THE CONCEPT OF USING THE NUMBER SYSTEM IN THE RESIDUAL CLASSES FOR BUILDING ARTIFICIAL INTELLIGENCE SYSTEM

Victor Krasnobayev; Sergey Koshman; Dmytro Kovalchuk

doi:10.26906/SUNZ.2022.1.065

Автор(и)

Victor Krasnobayev
Sergey Koshman
Dmytro Kovalchuk

DOI:

https://doi.org/10.26906/SUNZ.2022.1.065

Ключові слова:

штучний інтелект, система числення в залишкових класах, обробка інформації людським мозком, непозиційна система числення

Анотація

Предметом статті є розгляд концепції побудови системи штучного інтелекту (ШІ) з урахуванням застосування непозиційної системи залишкових класів (СЗК). Ця концепція полягає в гіпотезі про голографічний принцип побудови пам'яті біологічних систем. Метою статті є розгляд методу побудови інформаційної моделі процесу обробки інформації мозком людини, виходячи з припущення, що зберігання та обробка інформації здійснюється у СЗК. Задачі: розглянути модель процесу обробки інформації мозком людини; розглянути припущену модель обробки інформації мозком людини у СЗК; дослідити вплив властивостей СЗК при створенні інтелектуальних обчислювальних систем. Методи дослідження: методи аналізу та синтезу комп'ютерних систем, аналізу даних, теорія чисел, теорія кодування у СЗК. Отримано такі результати. У статті розглядається модель процесу обробки інформації мозком людини, яка заснована на припущенні, що зберігання та обробка інформації здійснюється у СЗК. При прийнятті гіпотези про голографічн ий принцип обробки інформації людським мозком очевидна доцільність та ефективність побудови систем ШІ на основі моделі обробки інформації у СЗК. Це пов'язано з тим, що принципи та методи обробки інформації в СЗК добре узгоджуються з сучасними уявленнями пр о процес обробки інформації мозком людини. Точність опису (подання) інформаційного об'єкта G залежить від кількості та значення базисів СЗК. Так, чим більше кількість основ СЗК, і чим вони більше за значенням, то точніше інформаційний об'єкт G описується з допомогою фреймів. Цей факт підтверджує доцільність використання СЗК. Висновки. Основною ідеєю дослідження є розгляд гіпотези про голографічний принцип побудови пам'яті біологічних систем. При цьому вихід із ладу однієї чи кількох комірок пам'яті не вплив ає нормальне функціонування біологічної моделі мозку, тобто кожна одиниця вихідної інформації розподіляється по всій поверхні голограми. У статті ШІ представляється як модель обчислювальних процесів, що працюють у СЗК. Таким чином, доцільність та ефективність побудови систем ШІ на основі моделі обробки інформації, що функціонує у СЗК, оцінється як очевидна.

Завантаження

Дані завантаження ще не доступні.

Посилання

A. Kaplan and M. Haenlein, "Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence," Business Horizons, vol. 62, no. 1, pp. 15–25, Jan. 2019, doi: 10.1016/j.bushor.2018.08.004.

S. E. Dreyfus, "Artificial neural networks, back propagation, and the Kelley-Bryson gradient procedure," Journal of Guidance, Control, and Dynamics, vol. 13, no. 5, pp. 926–928, Sep. 1990, doi: 10.2514/3.25422.

J. Schmidhuber, "Deep learning in neural networks: An overview," Neural Networks, vol. 61, pp. 85–117, Jan. 2015, doi: 10.1016/j.neunet.2014.09.003.

P. A. Vikhar, "Evolutionary algorithms: A critical review and its future prospects," in 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC), Dec. 2016, pp. 261–265. doi: 10.1109/ICGTSPICC.2016.7955308.

L. A. Zadeh, "Fuzzy sets," Information and Control, vol. 8, no. 3, pp. 338–353, Jun. 1965, doi: 10.1016/S0019-9958(65)90241-X.

F. J. Pelletier, "Petr Hájek. Metamathematics of fuzzy logic. Trends in logic, vol. 4. Kluwer Academic Publishers, Dordrecht, Boston, and London, 1998, viii + 297 pp.," Bulletin of Symbolic Logic, vol. 6, no. 3, pp. 342–346, Sep. 2000, doi: 10.2307/421060.

