Искусственные нейронные сети приобретают способность чувствовать запахи так же, как это делает человеческий мозг.

Всего за несколько минут компьютерная модель может научиться чувствовать запахи с помощью машинного обучения. Согласно выводам исследователей, она формирует нейронную сеть, в точности повторяющую обонятельные схемы мозга животных, которые анализируют запаховые сигналы, когда делают это.

Гуанью Роберт Янг, младший научный сотрудник Института исследований мозга Макговерна при Массачусетском технологическом институте, заявил: «Используемый нами алгоритм имеет мало общего с естественным эволюционным процессом».

Янг и его команда считают, что их искусственная сеть поможет исследователям больше узнать об обонятельных путях мозга. Кроме того, эта работа демонстрирует полезность искусственных нейронных сетей для нейронауки. «Продемонстрировав, что мы можем точно соответствовать дизайну, я считаю, что мы можем повысить уверенность в том, что нейронные сети будут оставаться полезными инструментами для моделирования мозга», – говорит Янг.

Нейронные сети — это вычислительные инструменты, вдохновленные мозгом, в которых искусственные нейроны сами создают соединения с другими нейронами для выполнения определенных задач. Их можно обучить распознавать закономерности в больших массивах данных, что делает их полезными для распознавания речи, изображений и других форм искусственного интеллекта. Существуют доказательства того, что нейронные сети, которые делают это лучше всего, отражают деятельность нервной системы. Однако Ванг отмечает, что иначе организованные сети могут давать сопоставимые результаты, и неврологи до сих пор не уверены, точно ли искусственные нейронные сети воспроизводят схему биологических цепей. Он утверждает, что, имея подробные анатомические данные об обонятельных цепях плодовых мушек, «мы можем ответить на вопрос: Можно ли использовать искусственные нейронные сети для понимания мозга?».

Ученые поставили перед сетью задачу классифицировать данные, представляющие различные запахи, и правильно классифицировать отдельные ароматы и даже смеси запахов.

Искусственная сеть самоорганизовалась в считанные минуты, а полученная структура была поразительно похожа на мозг плодовой мушки. Каждый нейрон в слое сжатия получал информацию от определенного типа входного нейрона и, по-видимому, был соединен специальным образом с несколькими нейронами в слое расширения. Кроме того, каждый нейрон в слое расширения получает связи в среднем от шести нейронов в слое сжатия – точно так же, как это происходит в мозге плодовой мушки.

Теперь исследователи могут использовать модель для дальнейшего изучения этой структуры, изучая, как сеть развивается при различных настройках, изменяя схему таким образом, который невозможен экспериментально.

Подобные работы происходят по всему миру. Недавно японские исследователи предсказали письменные описания запаха, используя масс-спектры молекул и технологии обработки естественного языка.

Исследователи исследовательской лаборатории IBM предсказывали качества запаха, используя вкрапления слов и химико-информационные представления химических веществ.

То, как мозг обрабатывает запахи, заставляет ученых переосмыслить принципы построения алгоритмов машинного обучения. В области машинного обучения запах остается самым загадочным из чувств, и исследователи рады продолжать вносить свой вклад в его понимание путем дополнительного фундаментального изучения. Перспективы будущих исследований обширны: от разработки новых обонятельных химикатов, более доступных и устойчиво производимых, до оцифровки запаха или, возможно, когда-нибудь предоставления доступа к ароматам тем людям, у кого нет обоняния.

Источник

Майкл Хансмайер вместе с коллегой, Бенджамином Дилленбургером, создали скульптуру Цифровой Гротеск 2, которая сейчас выставлена в Центре Помпиду в Париже.
Распечатанные на 3D принтере части скульптуры образуют 1,35 миллиарда поверхностей. На печать ушло 7 тонн материала.

Невероятное богатство деталей, неожиданные элементы и их соединения – результат работы компьютерных алгоритмов, которые применял скульптор.

Майкл Хансмайер говорит на своей странице, что “сегодня, кажется, мы можем распечатать все что угодно, как на макро, так и на микроуровнях, комбинируя различные материалы и процессы”.

Но мы может произвести только то, что спроектировали, а это, в свою очередь, ограничено нашим восприятием. В этой скульптуре алгоритм предлагал необычные и удивительные дизайнерские решения. Скульптор говорит, что такие алгоритмы могут стать помощником или музой художника.

Но, на мой взгляд, в этом уже виден неизбежный следующий шаг: когда сами нейронные сети будут без участия человека генерить скульптуры. Сети будут обучаться на определенном материале и на каких-то принципах. Например, нейронная сеть, обученная на сотне тысяч скульптур, станет производить свои собственные скульптуры, а нам только останется лишь нажать на кнопку и распечатать эту скульптуру, с инструкцией по сборке. Но этими принципами и материалом могут стать и любые образцы красоты, и феномены зрительного восприятия, включая иллюзии, теоремы геометрии, работы Эшера, скелеты морских позвоночных, и все что угодно еще.

