НЕЙРОНИ, МЕРЕЖИ ТА НЕКСУСИ

Майкл Ранфельд
michaelrahnfeld@protonmail.com

UDC 141

DOI 10.31733/2786-491X-2022-1-54-75

Ключові слова: штучні нейронні мережі, Вайтгед, коннекціонізм

Анотація. В статті обговорюються проблеми розвитку штучних нейронних мереж (IШНМ) в контексті методології А.Н. Вайтгеда. Ідея про те, що сама природа контролює процес навчання, зводиться до пантеїзму чи атеїзму з теологічної точки зору; бо поза природою жоден інший механізм контролю не задіяний. З іншого боку, якщо припустити існування якогось експерта, є сутність, відмінна від ШНМ. Має сенс звести поняття експерта не лише до його систематичних функцій, а й включити в нього додаткові людські якості, які при бажанні могли б наблизити його до особистого Бога.

Стаття присвячена розгляду програмних можливостей коннекціонізму для процесного мислення. Автор доводить, що між концепцією Вайтгеда і ШНМ є чіткі відмінності, оскільки у випадку ШНМ йдеться виключно про якомога точніше й ефективніше вивчення певної мети, якою б вона не була, тоді як Вайтгед займається естетичною інтенсифікацією контрастів глобального зв’язку. Поетапне регулювання ваг нейронів є лише виразом прогресу навчання без будь-яких додаткових аспектів. Для Вайтгеда загальний розподіл ваги як вираз естетичної гармонії мав би вирішальне значення для якості зв’язку, наприклад, на основі міри ентропії, але це не відіграє жодної ролі для якості ШНМ, яка вимірюється виключно її здатністю до навчання. Крім того, самовизначення або самореалізація не мають значення для нейронів на відміну від реальних сутностей. Але це також є фундаментальною проблемою для самого Вайтгеда, оскільки немає змістовного застосування цих термінів у сфері елементарних процесів.

Наголошено, що основною рисою онтології Вайтгеда є те, що світ являє собою диз’юнктивно різноманітну безліч, яка вступає у складну єдність. Те саме стосується потоку даних нейронів: у новому нейроні дані успадковуються, переробляються та надходять у наступні нейронні процеси тощо. У більш широкому сенсі, творчість неминуча в процесах ШНМ, оскільки якщо швидкість навчання занадто велика, збіжність функції помилки більше не гарантується; якщо швидкість занадто мала, кількість необхідних тренувальних пробіжок може стати дуже великою. Під час коригування ваг може статися так, що оптимізація застрягне в локальному мінімумі.