V.M. Amerbaev, R.A. Solovyev, A.L. Stempkovskiy, D.V. Telpukhov, "Efficient calculation of cyclic convolution by means of fast Fourier transform in a finite field", in: Proceedings of IEEE East-West Design Test Symposium (EWDTS 2014), 2014:pp. 1–4. https://doi.org/10.1109/EWDTS.2014.7027043.

"White Paper on Artificial Intelligence: a European approach to excellence and trust," European Commission - European Commission. https://ec.europa.eu/info/publications/white-paper-artificial-intelligence-european-approach-excellence-and-trust_en (accessed Apr. 23, 2021).

A. S. Tanenbaum and M. V. Steen, Distributed Systems: Principles and Paradigms, US Ed edition. Upper Saddle River, N.J: Prentice Hall, 2002.

A. Lieto, C. Lebiere, and A. Oltramari, "The knowledge level in cognitive architectures: Current limitations and possible developments," Cognitive Systems Research, vol. 48, pp. 39–55, May 2018, doi: 10.1016/j.cogsys.2017.05.001.

J. O. Tuazon, "Residue number system in computer arithmetic," Doctor of Philosophy, Iowa State University, Digital Repository, Ames, 1969. doi: 10.31274/rtd-180816-2270.

J. L. P. velazquez and R. Wennberg, Eds., Coordinated Activity in the Brain, Measurements and Relevance to Brain Function and Behavior. New York: Springer-Verlag, 2009. doi: 10.1007/978-0-387-93797-7.

O. Goloubeva, M. Rebaudengo, M. S. Reorda, and M. Violante, Eds., "Achieving Fault Tolerance," in Software-Implemented Hardware Fault Tolerance, Boston, MA: Springer US, 2006, pp. 117–151. doi: 10.1007/0-387-32937-4_4.

V. Krasnobayev, A. Kuznetsov, A. Yanko, and T. Kuznetsova, "The analysis of the methods of data diagnostic in a residue number system," in Proceedings of The Third International Workshop on Computer Modeling and Intelligent Systems (CMIS-2020), Zaporizhzhia, Ukraine, April 27-May 1, 2020, 2020, vol. 2608, pp. 594–609. Accessed: Jul. 02, 2020. [Online]. Available: http://ceur-ws.org/Vol-2608/paper46.pdf

Y. Zhang, "An FPGA implementation of redundant residue number system for low-cost fast speed fault-tolerant computations," Thesis, 2018. doi: 10.32657/10220/47113.

V. Krasnobayev, A. Kuznetsov, A. Yanko, and K. Kuznetsova, "The data errors control in the modular number system based on the nullification procedure," in Proceedings of The Third International Workshop on Computer Modeling and Intelligent Systems (CMIS-2020), Zaporizhzhia, Ukraine, April 27-May 1, 2020, 2020, vol. 2608, pp. 580–593. Accessed: Jul. 02, 2020. [Online]. Available: http://ceur-ws.org/Vol-2608/paper45.pdf

D.I. Popov, A.V. Gapochkin, "Development of Algorithm for Control and Correction of Errors of Digital Signals, Represented in System of Residual Classes", in: 2018 International Russian Automation Conference (RusAutoCon), 2018: pp. 1–3. https://doi.org/10.1109/RUSAUTOCON.2018.8501826.

P.V. Ananda Mohan, "Specialized Residue Number Systems", in: P.V.A. Mohan (Ed.), Residue Number Systems: Theory and Applications, Springer International Publishing, Cham, 2016: pp. 177–193. https://doi.org/10.1007/978-3-319-41385-3_8.

D. I. Popov and A. V. Gapochkin, "Development of Algorithm for Control and Correction of Errors of Digital Signals, Represented in System of Residual Classes," in 2018 International Russian Automation Conference (RusAutoCon), Sep. 2018, pp. 1–3. doi: 10.1109/RUSAUTOCON.2018.8501826.

T.-C. Huang, "Self-Checking Residue Number System for Low-Power Reliable Neural Network," in 2019 IEEE 28th Asian Test Symposium (ATS), Dec. 2019, pp. 37–375. doi: 10.1109/ATS47505.2019.000-3.