Masłoloty? Tak, masłoloty.

Masłoloty są w Polsce bardzo popularne, nie tylko ze względu na walory estetyczne. Swą niegasnącą estymę zawdzięczają… sztuce kulinarnej. I może stąd wzięła się ta — na pozór — zaskakująca kombinacja wyrazów określających te pożyteczne stworzenia w języku angielskim „butterfly”. Niegdyś przecież — zapytajcie starszych — motyle były popularnym surowcem, z którego wytwarzano pyszne masło. Powiedzenie „motyla noga” ma swój źródłosłów właśnie z czynności wytwarzania masła. Bardzo często kończyny motyla wyślizgiwały się z maśniczki podczas robienia masła i powodowały ujadanie głodnych psów. Gospodarz krzyczał wtedy „motyla noga!”. Masło z motyli było bardzo zdrowe, a polskie łąki mogły nieco odetchnąć od huraganów wywołanych trzepnięciem motylich skrzydeł w Australii. Ale to tak tytułem wstępu.

Masło.

Dyskretyzacja masła.

Nudząc się, stworzyłem w środowisku Matlab program, który rysuje masłolota. Niestety wirtualne masło nie zaspokoi naszych kubków smakowych, jednakże można sprawdzić efektywną ilość masła zakładając odpowiednią wielkość motyla. Program charakteryzuje się projekcją motyla o danych parametrach, następnie jest stworzona sieć neuronowa, która jest poddawana procesowi uczenia się.

Masło w wersji dyskretnej.

Celem jest nauczenie sieci rysowania takiego samego motyla. Sieć uczy się poprzez powtarzanie trajektorii składających się na danego masłolota. Jak każde latające masło — nie wiadomo gdzie poleci. W swoim środowisku naturalnym zachowuje się bardzo chaotycznie i dlatego widoczna jest dysproporcja w gęstości masła na danym skrzydle. Chaos deterministyczny czy jakoś tak.
Jak już sieć przejdzie proces uczenia się to przychodzi pora na sprawdzian w całkowicie nowych warunkach. Sieć neuronowa może składać się z wielu warstw i charakteryzować się różnymi funkcjami aktywacji.

Struktura 3-warstwowej sieci neuronowej do wykrywania jednego włókna latającego masła.

Sprawdzian na nowej łące.

Rzuty na trzech kierunkach coby masło się nie wyślizgnęło.

Rzut na płaszczyznę tworzącą łąkę.

Sieć neuronowa nauczyła się poprawnie odwzorowywać masłolota, jednakże tylko do około połowy czasu trwania jego lotu. Później masłolot wymykał się spod kontroli. Lokował większe ilości masła w jednym ze skrzydeł, natomiast sieć neuronowa podążała za drugim skrzydłem.

Jednoskrzydlate...

Bardzo dobrym wyjściem z tej sytuacji jest zaprojektowanie masłolota o jednym skrzydle. Wtedy daleko nie zaleci. Stworzona sieć neuronowa okazuje się bardzo pojętną uczennicą. Chaosu brak, uczenie przebiega w bezstresowej atmosferze.

Jednoskrzydlaty masłolot (dane uczące).

Sprawdzian na nowej łące.

Rzuty na trzech kierunkach.

Konkluzja

Współczesny świat postawił przed sztuczną inteligencją niemały problem. Stworzenie skutecznej projekcji latającego masła znacznie ułatwiłoby jego pozyskiwanie w naturalnych warunkach. Jednakże masłoloty wokół nas są z reguły dwuskrzydłowe. Minusem sieci neuronowych jest to, że zajmują się odwzorowaniem danych, które dostają na wejście. Wewnątrz może być jeszcze wiele warstw, wiele neuronów w każdej warstwie, wiele funkcji aktywacji i duża różnorodność w tych funkcjach. Mogą być nakładane różne warunki, po których proces uczenia się kończy. Dane, dane i jeszcze raz dane. Im więcej danych tym lepiej. Co jednak zrobić z takim psikusem jak masłolot, którego zamiarów co do rozłożenia gęstości masła na danym skrzydle nie można przewidzieć? Ano wtedy mamy problem. Bo skąd sieć ma wiedzieć, że masłolot będzie rozkładał masło równolegle? Nie może tego wiedzieć. A masłolot nie rozkłada równomiernie masła na swoich skrzydełkach.
Wniosek: sieć neuronowa nie nadaje się do skutecznego projektowania masłolotów.

---

zdjęcie: pixabay;

wykresy wygenerowane w Matlabie

---

Wpis dodany jako nawiązanie do tematu pierwszego 38. edycji Tematów Tygodnia.