単一のより深いネットワークと比較して個別にトレーニングされたネットワークで構成されるシステムのベンチマーク比較では、一般的に適用可能な最良の選択肢は明らかになりません。1文献では、いくつかの人工ネットワークが他のタイプのコンポーネントと組み合わされた、より大きなシステムの数の増加を見ることができます。それは予想されることです。システムが複雑になり、パフォーマンスと機能に対する要求が増大するにつれてモジュール化されるのは、工業化と同じくらい古い。
私たちの研究室は、ロボット制御、熱力学的計測、およびデータ分析で動作し、人工ネットワークはこれらのより大きなシステムコンテキストのコンポーネントです。単独で有用な機能を実行する単一のMLPまたはRNNはありません。
数十年前の階層に関する推測とは反対に、ほとんどの場合うまく機能すると思われるトポロジアプローチは、発電所、自動化された工場、航空、エンタープライズ情報アーキテクチャ、およびその他の複雑な工学的作成で見られるより一般的なシステムモジュールの関係に従います。接続はフローの接続であり、それらが適切に設計されていれば、監視機能は最小限です。通信用のプロトコルを含むモジュール間でフローが発生し、各モジュールはその機能を適切に実行し、より低いレベルの複雑さと機能の詳細をカプセル化します。別のネットワークを監督するネットワークではなく、実際の実践で最も効果的と思われるのは、バランスと共生です。人間の脳内の明確なマスタースレーブ設計の特定は、同様に滑りやすいようです。
課題は、システム情報トポロジを構成する情報パスを見つけることではありません。多くの場合、情報の流れは問題分析で明らかになります。困難なのは、これらの独立したネットワークを訓練するための最良の戦略を発見することです。トレーニングの依存関係は一般的であり、しばしば重要です。一方、動物では、トレーニングはその場で行われるか、まったく行われません。私たちは、システムでのそのような学習が実際的である条件と、それを達成する方法を発見しています。これらの方針に沿った私たちの研究のほとんどは、それを得るための研究時間の観点からより高い信頼性とより低い負担を達成する方法を発見することを目的としています。
より高い機能性が常に有益であるとは限りません。多くの場合、信頼性が低くなり、追加の開発リソースをほとんど消費せずに消費します。より高いレベルの自動化、リソース節約、および信頼性を1つの開発プロセスに統合する方法を見つけてください。ウェブ上で賞を受賞し、称賛に値するものになるかもしれません。
同じ目的を持つ並列システムは良いアイデアですが、新しいものではありません。1つの航空システムでは、3つのグループで、9つの並列システムの目的が同じです。各グループは異なるコンピューティングアプローチを使用します。同じアプローチを使用する2つのシステムが同じ出力を提供し、3番目のシステムが異なる場合、一致する出力が使用され、3番目の違いがシステム障害として報告されます。2つの異なるアプローチが同様の結果を提供し、3番目のアプローチが大幅に異なる場合、2つの同様の結果のマージが使用され、3番目は反対アプローチをさらに発展させるユースケースとして報告されます。
フォールトトレランスの改善には、コスト、8つのシステムおよび関連するコンピューティングリソースと接続性、そして最後にコンパレータがありますが、生死にかかわるシステムでは、余分なコストが支払われ、信頼性が最大化されます。
動的トポロジ適応は、冗長システムとフォールトトレランスに関連していますが、いくつかの点でまったく異なります。その開発分野では、従うべき技術はニューロモーフィックコンピューティングであり、これは神経可塑性に一部影響を受けています。
最後に考慮すべき違いは、プロセストポロジ、データトポロジ、およびハードウェアトポロジです。これらの3つの幾何学的なフレームは、フロー、表現、およびメカニズム間の関係をより直接的にマッピングする特定の方法で位置合わせされると、いっそう効率を上げることができます。ただし、これらは別個のトポロジです。これらの概念と、特定の製品またはサービスの目的のために浮かび上がる詳細に深く入り込まないと、調整の意味が明らかにならない場合があります。
脚注
[1]単一のユニットとしてトレーニングされ、他の人工ネットワークに接続せずに機能するディープネットワークは、必ずしもモノリシックではありません。最も実用的なディープネットワークは、活性化機能と多くの場合セルタイプの観点から、レイヤーの異種シーケンスを持っています。