Мягкие вычисления — это обобщающий термин, используемый для описания типов алгоритмов , которые выдают приблизительные решения неразрешимых высокоуровневых проблем в информатике. Как правило, традиционные алгоритмы жестких вычислений в значительной степени полагаются на конкретные данные и математические модели для выдачи решений проблем. Мягкие вычисления были придуманы в конце 20-го века. [1] В этот период революционные исследования в трех областях оказали большое влияние на мягкие вычисления. Нечеткая логика — это вычислительная парадигма, которая учитывает неопределенности в данных, используя уровни истины, а не жесткие 0 и 1 в двоичном коде. Далее следуют нейронные сети, которые являются вычислительными моделями, на которые влияют функции человеческого мозга. Наконец, эволюционные вычисления — это термин для описания групп алгоритмов, которые имитируют естественные процессы, такие как эволюция и естественный отбор.
В контексте искусственного интеллекта и машинного обучения мягкие вычисления предоставляют инструменты для обработки неопределенностей реального мира. Их методы дополняют уже существующие методы для лучших решений. Сегодня сочетание с искусственным интеллектом привело к появлению гибридных систем интеллекта, которые объединяют различные вычислительные алгоритмы. Расширяя области применения искусственного интеллекта, мягкие вычисления приводят к надежным решениям. Ключевые моменты включают в себя борьбу с неоднозначностью, гибкое обучение, понимание сложных данных, приложения реального мира и этичный искусственный интеллект . [2] [3]
Развитие мягких вычислений относится к концу 20-го века. В 1965 году Лютфи Заде представил нечеткую логику, которая заложила математическую основу для мягких вычислений. Между 1960-ми и 1970-ми годами начали появляться эволюционные вычисления, разработка генетических алгоритмов , которые имитировали биологические процессы. Эти модели проложили путь для моделей, которые начали обрабатывать неопределенность. Хотя исследования нейронных сетей начались в 1940-х и 1950-х годах, в 1980-х годах появился новый спрос на исследования. Исследователи инвестировали время в разработку моделей для распознавания образов . Между 1980-ми и 1990-ми годами гибридные интеллектуальные системы объединили нечеткую логику, нейронные сети и эволюционные вычисления, которые быстро решали сложные проблемы. С 1990-х годов и по сей день модели играют важную роль и влияют на множество областей, обрабатывающих большие данные , включая инженерию, медицину, социальные науки и финансы. [4] [5]
Нечеткая логика — это аспект вычислений, который обрабатывает приблизительные рассуждения. Обычно двоичная логика позволяет компьютерам принимать решения на основе истинных или ложных причин (0 и 1); однако введение нечеткой логики позволяет системам обрабатывать неизвестные между 0 и 1. [2] [6]
В отличие от классических множеств , которые позволяют членам быть полностью внутри или снаружи, нечеткие множества допускают частичное членство, включая «градуировку» между множествами. Операции нечеткой логики включают отрицание , конъюнкцию и дизъюнкцию , которые обрабатывают членство между наборами данных. [5]
Нечеткие правила — это логические утверждения, которые отображают корреляцию между входными и выходными параметрами. Они устанавливают правила, необходимые для отслеживания переменных взаимосвязей лингвистически, и они были бы невозможны без лингвистических переменных . Лингвистические переменные представляют значения, которые обычно не поддаются количественной оценке, что допускает неопределенности. [7]
Нейронные сети — это вычислительные модели, которые пытаются имитировать структуру и функционирование человеческого мозга . В то время как компьютеры обычно используют двоичную логику для решения проблем, нейронные сети пытаются предоставить решения для сложных проблем, позволяя системам думать подобно человеку, что необходимо для мягких вычислений. [8]
Нейронные сети вращаются вокруг персептронов , которые являются искусственными нейронами, структурированными слоями. Как и человеческий мозг, эти взаимосвязанные узлы обрабатывают информацию, используя сложные математические операции. [9]
Благодаря обучению сеть обрабатывает входные и выходные потоки данных и корректирует параметры в соответствии с предоставленной информацией. Нейронные сети помогают сделать мягкие вычисления необычайно гибкими и способными решать высокоуровневые проблемы.
В мягких вычислениях нейронные сети помогают в распознавании образов, предиктивном моделировании и анализе данных. Они также используются в распознавании изображений , обработке естественного языка , распознавании речи и системах . [3] [10]
Эволюционные вычисления — это область мягких вычислений, которая использует принципы естественного отбора и эволюции для решения сложных проблем. Она способствует открытию разнообразных решений в пространстве решений, поощряя почти идеальные решения. Она находит удовлетворительные решения, используя вычислительные модели и типы эволюционных алгоритмов. Эволюционные вычисления состоят из алгоритмов, которые имитируют естественный отбор, таких как генетические алгоритмы , генетическое программирование и эволюционное программирование . Эти алгоритмы используют кроссинговер , мутацию и селекцию . [11]
Кроссовер, или рекомбинация, обменивается данными между узлами для диверсификации данных и обработки большего количества результатов. Мутация — это генетический метод, который помогает предотвратить преждевременный вывод о неоптимальном решении путем диверсификации целого ряда решений. Он помогает новым оптимальным решениям в наборах решений, которые помогают общему процессу оптимизации. Отбор — это оператор, который выбирает, какое решение из текущей популяции подходит достаточно для перехода к следующей фазе. Они управляют генетическим программированием для поиска оптимальных решений, гарантируя выживание только наиболее подходящих решений в наборе.
В мягких вычислениях эволюционные вычисления помогают в приложениях по добыче данных (использование больших наборов данных для поиска закономерностей), робототехнике , оптимизации и инженерных методах. [3] [5]
Гибридные интеллектуальные системы объединяют сильные стороны компонентов мягких вычислений для создания интегрированных вычислительных моделей. Искусственные методы, такие как нечеткая логика, нейронные сети и эволюционные вычисления, объединяются для эффективного решения проблем. Эти системы улучшают суждение, устранение неполадок и анализ данных . Гибридные интеллектуальные системы помогают преодолеть ограничения отдельных подходов ИИ для повышения производительности, точности и адаптивности для решения динамических проблем . Они расширяют возможности мягких вычислений в анализе данных, распознавании образов и системах. [12]
Благодаря своей динамической универсальности, мягкие вычислительные модели являются ценными инструментами, которые противостоят сложным реальным проблемам. Они применимы во многих отраслях и областях исследований:
Мягкие вычисления нечеткой логики и нейронные сети помогают с распознаванием образов, обработкой изображений и компьютерным зрением. Его универсальность жизненно важна для обработки естественного языка , поскольку она помогает расшифровывать человеческие эмоции и язык. Они также помогают в добыче данных и предиктивном анализе , получая бесценные идеи из огромных наборов данных. Мягкие вычисления помогают оптимизировать решения из энергетики, финансовых прогнозов , моделирования экологических и биологических данных и всего, что имеет дело с моделями или требует их. [12] [13]
В области медицины мягкие вычисления революционизируют обнаружение заболеваний, создавая планы лечения пациентов и модели здравоохранения . [10]
Методы мягких вычислений, такие как нейронные сети и нечеткие модели, сложны и могут нуждаться в разъяснении. Иногда требуется приложить усилия, чтобы понять логику решений алгоритмов нейронных сетей, что затрудняет их принятие пользователем. Кроме того, требуются ценные, дорогостоящие ресурсы для подачи в модели обширных наборов данных, а иногда невозможно получить необходимые вычислительные ресурсы. Существуют также значительные аппаратные ограничения, которые ограничивают вычислительную мощность. [8]