تکامل شبکه عصبی اسپایکی، مدل ایژیکویچ برای کنترل موجودات مصنوعی

شبکه ‏های عصبی مصنوعی یکی از پرکاربردترین ساختارهای مورد استفاده در هوش مصنوعی است. به تازگی شبکه ‏های عصبی اسپایکی به دلیل ماهیت بیولوژیکی خود به شبکه‏ هایی کاملا عمومی و مورد توجه تبدیل شده ‏اند. با استفاده از مدل ‏های اسپایکی نورونی، شبکه ‏های عصبی اسپایکی قادر به رمزگذاری اطلاعات مکانی و زمانی در هر دو بعد زمان اسپایک و نرخ اسپایک می‏ باشند. از میان مدل‏ های نورونی مختلف، مدل ایژیکویچ برای این پروژه انتخاب شده است، زیرا از نظر محاسباتی ساده و به لحاظ بیولوژیکی مقبولیت دارد. یکی از موضوعات مهم و مورد توجه محققان، مطالعه رفتاری موجودات مصنوعی است که شبکه عصبی آنها از نوع شبکه عصبی اسپایکی می‏ باشد به گونه ‏ای که موجود مصنوعی باید رفتارهای طبیعی موجود زنده واقعی را تقلید کند. موجود زنده ورودی ‏های حسی را از محیط خارجی دریافت می‏ کند و پس از پردازش این اطلاعات، عکس العمل مناسب را انجام می‏ دهد؛ مثلا با دیدن منبع غذایی در محیط شروع به حرکت به سمت آن می‏ کند یا با دیدن شکارچی از آن می‏ گریزد. انجام این اعمال مربوط به سیستم عصبی است که با گذر زمان تکامل می ‏یابد. از زمان پیدایش شبکه‏ های عصبی مصنوعی، طراحی و آموزش شبکه عصبی به نحوی که قابلیت تعمیم مناسبی داشته باشد از جمله موضوعات مهم در زمینه هوش مصنوعی بوده است. روش های مختلفی برای طراحی و آموزش شبکه ‏های عصبی ارائه شده که می‏توان به الگوریتم های تکاملی اشاره کرد. دراین پژوهش، ازالگوریتم ژنتیک به عنوان یکی ازالگوریتم های تکاملی برای یافتن بهترین توپولوژی شبکه عصبی موجودات مصنوعی استفاده شده است. بهترین توپولوژی شبکه در اینجا مربوط به موجودی است که بتواند با یافتن غذا، مدت زمان بیشتری در محیط زنده بماند. ساختار شبکه عصبی موجودات مصنوعی از لحاظ اینکه چگونه در محیط مجازی عمل می ‏کنند به طرق مختلف طراحی و شبیه ‏سازی شده است. نتایج شبیه ‏سازی نشان می‏دهد که الگوریتم ژنتیک در تمام این روش‏ ها به گونه ‏ای قابل قبول عمل می ‏کند و قابلیت پیدا کردن یا سنتز موجود مصنوعی که بتواند در محیط به طور موفقیت آمیزی زندگی کند را دارد. همچنین با الهام گرفتن از موجوداتی مانند زنبورها، مورچه ‏ها و پرندگان که در طبیعت به طور گروهی عمل می‏ کنند، از رویکرد کلونی برای بهبود عملکرد موجودات مصنوعی شبیه‏ سازی شده در محیط مجازی استفاده شده است. نتایج گویای این موضوع است که دسته‏ ای از موجود مصنوعی ساده با تعداد نورون کم نسبت به یک موجود پیچیده با تعداد نورون زیاد در شرایط یکسان، بهتر عمل می‏ کند به گونه‏ ای که در حالت کلونی پس از طی شدن روند تکاملی به کلونی هایی از موجودات مصنوعی می ‏رسیم که قادرند تمامی غذاهای به طور تصادفی پخش شده در محیط را بیابند و زنده بمانند.