شبکه های گازی عصبی

شبکه های گازی عصبی یکی از مهم ترین الگوریتم هایی است که در مباحث داده کاوی و هوش مصنوعی استفاده می شود. این الگوریتم بیشتر در مباحث خوشه بندی و یادگیری توپولوژی به کار می رود. الگوریتم شبکه گازی عصبی ساختار مدل های یادگیری عمیق را تشکیل می دهد. در ادامه علاوه بر اشاره به ماهیت یادگیری عمیق، شبکه های گازی عصبی و کاربرد آن شرح داده شده است. در صورتی که به مباحث هوش مصنوعی علاقه مند هستید، به شما پیشنهاد می کنیم که مطالعه ادامه این مقاله را از دست ندهید.

مدل یادگیری عمیق یا deep learning

به منظور درک بهتر از شبکه گازی عصبی، بهتر است ابتدا با مدل یادگیری عمیق آشنایی داشته باشید. هوش مصنوعی مجموعه از روش هایی است که به کامپیوتر برای تصمیم گیری در مسائل مختلف، یاری می رساند و کمک می کند که عملکردی هوشمندانه و انسان گونه داشته باشد. به عبارتی دیگر، انسان داده ها را به ماشین شناسانده و از آن برای انجام کارهایی استفاده می کند که نیاز به هوش انسانی دارند. در این راستا روش یادگیری عمیق به کمک متخصصان آمده و به آن ها کمک می کند تا سیستم های هوشمندی را برای انجام عملیات های مختلف آموزش دهند.

اما تفاوت زیادی بین یادگیری ماشین و یادگیری عمیق وجود دارد. به عبارتی، روش های یادگیری ماشین سنتی نظیر درخت تصمیم و یا رگرسیون لجستیک را نمی توان به صورت مستقیم روی داده های خام اعمال کرد. بلکه باید از طریق مرحله پیش پردازش (preprocessing) ویژگی هایی را به عنوان بازنمایی داده ها استخراج و به عنوان الگوریتم های یادگیری ماشین از آن ها استفاده نمود.

برای مثال زمانی که برنامه نویس قصد داشته باشد مدلی را با استفاده از یادگیری ماشین طراحی کند تا تصاویر ماشین را از غیر ماشین جدا نماید؛ باید در ابتدای کار، ویژگی هایی را برای ماشین تعریف کند؛ زیرا با استفاده از آن ماشین، قادر به جداسازی تصاویر باشد. چنین عملی برگرفته از عملکرد مغز انسان است. به بیانی دیگر، مغز با استفاده از یکسری ویژگی ها، تشخیص می دهد که آیا جسم مورد نظر ماشین تلقی می شود یا خیر. اما در deep learning، برنامه نویس برای شناساندن داده های اضافی، گام دیگری را انجام نمی دهد. بدین ترتیب ماشین قادر خواهد بود که حین آموزش، دسته بندی تصاویر و ویژگی های ماشین را به طور خودکار بیاموزد.

شبکه های گازی عصبی چیست؟

الگوریتم یادگیری عمیق، از ساختارهای لایه ای به نام شبکه های عصبی استفاده می کند تا بر اساس تجزیه و تحلیل داده ها و همچنین در زمینه عملکردی خاص، رفتار انسان را تقلید کند. شبکه های گازی عصبی و یا Neural Gas Network یکی از انواع شبکه های عصبی رقابتی است که معمولا در زمینه حل مسائل خوشه بندی و یادگیری توپولوژی از آن استفاده می شود. این الگوریتم در سال 1991 توسط توماس مارتینز و همین طور کلاوز شولتن معرفی شد.

الگوریتم شبکه عصبی گازی در رده Vector Quantization یا به اختصار VQ، قرار دارد. همچنین ارتباط بسیار نزدیکی با الگوریتم خوشه بندی k-means و شبکه عصبی SOM و شبکه عصبی VLQ دارد. شبکه گاز عصبی، علیرغم انجام خوشه بندی و قرار دادن مرکز خوشه ها در محلی مناسب، ارتباط همسایگی میان نورون ها را به صورت هوشمند ایجاد می کند. در نهایت این الگوریتم قادر به یادگیری توپولوژی می باشد. همچنین از سرعت مطلوبی جهت یادگیری برخوردار است.

شبکه های گازی عصبی در دنیای واقعی چه کاربردی دارند؟

الگوریتم شبکه های گازی عصبی، در زمینه عملکردهای غیر نظارت شده یادگیری ماشین استفاده می شود. شبکه های عصبی می توانند تمامی مسائل غیر خطی را مدلسازی کنند، به همین خاطر این الگوریتم در زمینه های متفاوتی نظیر شبکه های عصبی گازی می تواند به فشرده سازی، بخش بندی تصاویر، تشخیص گفتار، بازشناسی الگو، یادگیری توپولوژی و … بپردازد. این شبکه ها در دسته الگوریتم های کمی سازی برداری قرار می گیرند. با مقداری تغییر در شیوه یادگیری الگوریتم های کمی سازی برداری، می توان این شبکه ها را پیاده سازی نمود. این الگوریتم برخلاف روش های نگاشت های خودسازمان و خوشه بندی های لوید، قادر به کشف هر نوع ساختار همسایگی بوده و می توانند از این جهت متمایز شوند.

