட்ட நரம்பியல் பிணையங்களும் வடிவ உணர்தல், எந்திர கற்றல் போன்றவற்றில் எட்டு பன்னாட்டுப் போட்டிகளை வென்றுள்ளன.[41] எடுத்துக்காட்டாக , பல பருமான நீண்ட குறுங்கால நினைவகம் (எல்எஸ்டிஎம்) 2009 ஆம் ஆண்டு ஆவணப் பகுப்பாய்வு, கையெழுத்துணர்தல் குறித்த பன்னாட்டு மாநாட்டில் (ஐசிடிஏஆர்), கற்றுக்கொள்ள வேண்டிய மூன்று வெவ்வேறு மொழிகளைப் பற்றி எந்த முன் அறிவும் இல்லாமல், இணைக்கப்பட்ட கையெழுத்து உணர்தலில் மூன்று போட்டிகளை வென்றது.[42]

பின்னேகும் பரவலாக்க நிரலின் மாறுபாடுகள், டொரான்ட்டோ பல்கலைக்கழகத்தில் யியோப் கின்ட்டன் குழுவினர்களின் மேற்பார்வை செய்யப்படாத முறைகள், குனிகிகோ புகுழ்சிமாவின் 1980 புத்துணர்வி அல்லது புத்தறிதல் கருவி போன்ற ஆழமான நேரியல் அல்லாத நரம்பியல் கட்டமைப்புகள், முதன்மைப் பார்வைப் புறணிக்குள் டேவிட் எச். ஹூபெல் மற்றும் டோர்ஸ்டன் வீஸல் ஆகியோரால் இனங்காணப்பட்ட எளிய, சிக்கலான உயிர்க்கலங்களால் உருவாகிய காட்சிச் செந்தரக் கட்டமைப்புகள் ஆகியவற்றின் ஆழ்கற்றலைப் பயிற்றுவிக்கப் பயன்படுத்தப்படலாம். .[43][44][45]

ஆர அடிப்படை சார்பு மற்றும் சிற்றலை வலைப்பிணையங்களும் அறிமுகப்படுத்தப்பட்டுள்ளன. இவை சிறந்த தோராயமான பண்புகளை வழங்குவதாகக் நிறுவலாம். மேலும் நேரியல் அல்லாத அமைப்பமினங்காணல், வகைப்பாடு ஆகிய பயன்பாடுகளில் பயன்படுத்தப்படுகின்றன.[46]

ஆழமான கற்றல் முன்னூட்ட வலைப்பிணையங்கள் கன்வொல்யூஷனல் அடுக்குகளையும் பெருமத் திரட்டல் அடுக்குகளையும் மாறிமாறி அமைக்கின்றன. இதனால் பல தூய வகைப்பாட்டு அடுக்குகளால் உச்சத்தில் அமைகின்றன. இந்த அணுகுமுறையின் விரைவான வரைவியல் செயல்முறை அலகு(GPU) சார்ந்த செயலாக்கங்கள் IJCNN 2011 போக்குவரத்துக் குறி உணர்தல் போட்டி, ISBI 2012 மின்னன் நுண்ணோக்கி நிலையடுக்கு அறைகூவலின் நரம்பியல் கட்டமைப்புகளின் பிரிப்பு உள்ளிட்ட பல வடிவ உணர்தல் போட்டிகளை வென்றுள்ளன.[47][48] இத்தகைய நரம்பியல் வலைப்பிணையங்கள் போக்குவரத்து குறி உணர்தல் (IJCNN 2012) அல்லது யான் இலெக்கனும் NYU இல் உள்ள இணை ஆய்வாளர்களும் உருவாக்கிய MNIST எனும் கையெழுத்து இலக்கங்கள் சிக்கல் போன்ற அளவுகோல்களில், மனிதப் போட்டி அல்லது மீமனிதச் செயல்திறனை அடைந்த முதல் செயற்கை வடிவ உணர்தல் அமைப்புளாகும்.[49]

ஒழுங்கற்ற அமைப்புகளின் புள்ளியியல் இயற்பியலிலிருந்து பெறப்பட்ட பகுப்பாய்வும் கணிப்பு நுட்பங்களும் இயந்திர கற்றல் உள்ளிட்ட பெரிய அளவிலான சிக்கல்களுக்கு நீட்டிக்கப்படலாம் , எ. கா. ஆழமான நரம்பியல் வலைப்பிணையங்களின் எடை வெளியை பகுப்பாய்வு செய்யலாம் .[50]

மேலும் காண்க

[தொகு]