Мы увидим такое, что никогда не приходило и, возможно, не могло прийти нам в голову. Так же, как не могли прийти в голову лучших игроков ходы в игре Го, которые делала программа Альфа Го, несмотря на тысячелетнюю историю игры и миллионы сыгранных игр.

Это будет прекрасно, неповторимо и грандиозно. Эта грандиозность будет указывать нам наше место –  в зрительном зале, с ведерком попкорна. А где ещё, если мы со своими творениями  будем выглядеть как криворукие подмастерья?

Фотографии отсюда.

Гугловский сервис DeepDream дает возможность обработки изображений через программу, которая «видит» странных животных и объекты в картинке. Так, выше – что я сделал с картинкой авокадо с помощью DeepDream (7 уровень, весьма глубокий, по клику открывается в полный размер). Оригинал:

Как пишет википедия, «программа была написана для нахождения на картинках лиц и других паттернов, с целью автоматической их классификации». Но если программу продолжать натравливать на картинку для более глубокого поиска, тогда она и начинает находить лица и паттерны, там, где их, собственно, нет. Ну, или для любителей философии, там, где их не видит человек. А может авокадо так и выглядит на самом деле? :)

Картинки при этом получаются похожими на зрительные галлюцинации человека под психоделиками (по мнению опытных пользователей). Факт этот любопытен тем, что может означать функциональное сходство между зрительной корой человека и нейронной сетью искусственного интеллекта.

Еще одно недавнее исследование: ученые (Radford, Metz, & Chintala, 2015), тренируя особый тип нейронных сетей, generative adversarial networks, научили компьютер генерировать дизайны помещений (вполне неплохие, кстати), и лица людей. Так, давая фотографии улыбающихся женских лиц, дали задание выделить концепцию «улыбки» и соединить ее с концепцией «мужчина». В результате получается коллекция улыбающихся мужских лиц несуществующих людей. Пока еще, конечно, не совершенно, но сети учатся быстро.

Как отмечает автор статьи в New Scientist (Aron, 2015), вполне скоро мы могли бы искать картинки в Гугле по описанию – сама картинка будет генерироваться на лету и будет абсолютно уникальна.

Недалек тот день, когда искусственный интеллект будет создавать гораздо лучшие и картины, и дизайны, как зданий, интерьеров, так и любых механизмов и приборов, и всего остального. Чем займемся мы – вот вопрос, на который пора начать отвечать.

Aron, J. (2015). Computer’s imagination creates human faces. New Scientist USA. December 5, 2015.

Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arXiv.org. http://arxiv.org/abs/1511.06434

В мае 2015 вышла статья исследователей из Университета Рутгерз (Saleh & Elgammal, 2015). Они составили коллекцию цифровых изображений 81,449 картин 1,119 художников, начиная с 15 века до наших дней. Компьютерная программа, которую они создали, смогла научиться классифицировать работы по стилю, жанру и художнику. Точность, которую она достигла за короткий срок: 63% точности идентификации по художнику, 60% – по жанру, и 45% – по стилю. Что интересно, эти алгоритмы позволили обнаружить некоторые факты – так, выяснилось. что на творчество некоторых художников было оказано влияние других творцов. Это, понятно, обычное дело, но именно об этих конкретных случаях искусствоведам известно не было.

Например, алгоритм обнаружил, что картина француза Фредерика Базиля (Frederic Bazille) «Мастерская на улице Ла Кондамин, 9, в Париже», написанная в 1870 году (в начале статьи), и картина американского художника Нормана Рокуэлла (Norman Rockwell) «Парикмахерская Шаффлтона», написанная в 1950 (выше этого параграфа) весьма похожи. Авторы исследования стали искать сведения о таком факте в истории искусства, но ничего не нашли (статья про эту находку).Желтым выделены очень похожие объекты, красным – схожая композиция, а синим – схожие структурные элементы. Без всяких натяжек можно сказать, что компьютерный алгоритм сделал, пусть и небольшое, но открытие.

Сами исследователи не считают, что такие алгоритмы заменят искусствоведов, но, на мой взгляд, это скромность. Не знаю как вы, а у меня нет сомнений, что вскоре на этом направлении будет еще много достижений. Компьютерные программы учат «понимать» живопись, точность идентификации начнет приближаться к максимуму, мы узнаем еще много интересных фактов из области искусства. Алгоритмы научатся не только «понимать», но и создавать шедевральные картины, скульптуры и музыку.

А что делать нам?

Saleh, B., & Elgammal, A. (2015). Large-scale Classification of fine-art paintings: Learning the right metric on the right feature. Arxiv.org. Полный текст: http://arxiv.org/pdf/1505.00855v1.pdf