Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
ГЛАВА 1. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ<br />
1.1. Введение<br />
Первые исследования, посвященные применению нейронных сетей (или<br />
персептронов) для решения химических задач, были осуществлены еще в начале<br />
70-х годов в СССР [1, 2], но эти пионерные работы не были должным образом<br />
оценены и оказались практически забытыми. Лишь в конце 80-х годов возродился<br />
интерес химиков к подобному подходу, и он начал стремительно расти<br />
[3].<br />
Нейронные сети (часто называемые искусственными нейронными сетями,<br />
вычислительными нейронными сетями или просто нейросетями) представляют<br />
собой упрощенную математическую модель обработки информации головным<br />
мозгом человека [4-9]. Однако большинство современных архитектур нейронных<br />
сетей не воспроизводят в точности биологическую модель мозга, скорее,<br />
они могут рассматриваться в рамках класса алгоритмов статистического анализа<br />
данных [10-24], объединенных под общим названием нейроинформатики.<br />
Кроме того, нейронные сети часто рассматривают как высоко-паралелльные<br />
методы решения задач вычислительной математики в «нейросетевом базисе»<br />
(что составляет предмет особой области вычислительной математики – нейроматематики<br />
[25]), на базе которых работают основанные на пороговой логике<br />
высокопроизводительные высоко-параллельные вычислительные устройства –<br />
нейрокомпьютеры [26-29].<br />
Благодаря своей способности обучаться и обобщать данные, нейросети<br />
начали успешно применяться в химии, особенно в тех случаях, когда неизвестен<br />
аналитический вид зависимости между структурой и свойствами соединений<br />
[30-40].<br />
13