மேற்கோள்கள்

[தொகு]
  1. Hopfield, J. J. (1982). "Neural networks and physical systems with emergent collective computational abilities". Proc. Natl. Acad. Sci. U.S.A. 79 (8): 2554–2558. doi:10.1073/pnas.79.8.2554. பப்மெட்:6953413. Bibcode: 1982PNAS...79.2554H. 
  2. Arbib, p.666
  3. 3.0 3.1 3.2 {{cite book}}: Empty citation (help)
  4. 4.0 4.1 James (1890). The Principles of Psychology.
  5. Cuntz, Hermann (2010). "PLoS Computational Biology Issue Image | Vol. 6(8) August 2010". PLOS Computational Biology 6 (8): ev06.i08. doi:10.1371/image.pcbi.v06.i08. 
  6. Sherrington, C.S. (1898). "Experiments in Examination of the Peripheral Distribution of the Fibers of the Posterior Roots of Some Spinal Nerves". Proceedings of the Royal Society of London 190: 45–186. doi:10.1098/rstb.1898.0002. 
  7. 7.0 7.1 Brush, Stephen G. (1967). "History of the Lenz-Ising Model". Reviews of Modern Physics 39 (4): 883–893. doi:10.1103/RevModPhys.39.883. Bibcode: 1967RvMP...39..883B. 
  8. Amari, Shun-Ichi (1972). "Learning patterns and pattern sequences by self-organizing nets of threshold elements". IEEE Transactions C (21): 1197–1206. 
  9. 9.0 9.1 9.2 9.3 9.4 9.5 பிழை காட்டு: செல்லாத <ref> குறிச்சொல்; DLhistory என்னும் பெயரில் உள்ள ref குறிச்சொல்லுக்கு உரையேதும் வழங்கப்படவில்லை
  10. Hopfield, J. J. (1982). "Neural networks and physical systems with emergent collective computational abilities". Proceedings of the National Academy of Sciences 79 (8): 2554–2558. doi:10.1073/pnas.79.8.2554. பப்மெட்:6953413. Bibcode: 1982PNAS...79.2554H. 
  11. McCulloch, Warren; Walter Pitts (1943). "A Logical Calculus of Ideas Immanent in Nervous Activity". Bulletin of Mathematical Biophysics 5 (4): 115–133. doi:10.1007/BF02478259. 
  12. The Organization of Behavior.
  13. Farley, B.; W.A. Clark (1954). "Simulation of Self-Organizing Systems by Digital Computer". IRE Transactions on Information Theory 4 (4): 76–84. doi:10.1109/TIT.1954.1057468. 
  14. Rochester, N.; J.H. Holland, L.H. Habit and W.L. Duda (1956). "Tests on a cell assembly theory of the action of the brain, using a large digital computer". IRE Transactions on Information Theory 2 (3): 80–93. doi:10.1109/TIT.1956.1056810. 
  15. Rosenblatt, F. (1958). "The Perceptron: A Probabilistic Model For Information Storage And Organization In The Brain". Psychological Review 65 (6): 386–408. doi:10.1037/h0042519. பப்மெட்:13602029. https://archive.org/details/sim_psychological-review_1958-11_65_6/page/386. 
  16. An Introduction to Computational Geometry.
  17. Cybernetic Predicting Devices.
  18. Cybernetics and forecasting techniques.
  19. Herbert Robbins; Monro, S. (1951). "A Stochastic Approximation Method". The Annals of Mathematical Statistics 22 (3): 400. doi:10.1214/aoms/1177729586. https://archive.org/details/sim_annals-of-mathematical-statistics_1951-09_22_3/page/400. 
  20. Shun'ichi Amari (1967). "A theory of adaptive pattern classifier". IEEE Transactions EC (16): 279–307. 
  21. The Early Mathematical Manuscripts of Leibniz: Translated from the Latin Texts Published by Carl Immanuel Gerhardt with Critical and Historical Notes (Leibniz published the chain rule in a 1676 memoir) (in ஆங்கிலம்).
  22. Seppo Linnainmaa (1976). "Taylor expansion of the accumulated rounding error". BIT Numerical Mathematics 16 (2): 146–160. doi:10.1007/bf01931367. 
  23. Optimization Stories.
  24. Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation, Second Edition.
  25. Principles of Neurodynamics.
  26. Henry J. Kelley (1960). "Gradient theory of optimal flight paths". ARS Journal 30 (10): 947–954. doi:10.2514/8.5282. https://archive.org/details/sim_american-rocket-society-ars-journal_1960-10_30_10/page/947. 
  27. System modeling and optimization. {{cite book}}: |access-date= requires |url= (help)
  28. Krizan, J.E.; Barth, P.F.; Glasser, M.L. (1983). "Exact Phase Transitions for the Ising Model on the Closed Cayley Tree". Physica (North-Holland Publishing Co.) 119A: 230–242. doi:10.1016/0378-4371(83)90157-7. 
