بخشی از مقاله

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

ارائه یک مدل محاسباتی هوش اجتماعی بر اساس یادگیری هیجانی در آمیگدلا

چکیده

امروزه شبکههای عصبی به عنوان ابزاری قدرتمند جهت حل بسیاری از مسائل مورد استفاده قرار میگیرند، هر چه

مدل محاسباتی شبکه عصبی ارائه شده به مدل عصبی جانداران شباهت بیشتری داشته باشد، مدل محاسباتی
قویتری خواهد بود. مدل محاسباتی یادگیری هیجانی در آمیگدلا که الهام گرفته از بخش لیمبیک مغز پستانداران

است، توسط مورن برای اولین بار ارائه شد. ما در این مقاله از ترکیبی از چند سیستم لیمبیک به عنوان چند موجود زنده استفاده خواهیم کرد بطوریکه اجتماع این موجودات زنده و جمع خروجی هر سیستم لیمبیک با توجه به ضریب اعمالی مربوطه، هوش اجتماعی را تشکیل خواهد داد. مدل ارائه شده با مدلهایی از جمله شبکه عصبی پس انتشار پیشخور ، شبکه عصبیپس انتشار اِلمن و مدل محاسباتی یادگیری هیجانی در آمیگدلا جهت پیشبینی

سری زمانی آشوب مک گلاس مورد مقایسه گرفته و از نتایج حاصل از پیشبینی به این نتیجه میرسیم که مدل محاسباتی هوش اجتماعی بر اساس یادگیری هیجانی در آمیگدلا، خطای کمتری را چه در الگوهای آموزش و چه

در الگوهای تست در پیش بینی سری زمانی آشوب مک گلاس از خود نشان میدهد.

کلمات کلیدی: هوش ماشین، هوش اجتماعی، یادگیری هیجانی در آمیگدلا، سری زمانی آشوب مک گلاس

 

.1 مقدمه

شبکههای عصبی مصنوعی یا به زبان سادهتر شبکههای عصبی، سیستمها و روشهای محاسباتی نوینی هستند برای یادگیری
ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیشبینی پاسخهای خروجی از سامانههای پیچیده. ایده اصلی این گونه شبکهها الهامگرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش دادهها و اطلاعات به منظور یادگیری و

ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار
زیادی عناصر پردازشی فوق العاده بهم پیوسته با نام نرون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل میکنند و
توسط سیناپسها4 اطلاعات را منتقل میکنند. اولین کوششها در شبیهسازی شبکه عصبی با استفاده از یک مدل منطقی توسط مک

کلوچ و والتر پیتز[1] انجام شد که امروزه بلوک اصلی سازنده اکثر شبکههای عصبی مصنوعی است. این مدل فرضیههایی در مورد عملکرد نرونها ارائه میکند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است. چنانچه حاصل جمع ورودیها از

مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته میشود. نتیجه این مدل اجرای توابع ساده مثل AND و OR منطقی بود. نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیهسازی شبکههای عصبی تاثیر داشتند. در سال 1958 شبکه پرسپترون توسط روزنبلات[2] معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه است که لایه دوم به عنوان لایه پیوند شناخته میشود. این سیستم میتواند یاد بگیرد که به ورودی داده شده، خروجی تصادفی متناظر را اعمال کند. سیستم دیگر مدل خطی تطبیقی نرون است که در سال 1960 توسط ویدرو و هاف[3] به وجود آمد که اولین شبکههای عصبی به کار گرفته شده در مسائل واقعی بودند. در سال 1969 میلادی، میسکی و پاپرت[4] کتابی نوشتند که محدودیتهای

سیستمهای تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایهگذاری برای تحقیقات در زمینه شبیهسازی شبکههای عصبی بود. آنها با طرح اینکه مدل پرسپترون قادر به حل هیچ مساله جالبی نیست، تحقیقات در این

زمینه را برای مدت چندین سال متوقف کردند. با وجود اینکه اشتیاق عمومی و سرمایهگذاریهای موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ[5] که شبکهای تحت عنوان Avalanche را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکههای [6]ART را بنا نهادند که با مدلهای طبیعی تفاوت داشت. اندرسون(([9]-[7] و