شبکه های گازی عصبی از دو بخش اصلی یادگیری و تعریف همسایگی تشکیل شده اند. ما می توانیم از طریق حذف و ایجاد رابط میان نورون ها، مدل هوشمندی از توپولوژی نهایی را ایجاد کنیم. در این توپولوژی، بهترین نورون های توصیف مدل استفاده می شوند. در این قسمت به معرفی کاربردهای مهم شبکه های گازی عصبی در دنیای واقعی پرداخته ایم:

• سیکل توربین

نیروگاه سیکل توربین گاز، شامل تعدادی توربین گاز و توربین بخار است. سیکل توربین های گازی­­­ یکی از قدرتمندترین ماشین های تولید توان به شمار می آیند. با افزایش سهم نیروهای گازی در تولید برق مورد نیاز شبکه های سراسری، همین طور جهت مقابله بحران انرژی و استفاده موثر از منابع، روش های مختلفی برای عملکرد صحیح این نیروگاه ها پیشنهاد شده است. روش تزریق بخار به سیکل توربین گاز ساده، یکی از راه های مفید و کاربردی است. متخصصان جهت افزایش توان سیکل توریبن های گازی، از سیستم خنک کاری هوای ورودی به کمپرسور استفاده می کنند.

• تشکیل هیدرات

یکی از معضل های بسیار مهم در طراحی خطوط لوله گاز، تشکیل هیدرات است. گازهای ورودی از چاه ها با رطوبت همراه هستند. در شبکه های توزیع گاز و در فصل سرما، رطوبت ها هنگام عبور از شیرهای کنترل، باعث به وجود آمدن مشکلات زیادی می شوند که یکی از این مشکلات، تشکیل هیدرات گازی است. در مخازن زیر زمینی، فشار بسیار بالا و دمای موجود در آن بسیار پایین است. در این شرایط نیز آب با تشکیل پیوندهای هیدروژنی قوی، ساختارهای حفره ای قوی تشکیل می دهد که با نام شبکه تشکیل هیدرات، شناخته می شود.

• توربین گازی

جان باربر در سال 1791 ماشینی طراحی کرد که در آن یک شبه توربین گازی به کار رفته بود. در سال 1904 فردی با بهره گیری از این اختراع توانست یک توربین گازی بسازد. در ساخت این نوع از تجهیزات صنعتی غول پیکر، از فلزات بسیار زیادی استفاده شده است. توربین گازی نوعی از موتورهای درون سوز است که به شکل چرخشی و دورانی، انرژی را از طریق گازهای تعریق تولید می کند.

مزایای شبکه های گازی عصبی

امروزه، تمامی جنبه های زندگی ما انسان ها با هوش مصنوعی آمیخته شده و با استفاده از این علم نوین، دستخوش تغییر قرار گرفته است. این تغییرات مزایا و معایب زیادی را برای بشر و موجودات زنده داشته است. در این قسمت سعی داریم مزایای استفاده از شبکه های گازی عصبی را بیان کنیم:

• بازدهی بالا در انجام عملیات های گوناگون:

بر خلاف انسان، ماشین از انجام فعالیت های زیاد و تکراری خسته و یا کسل نمی شود. همچنین می تواند به صورت شبانه روزی مسئولیت های خود را انجام دهد. در این راستا، شبکه های گازی عصبی در زمینه هوش مصنوعی، زمان اندک، بازدهی بالا و نتایج چشمگیری را به دنبال دارد.

• قابلیت یادگیری سریع وظایف:

مدل های برگرفته از هوش مصنوعی می توانند وظایف و الگوها را در کمترین زمان ممکن یاد بگیرند. با توجه به اینکه هزینه های مالی آموزش منابع انسانی زیاد بوده و زمان زیادی نیز برای انجام این کار لازم است، استفاده از الگوریتم شبکه های گازی عصبی در هوش مصنوعی می تواند در زمینه مصارف مالی و زمانی صرفه جویی حیرت انگیزی داشته باشد.

• انجام چندین مسئولیت به صورت همزمان:

در مدل های پیشرفته از هوش مصنوعی می توان مدل ها را برای انجام چندین وظیفه متفاوت آموزش داد.

• کاربرد وسیع مدل های هوشمند در زمینه های مختلف زندگی انسان:

از آنجایی که هدف طراحی هوش مصنوعی تقلید رفتار انسان است، از این علم می توان در تمامی زمینه ها مانند پزشکی، مهندسی، کشاورزی، پالایشگاه، توربین و … استفاده کرد.

سخن پایانی

امروزه هوش مصنوعی یکی از مهم ترین و کاربردی ترین رشته های کاری است که کاربردهای وسیعی در زندگی روزمره دارند. در این مقاله به بررسی یکی از مهم ترین مفاهیم یادگیری عمیق یعنی شبکه های گازی عصبی پرداخته ایم. این شبکه علاوه بر انجام خوشه بندی و قرار دادن مراکز خوشه در محل مناسب، ارتباط همسایگی بین نورون ها را برقرار می کند و آن ها را به شکلی هوشمند در سیستم های مختلف بارگذاری می کند. در نهایت این الگوها منجر به یادگیری توپولوژی می شود. از شبکه های گازی عصبی در سیستم توربین گازی، شبکه هیدرات، سیکل توربین و بسیاری دیگر از سیستم های دنیای واقعی استفاده می گردد.