  29. Glasser, M.L.; Goldberg, M. (1983), "The Ising model on a closed Cayley tree", Physica, pp. 670–672, Bibcode:1983PhyA..117..670G, எண்ணிம ஆவணச் சுட்டி:10.1016/0378-4371(83)90138-3 {{citation}}: Missing or empty |url= (help)
  30. Rumelhart, D.E.; James McClelland (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition.
  31. "Neural Networks Module". Archived from the original on 2014-05-29.
  32. McCulloch, Warren; Pitts, Walter (1943). "A Logical Calculus of Ideas Immanent in Nervous Activity". Bulletin of Mathematical Biophysics 5 (4): 115–133. doi:10.1007/BF02478259. 
  33. The Essential Turing. 2004.
  34. Wieczorek, Szymon; Filipiak, Dominik; Filipowska, Agata (2018). "Semantic Image-Based Profiling of Users' Interests with Neural Networks". Studies on the Semantic Web 36 (Emerging Topics in Semantic Technologies). doi:10.3233/978-1-61499-894-5-179. https://www.researchgate.net/publication/328964756. 
  35. Yes, we have no neutrons : an eye-opening tour through the twists and turns of bad science. 1997.
  36. Administrator, NASA. "Dryden Flight Research Center - News Room: News Releases: NASA NEURAL NETWORK PROJECT PASSES MILESTONE". {{cite web}}: Missing or empty |url= (help)
  37. "Roger Bridgman's defence of neural networks". பார்க்கப்பட்ட நாள் August 1, 2006.
  38. "Scaling Learning Algorithms towards {AI} - LISA - Publications - Aigaion 2.0". {{cite web}}: Missing or empty |url= (help)
  39. Yang, J. J.; Pickett, M. D.; Li, X. M.; Ohlberg, D. A. A.; Stewart, D. R.; Williams, R. S. (2008). "Memristive switching mechanism for metal/oxide/metal nanodevices". Nat. Nanotechnol. 3 (7): 429–433. doi:10.1038/nnano.2008.160. பப்மெட்:18654568. 
  40. Strukov, D. B.; Snider, G. S.; Stewart, D. R.; Williams, R. S. (2008). "The missing memristor found". Nature 453 (7191): 80–83. doi:10.1038/nature06932. பப்மெட்:18451858. Bibcode: 2008Natur.453...80S. 
  41. "2012 Kurzweil AI Interview with Jürgen Schmidhuber on the eight competitions won by his Deep Learning team 2009–2012". {{cite web}}: Missing or empty |url= (help)
  42. Graves, A.; Liwicki, M.; Fernandez, S.; Bertolami, R.; Bunke, H.; Schmidhuber, J. (2009). "A Novel Connectionist System for Improved Unconstrained Handwriting Recognition". IEEE Transactions on Pattern Analysis and Machine Intelligence 31 (5): 855–868. doi:10.1109/TPAMI.2008.137. பப்மெட்:19299860. 
  43. Hinton, G. E.; Osindero, S.; Teh, Y. (2006). "A fast learning algorithm for deep belief nets". Neural Computation 18 (7): 1527–1554. doi:10.1162/neco.2006.18.7.1527. பப்மெட்:16764513. http://www.cs.toronto.edu/~hinton/absps/fastnc.pdf. 
  44. Fukushima, K. (1980). "Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position". Biological Cybernetics 36 (4): 93–202. doi:10.1007/BF00344251. பப்மெட்:7370364. 
  45. Riesenhuber, M.; Poggio, T. (1999). "Hierarchical models of object recognition in cortex". Nature Neuroscience 2 (11): 1019–1025. doi:10.1038/14819. பப்மெட்:10526343. 
  46. Billings, S. A. (2013). Nonlinear System Identification: NARMAX Methods in the Time, Frequency, and Spatio-Temporal Domains. Wiley. பன்னாட்டுத் தரப்புத்தக எண் 978-1-119-94359-4.
  47. D. C. Ciresan, U. Meier, J. Masci, J. Schmidhuber. Multi-Column Deep Neural Network for Traffic Sign Classification பரணிடப்பட்டது 2020-10-26 at the வந்தவழி இயந்திரம். Neural Networks, 2012.
  48. D. Ciresan, A. Giusti, L. Gambardella, J. Schmidhuber. Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images. In Advances in Neural Information Processing Systems (NIPS 2012), Lake Tahoe, 2012.
  49. D. C. Ciresan, U. Meier, J. Schmidhuber. Multi-column Deep Neural Networks for Image Classification. IEEE Conf. on Computer Vision and Pattern Recognition CVPR 2012.
  50. [Ramezanpour, A.; Beam, A.L.; Chen, J.H.; Mashaghi, A. Statistical Physics for Medical Diagnostics: Learning, Inference, and Optimization Algorithms. Diagnostics 2020, 10, 972. ]

வெளி இணைப்புகள்

[தொகு]
"https://ta.wikipedia.org/w/index.php?title=நரம்பியல்_வலைப்பிணையம்&oldid=4108637" இலிருந்து மீள்விக்கப்பட்டது