کوهونن([10]، ([11] نیز از اشخاصی بودند که تکنیکهایی برای یادگیری ایجاد کردند. ورباس[12] در سال 1974 میلادی شیوه

آموزش پس انتشار خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود. پیشرفتهایی که در
سالهای1970 تا 1980 میلادی بدست آمد برای جلب توجه به شبکههای عصبی بسیار مهم بود. مدل محاسباتی یادگیری هیجانی

در آمیگدلا برای اولین بار توسط مورن و بالکینوس[13] در سال 2000 میلادی ارائه شد، سپس در سال 2002 میلادی، مورن رساله

دکتری[14] خود را تحت عنوان هیجان و یادگیری ارائه کرد. در بخش دوم مقاله به معرفی مدل محاسباتی یادگیری هیجانی در

آمیگدلا خواهیم پرداخت. در بخش سوم مقاله به تشریح مدل پیشنهادی یعنی مدل محاسباتی هوش اجتماعی بر اساس یادگیری هیجانی در آمیگدلا خواهیم پرداخت، در بخش چهارم مقاله نتایج پیاده سازی را خواهیم داشت و در بخش پنجم مقاله، نتیجه

گیری حاصل از نتایج پیاده سازی را خواهیم داشت.

4ارتباطات الکترومغناطیسی

 

.2 مدل محاسباتی یادگیری هیجانی در آمیگدلا

هیجان به معنی حرکت، تحریک و حالت برانگیختگی است. هیجان در واقع تحریکات گوناگون مغز درارتباط با انگیزش،

روحیه، خلق و خو، شخصیت، منش، و ... است. از منظر فیزیولوژیک عامل آن هورمونهای آرامبخش و یا محرک عصبی از جمله
دوپامین ، اکسی توسین ، نورآدره نالین ، سروتونین و کورتیزول هستند([15]، .([16] خزندگان، به نشانههای حسی بینایی، شنوایی، لمسی و شیمیایی با عکس العملهای از پیش تنظیم شده بدن و وضعیتهای برنامه ریزی شده، واکنش نشان میدهند.

حس بویایی با آمدن پستاندارانی که در شب به فعالیت میپردازند به عنوان حس غالب جایگزین بینایی میشود. به همین دلیل
لوبهای حس شامه در مغز پستانداران به نسبت جثه بزرگتر از خزندگان است. هیجان یک حالت روانی سازماندهی شده در

سیستم لیمبیک مغز پستانداران است. در پستانداران هیجانات از پاسخهای واکنشی خزندگان پیچیدگیهای بیشتری دارد. برای نمونه می توان از هیجان عشق در پستاندارن نام برد که در شکنج سینگولات تکوین می یابد و مراقبت و تغذیه فرزندان را تسهیل میکند .


هیجانات ناشی از فعالیتهای معینی در نواحی مغز هستند که به آن سیستم لیمبیک گفته میشود. بخشهای مهم این سیستم، آمیگدال، هیپوتالاموس، کورتکس پرفرانتال، شکنج سینگولات، هیپوکامپس هستند[15] که همگی در کورتکس مغز قرار دارند.

البته هیجانات تنها به سیستم لیمبیک مربوط نمیگردد بلکه حتی نشان داده شده است که برخی از این ساختارهای لیمبیک مستقیما

در ارتباط با هیجان نیستند. در حالیکه، برخی ساختارهای غیر لیمبیک را میتوان یافت که دخالت بیشتری در تولید هیجان دارند. محاسبات هیجانی زمینهای میان رشتهای است که علوم کامپیوتر، روانشناسی، و علوم شناختی را دربرمیگیرد. درحالیکه این زمینه در اصل ممکن است به سوالات فلسفی پیشین در هیجان برگردد.
شبکههای عصبی هیجانی رشتهای از هوش مصنوعی است که منجر به طراحی سیستمهایی شده است که میتوانند هیجان در انسان را تشخیص دهند، تفسیر نمایند، و پردازش کنند. تشخیص هیجان با سنسورهایی آغاز میشود که دادههای خام را درمورد حالت فیزیکی یا رفتار کاربر دریافت میکنند. دادههای بدست آمده، با نشانههای انسانی که برای درک هیجانقبلاً کلاسبندی

گردیده است مقایسه میگردد. کار دیگر در این زمینه طراحی دستگاههایی است که برای نمایش هیجان ذاتی ارائه شدهاند و قادر به

شبیهسازی هیجانات هستند. پردازش هیجانی گفتار، حالت هیجانی کاربر را با آنالیز الگوهای گفتاری، تشخیص میدهد. پردازش به وسیله بررسی زبان چهره یا حرکت بدن از طریق حسگرها بدست میآید.

