Perbandingan tolok ukur sistem yang terdiri dari jaringan yang dilatih secara terpisah relatif terhadap jaringan yang lebih dalam satu kemungkinan tidak akan mengungkapkan pilihan terbaik yang berlaku secara universal. 1 Kita dapat melihat dalam literatur peningkatan jumlah sistem yang lebih besar di mana beberapa jaringan buatan digabungkan, bersama dengan jenis komponen lainnya. Itu yang diharapkan. Modularisasi sebagai sistem tumbuh dalam kompleksitas dan tuntutan pada kinerja dan pertumbuhan kemampuan adalah setua industrialisasi.
Laboratorium kami bekerja dengan kontrol robot, instrumentasi termodinamika, dan analisis data, jaringan buatan adalah komponen dalam konteks sistem yang lebih besar ini. kami tidak memiliki MLP atau RNN tunggal yang dengan sendirinya melakukan fungsi apa pun yang bermanfaat.
Bertentangan dengan dugaan tentang hierarki beberapa dekade yang lalu, pendekatan topologi yang tampaknya bekerja dengan baik dalam banyak kasus mengikuti hubungan modul sistem yang lebih umum yang terlihat di pembangkit listrik, pabrik otomatis, aeronautika, arsitektur informasi perusahaan, dan kreasi rekayasa rumit lainnya. Koneksi adalah koneksi, dan jika dirancang dengan baik, fungsi pengawasan minimal. Aliran terjadi antara modul yang melibatkan protokol untuk komunikasi, dan setiap modul menjalankan fungsinya dengan baik, merangkum tingkat kompleksitas dan detail fungsional yang lebih rendah. Ini bukan satu jaringan yang mengawasi yang tampaknya muncul paling efektif dalam praktik aktual tetapi keseimbangan dan simbiosis. Identifikasi desain master-slave yang jelas di otak manusia tampaknya sama-sama licin.
Tantangannya adalah tidak menemukan jalur informasi yang membentuk topologi informasi sistem. Aliran informasi sering jelas pada analisis masalah. Kesulitannya adalah dalam menemukan strategi terbaik untuk melatih jaringan independen ini. Ketergantungan pelatihan adalah umum dan sering kritis, sedangkan pada hewan, pelatihan terjadi in situ atau tidak sama sekali. Kami menemukan kondisi di mana pembelajaran semacam itu dalam sistem kami praktis dan bagaimana mencapainya. Sebagian besar penelitian kami sejalan dengan ini dimaksudkan untuk menemukan cara untuk mencapai keandalan yang lebih tinggi dan beban yang lebih rendah dalam hal jam penelitian untuk mendapatkannya.
Fungsionalitas yang lebih tinggi tidak selalu bermanfaat. Ini sering menghasilkan keandalan yang lebih rendah dan mengkonsumsi sumber daya pengembangan tambahan dengan sedikit pengembalian. Temukan cara untuk mengawinkan otomatisasi tingkat tinggi, penghematan sumber daya, dan keandalan dalam satu proses pengembangan, dan Anda mungkin memenangkan penghargaan dan penyebutan terhormat di web.
Sistem paralel yang memiliki tujuan yang sama adalah ide yang bagus, tetapi bukan yang baru. Dalam satu sistem aeronautika, sembilan sistem paralel memiliki tujuan yang sama, dalam kelompok tiga. Setiap kelompok menggunakan pendekatan komputasi yang berbeda. Jika dua sistem menggunakan pendekatan yang sama memberikan output yang sama dan yang ketiga berbeda, output yang cocok digunakan dan perbedaan yang ketiga dilaporkan sebagai kesalahan sistem. Jika dua pendekatan yang berbeda memberikan hasil yang serupa dan yang ketiga berbeda secara substansial, gabungan dari dua hasil yang serupa digunakan dan yang ketiga dilaporkan sebagai kasus penggunaan untuk lebih mengembangkan pendekatan perbedaan pendapat.
Toleransi kesalahan yang ditingkatkan memiliki biaya, delapan sistem lebih banyak dan sumber daya komputasi serta konektivitas yang terkait ditambah dengan pembandingnya, tetapi dalam sistem yang merupakan masalah hidup dan mati, biaya tambahan dibayarkan dan keandalannya dimaksimalkan.
Adaptasi topologi dinamis terkait dengan sistem redundan dan toleransi kesalahan tetapi dalam beberapa hal cukup berbeda. Dalam bidang pengembangan itu, teknologi untuk mengikuti adalah komputasi neuromorfik, yang sebagian terinspirasi oleh neuroplastisitas.
Satu perbedaan terakhir untuk dipertimbangkan adalah antara topologi proses, topologi data, dan topologi perangkat keras. Ketiga kerangka geometrik ini dapat menghasilkan efisiensi yang lebih besar bersama jika disejajarkan dengan cara-cara spesifik yang menghasilkan pemetaan lebih langsung antara hubungan antara aliran, representasi, dan mekanika. Namun, mereka adalah topologi yang berbeda. Arti keselarasan mungkin tidak jelas tanpa masuk ke dalam konsep-konsep ini dan rincian yang muncul untuk tujuan produk atau layanan tertentu.
Catatan kaki
[1] Jaringan dalam yang dilatih sebagai satu kesatuan dan fungsi tanpa konektivitas ke jaringan buatan lainnya tidak harus bersifat monolitik. Sebagian besar jaringan dalam praktis memiliki urutan lapisan yang heterogen dalam hal fungsi aktivasi mereka dan seringkali jenis sel mereka.