Аксоны и дендриты различных клеток переплетаются и соединяются во многих (до тысячи) контактных точках. Через эти контакты — синапсы — может передаваться возбуждение от аксона одного нейрона к дендриту другого.
Нейроны плотно окружены так называемыми глиальными клетками, которых раз в десять больше, чем нейронов. Раньше считали, что эти клетки лишь «закрепляют» нейроны на месте или помогают им питаться. Однако последние исследования показали: глиальные клетки активно участвуют в проведении нервных импульсов, в формировании реакций и некоторых проявлениях функций памяти. Похоже, что разум равномерно «размазан» по всем структурам нервной системы.
Для создания моделей нейрона применяют главным образом метод физического моделирования. Это естественно: ведь инженеры стремятся разработать элементы для электронных или иных вычислительных машин будущего. Конечно, это должно быть вполне реальное yc тройство, как можно белее компактное и дешёвое. Методом математического моделирования пользуются главным образом при моделировании нейронных сетей.
Прежде чем начать работать над моделью, необходимо из всего многообразия свойств живой нервной клетки выбрать те, которые кажутся наиболее существенными для выполнения поставленной экспериментатором задачи. Этот процесс часто называют формализацией нейрона. Первая модель нейрона, дающая его формальное описание и позволяющая применять аппарат математической логики для анализа и синтеза сетей из нейронов, была предложена У. С. Мак — Калло — ком и У. Питтсом. Допущения, принятые ими. сводятся в основном к тому, что нейрон: имеет и входоь и один выход (аксон) с одной или несколькими концевыми пластинками; может находиться в одном из двух состояний: возбуждения или покоя (т.е. работает по принципу «всё или ничего»); имеет входы (синапсы, возбуждающие и тормозящие; активность какого — либо тормозящего синапса абсолютно исключает возбуждение нейрона; располагает некоторым определённым числом синапсов, при одновременном возбуждении которых он сам приходит в состояние возбуждения; это число не зависит от предыдущего состояния нейрона и от расположения синапсов на нём.
Три последних положения лишь частично отражают реальные свойства нейрона. Дело в том, что эта модель является математической абстракцией, предназначенной для моделирования нейронных сетей на цифровых вычислительных машинах. Электронные модели нейрона гораздо точнее копируют его свойства.
Для имитации нейронов применяют магнитные ферритовые магнитопроводы, специальные генераторы и другие устройства. Модель нейрона Мак — Каллока и Питтса с мультивибратором показана на рис. 67. Она позволяет воспроизвести многие характеристики нейрона, кроме его способности к адаптации, т. е. к изменению порога срабатывания в зависимости от уровня входных сигналов. Следует иметь в виду, что модель Мак — Каллока и Питтса сильно упрощена. Биологический нейрон значительно сложнее.
РЕШЕНИЕ ЛОГИЧЕСКИХ ЗАДАЧ
Важнейшим практическим результатом кибернетики является использование знаний о работе нервной системы животных и человека для конструирования машин, способных выполнять некоторые их функции.
Современная символическая логика установила, что многие из них можно выразить тремя логическими функциями: НЕ, И, ИЛИ, т. е. отрицание, конъюнкция и дизъюнкция. Поскольку перед машиной ставят задачу осуществления действий, аналогичных действиям человека, его рассуждениям, она должна уметь отрицать, соединять и разделять.
Проиллюстрируем основные операции алгебры логики логическими схемами (рис. 68). Например: устройство И — лампа загорится тогда, когда будут замкнуты оба ключа А и В; устройство ИЛИ — лампа загорится тогда, когда замкнут ключ А или В; устройство НЕ — лампа загорится при каком угодно положении ключа, только не А. Комбинируя эти и им подобные устройства конструкции, получают вычислительные машины, способные решать очень сложные логические задачи.
Если в релейных машинах роль ключа играли электромеханические реле, то в электронных эта роль была поручена сначала электровакуумным приборам — радиолампам, а затем на смену им пришли транзисторы. Это позволило уменьшить размеры машин, повысить их быстродействие. Именно бурное развитие электроники вызвало быструю смену поколений ЭВМ и расширило их возможности.
Но прежде чем говорить о поколениях ЭВМ, полезно вспомнить, что такое электронные полупроводниковые элементы и какова история их появления.
В 1922 году молодой русский физик О. В. Лосев открыл новый эффект. Работая в лаборатории М. А. Бонч-Бруевича с парой кристалл — проволока, он установил, что это нехитрое устройство усиливает электрические колебания. Используя этот эффект, он построил радиоприёмник (всего из шести деталей), не требовавший электропитания. Это и было, по существу, открытие и первое применение полупроводникового элемента. Зарубежная печать восторгалась: «Молодой русский изобретатель безвозмездно передал своё изобретение миру, не взяв на него патента!», «Кристалл заменил лампу!» и т.д. О. В. Лосев — изобретатель транзистора — скромно трудился вплоть до своей смерти (1942 г.) в блокадном Ленинграде. Он прожил всего 39 лет. Открытие О. В. Лосева дало толчок новым исследованиям, в результате которых и были созданы современные полупроводниковые усилительные элементы — транзисторы, заменившие электровакуумные лампы.
Транзисторы положили начало новой области техники — микроэлектроники. На их основе созданы интегральные микросхемы, и в частности, цифровые. Таким образом, конструкторы получили в своё распоряжение уникальную элементную базу, позволившую создать исключительные по быстродействию и возможностям целые поколения ЭВМ.
КИБЕРНЕТИЧЕСКИЕ ЖИВОТНЫЕ
Мы узнали, как использовать кибернетику для конструирования думающих машин, заменяющих человека в его логической функции. Но. вскрывая то общее, что имеется у живого организма и машины, кибернетика не ограничивается мыслительной деятельностью человека. Она изучает все особенности поведения живых существ, которые могут быть воспроизведены в машине. И используется эта наука для моделировання не только мышления человека, но и всех других функций нервной системы.
Простейшие автоматические устройства действуют строго по заданной программе. Их поведение не меняется в зависимости от окружающих условий — они не приобретают опыта. Естественно, возникает вопрос: нельзя ли такую особенность регулирования живых ортанизмов. как умение приспосабливаться к среде, придать машине?