بخش آمیگدلا نقش مهمی را در کنترل فعالیتهای عاطفی همچون دوستی، عشق و مهربانی، خلق و خو، ترس و خشم و

تهاجم بازی میکند.[14] آمیگدلا مرکز شناسائی خطر است و برای بقای فرد ضروری است. بخش آمیگدلا برای پیشبینی عکس العملهای بعدی آموزش میبیند و به پاداش واکنش نشان میدهد.
سیستم اوربیتوفرانتال زمانی وارد عمل میگردد که پیشبینی بخش آمیگدلا با نوع پاداش دریافت شده همسو نباشد. در این

صورت نسبت به رفع عدم تطبیق با تکیه بر یادگیری قبلی اقدام میکند. مهمترین قسمت الگوریتم یادگیری تعریف تابع پاداش
است. سیگنال تقویت کننده پاداش به عنوان تابعی از سیگنالهای دیگر است که به عنوان یک تابع ارزیابی در نظر گرفته میشود. تابع ارزیابی، کارایی پاسخ ما را میسنجد و با فعالیت عامل، رابطه مستقیم دارد و عامل را به سمت هدف اصلی شبیه سازی،

 

هدایت میکند. به عنوان مثال در مغز، پاداش و تنبیه بر پایه مقدار قبلیتابعِ ارزیابی، تعیین میگردد. به عنوان نمونه با کاهش ارزش

تابعِ ارزیابی، پاداش کاهش مییابد و تنبیه زیاد میگردد. بنابراین پاسخ نیز تغییر میکند. بنابراین یکی از جنبههای یادگیری
پیوستگی بین مقدار پاداش جاری و واکنشها است کهقدرتِ بالاتر بردن پاداش توسط یک محرک، برای انجام یادگیریهای جدید است.

مدل مورن[14] یک ساختار کاهش یافتهای از یکمُدل محاسباتی به تقلید از مغز پستانداران است. شکل 1 شمایی از مدل
محاسباتی یادگیری هیجانی در آمیگدلا5 که توسط مورن ارائه شده است را نشان میدهد.


شکل .1 شمایی از مدل محاسباتی یادگیری هیجانی در آمیگدلا


الگوریتم پیشرو[14] مدل محاسباتی یادگیری هیجانی در آمیگدلا بصورت روابط 1 تا 6 است و همچنین الگوریتم یادگیری
هیجانی در مدل محاسباتی مربوطه بصورت روابط 7 تا 8 است.[14]

5 یادگیری هیجانی مغز Emotional Learning in Amygdala or Brain Emotional Learning(bel) –



لازم به ذکر است که آخرین ورودی بخش آمیگدلا، بیشینه مقدار ورودیهای حسی است که از طرف بخش تالاموس به

بخش آمیگدلا فرستاده میشود که این مقدار مطابق رابطه 4 تعریف میشود.

تعریف پارامترهای مختلف مهم روابط 1 تا 8 مطابق زیر است:

مدل محاسباتی هوش اجتماعی بر اساس یادگیری هیجانی در آمیگدلا

در مدل ارائه شده به جای استفاده از یک سیستم لیمبیک که نماینده پردازش مدل سازی شده در مغز یک پستاندار است از

چندین سیستم لیمبیکی([14]، ([15] استفاده میشود بطوریکه جمع خروجی هر سیستم لیمبیک با توجه به ضریب مربوطه، هوش اجتماعی را تشکیل میدهد. در واقع تصمیمی که هر موجود زنده خواهد گرفت تابعی از ورودیهای حسی خود موجود یا

بعبارتی هوش خود موجود بعلاوه هوش حاکم بر محیط است. به عبارتی دیگر در این مدل هوش اجتماعی حاصل برایند هوش

5

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید