mireabulletinRussian Technological JournalRussian Technological Journal2782-32102500-316XRTU MIREA10.32362/2500-316X-2022-10-5-7-15mireabulletin-563Research ArticleИНФОРМАЦИОННЫЕ СИСТЕМЫ. ИНФОРМАТИКА. ПРОБЛЕМЫ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИINFORMATION SYSTEMS. COMPUTER SCIENCES. ISSUES OF INFORMATION SECURITYСтруктура ассоциативно-гетерархической памятиStructure of associative heterarchical memoryhttps://orcid.org/0000-0003-4789-0736ДушкинР. В.DushkinR. V.

Душкин Роман Викторович - эксперт в области искусственного интеллекта, директор по науке и технологиям.

127591, Москва, ул. Дубнинская, д. 75Б, стр. 2, офис 10.

Scopus Author ID 14070035900, SPIN-код РИНЦ 1371-0337

Roman V. Dushkin - Expert in the Field of Artificial Intelligence, Science and Technology Director, Artificial Intelligence Agency.

75B, build. 2, off. 10, Dubninskaya ul., Moscow, 127591.

Scopus Author ID 14070035900, RSCI SPIN-code 1371-0337

drv@aiagency.ruhttps://orcid.org/0000-0002-6150-980XЛелековаВ. А.LelekovaV. A.

Лелекова Василиса Алексеевна – аналитик.

127591, Москва, ул. Дубнинская, д. 75Б, стр. 2, офис 10.

Vasilisa A. Lelekova - Analyst, Artificial Intelligence Agency.

75B, build. 2, off. 10, Dubninskaya ul., Moscow, 127591.

lv@aiagency.ruhttps://orcid.org/0000-0003-0783-000XСтепаньковВ. Ю.StepankovV. Y.

Степаньков Владимир Юрьевич - технический директор.

127591, Москва, ул. Дубнинская, д. 75Б, стр. 2, офис 10.

Scopus Author ID 57226776426

Vladimir Y. Stepankov - Technical Director, Artificial Intelligence Agency.

75B, build. 2, off. 10, Dubninskaya ul., Moscow, 127591.

Scopus Author ID 57226776426

svu@aiagency.ruhttps://orcid.org/0000-0001-9064-0017ФадееваС.FadeevaS.

Фадеева Сандра - главный аналитик.

127591, Москва, ул. Дубнинская, д. 75Б, стр. 2, офис 10.

Sandra Fadeeva - Chief Analyst, Artificial Intelligence Agency.

75B, build. 2, off. 10, Dubninskaya ul., Moscow, 127591.

sf@aiagency.ruАгентство Искусственного ИнтеллектаРоссияArtificial Intelligence AgencyRussian Federation202220102022105715Copyright © Душкин Р.В., Лелекова В.А., Степаньков В.Ю., Фадеева С., 20222022Душкин Р.В., Лелекова В.А., Степаньков В.Ю., Фадеева С.Dushkin R.V., Lelekova V.A., Stepankov V.Y., Fadeeva S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rtj-mirea.ru/jour/article/view/563Цели

Цели. Начиная с ХХ века методы искусственного интеллекта разделяют на две парадигмы - нисходящую и восходящую. Методы восходящей парадигмы сложно интерпретировать в виде вывода естественного языка, а в методах нисходящей парадигмы затруднена актуализация информации. Обработка естественного языка (NLP, от англ. Natural Language Processing) искусственным интеллектом остается актуальной проблемой современности. Основная задача NLP - создание программ, способных обрабатывать и понимать естественные языки. С учетом авторского подхода к построению агентов искусственного интеллекта (ИИ-агентов) обработка естественного языка должна также вестись на двух уровнях: на нижнем - при помощи методов восходящей парадигмы и на верхнем - при помощи символьных методов нисходящей парадигмы. Для решения этих задач авторами предложен новый математический формализм - ассоциативно-гетерархическая память (АГ-память), структура и функционирование которой основаны как на бионических принципах, так и на достижениях обеих парадигм искусственного интеллекта.

Методы

Методы. Использованы методы искусственного интеллекта и алгоритмы распознавания естественного языка.

Результаты

Результаты. Ранее авторским коллективом была исследована проблема привязки символов в приложении к АГ-памяти. В ней привязка абстрактных символов осуществлялась с помощью мультисенсорной интеграции. При этом первичные символы, получаемые программой, преобразовывались в интегрированные абстрактные символы. В данной статье приведено полное описание АГ-памяти в виде формул, пояснений к ним и соответствующим схемам.

Выводы

Выводы. В статье представлена максимально универсальная структура АГ-памяти. При работе с АГ-памятью из множества возможных модулей следует выбирать те части АГ-памяти, которые обеспечивают успешное и эффективное функционирование ИИ-агента.

Objectives

Objectives. Since the 20th century, artificial intelligence methods can be divided into two paradigms: top-down and bottom-up. While the methods of the ascending paradigm are difficult to interpret as natural language outputs, those applied according to the descending paradigm make it difficult to actualize information. Thus, natural language processing (NLP) by artificial intelligence remains a pressing problem of our time. The main task of NLP is to create applications that can process and understand natural languages. According to the presented approach to the construction of artificial intelligence agents (AI-agents), processing of natural language should be conducted at two levels: at the bottom, methods of the ascending paradigm are employed, while symbolic methods associated with the descending paradigm are used at the top. To solve these problems, the authors of the present paper propose a new mathematical formalism: associative heterarchical memory (AH-memory), whose structure and functionality are based both on bionic principles and on the achievements of top-down and bottom-up artificial intelligence paradigms.

Methods

Methods. Natural language recognition algorithms were used in conjunction with various artificial intelligence methods.

Results

Results. The problem of character binding as applied to AH-memory was explored by the research group in earlier research. Here, abstract symbol binding was performed using multi-serial integration, eventually converting the primary symbols produced by the program into integrated abstract symbols. The present paper provides a comprehensive description of AH-memory in the form of formulas, along with their explanations and corresponding schemes.

Conclusions

Conclusions. The most universal structure of AH-memory is presented. When working with AH-memory, a developer should select from a variety of possible module sets those AH-memory components that support the most successful and efficient functioning of the AI-agent.

искусственный интеллектобработка естественного языкаассоциативно-гетерархическая памятьИИ-агентабстрактные символыгиперсетьмодель управления предикатного символаклассификатор ролей актантовгиперграфartificial intelligencenatural language processingassociative heterarchical memoryAI-agentabstract symbolshypernetpredicate symbol control modelactant role classifierhypergraphReferencesДушкин Р.В. Искусственный интеллект. М.: ДМК-Пресс; 2019. 280 с. ISBN 978-5-97060-787-9.Dushkin R.V. Iskusstvennyi intellekt (Artificial intelligence). Moscow: DMK-Press; 2019. 280 p. (in Russ.). ISBN 978-5-97060-787-9Душкин Р.В. Обзор подходов и методов искусственного интеллекта. Радиоэлектронные технологии. 2018;3:85-89.Dushkin R.V. Review of artificial intelligence approaches and methods. Radioelektronnye tekhnologii. 2018;3: 85-89 (in Russ.).Николенко С., Архангельская Е., Кадурин А. Глубокое обучение. Погружение в мир нейронных сетей. СПб: Питер; 2018. 480 с. ISBN 978-5-496-02536-2.Nikolenko S., Arkhangel'skaya E., Kadurin A. Glubokoe obuchenie. Pogruzhenie v mir neironnykh setei (Deep learning. Immersion in the world of neural networks). St. Petersburg: Piter; 2018. 480 p. (in Russ.). ISBN 9785-496-02536-2Sarker M.K., Zhou L., Eberhart A., Hitzler P. Neuro-symbolic artificial intelligence: Current trends. AI Communications. 2021. 13 p. https://doi.org/10.48550/arXiv.2105.05330Sarker M.K., Zhou L., Eberhart A., Hitzler P. Neuro-symbolic artificial intelligence: Current trends. AI Communications. 2021. 13 p. https://doi.org/10.48550/arXiv.2105.05330Raina V., Krishnamurthy S. Natural language processing. In: Building an Effective Data Science Practice. Apress, Berkeley, CA; 2022. https://doi.org/10.1007/978-1-4842-7419-4_6Raina V., Krishnamurthy S. Natural language processing. In: Building an Effective Data Science Practice. Apress, Berkeley, CA; 2022. https://doi.org/10.1007/978-1-4842-7419-4_6Zadeh L.A. From computing with numbers to computing with words - From manipulation of measurements to manipulation of perceptions. Int. J. Appl. Math. Comput. Sci. 2002;12(3):307-324. URL: https://www.zbc.uz.zgora.pl/Content/2928/1zade.pdfZadeh L.A. From computing with numbers to computing with words - From manipulation of measurements to manipulation of perceptions. Int. J. Appl. Math. Comput. Sci. 2002;12(3):307-324. Available from URL: https://www.zbc.uz.zgora.pl/Content/2928/1zade.pdfДушкин Р.В. Развитие методов адаптивного обучения при помощи использования интеллектуальных агентов. Искусственный интеллект и принятие решений. 2019;1:87-96. https://doi.org/10.14357/20718594190108Dushkin R.V. Development of adaptive learning methods using intelligent agents. Iskusstvennyi intellekt i prinyatie reshenii. 2019;1:87-96 (in Russ.). https://doi.org/10.14357/20718594190108Zhu L., Gao W. Hypergraph ontology sparse vector representation and its application to ontology learning. In: Tan Y., Shi Y., Zomaya A., Yan H., Cai J. (Eds.). Data Mining and Big Data. International Conference on Data Mining and Big Data (DMBD 2021). Part of the Communications in Computer and Information Science. Book series. Singapore: Springer; 2021. V. 1454. P. 16-27. https://doi.org/10.1007/978-981-16-7502-7_2Zhu L., Gao W. Hypergraph ontology sparse vector representation and its application to ontology learning. In: Tan Y., Shi Y., Zomaya A., Yan H., Cai J. (Eds.). Data Mining and Big Data. International Conference on Data Mining and Big Data (DMBD 2021). Part of the Communications in Computer and Information Science. Book series. Singapore: Springer; 2021. V. 1454. P. 16-27. https://doi.org/10.1007/978-981-16-7502-7_2Кормен Т., Лейзерсон Ч., Ривест Р., Штайн К. Алгоритмы. Построение и анализ. М.: Вильямс; 2011. 1296 с. ISBN 0-07-013151-1Kormen T., Leizerson Ch., Rivest R., Shtain K. Algoritmy. Postroenie i analiz. Moscow: Vil'yams; 2011. 1296 p. (in Russ.). ISBN 0-07-013151-1 [Cormen T.H., Leiserson C.E., Rivest R.L., Stein C. Introduction to Algorithms. London: The MIT Press; 2009. 1312 p.]Horiguchi H., Winawer J., Dougherty R.F., Wandell B.A. Human trichromacy revisited. Proceedings of the National Academy of Sciences (PNAS). 2012;110(3):E260-E269. https://doi.org/10.1073/pnas.1214240110Horiguchi H., Winawer J., Dougherty R.F., Wandell B.A. Human trichromacy revisited. Proceedings of the National Academy of Sciences (PNAS). 2012;110(3):E260-E269. https://doi.org/10.1073/pnas.1214240110Harnad S. The symbol grounding problem. Physica D: Nonlinear Phenomena. 1990;42(1-3):335-346. https://doi.org/10.1016/0167-2789(90)90087-6Harnad S. The symbol grounding problem. Physica D: Nonlinear Phenomena. 1990;42(1-3):335-346. https://doi.org/10.1016/0167-2789(90)90087-6Jentzsch R., Feustel D., Topf B. Unique identifier, method for providing the unique identifier and use of the unique identifier: US Pat. US8578162B2. Publ. 05.11.2013.Jentzsch R., Feustel D., Topf B. Unique identifier, method for providing the unique identifier and use of the unique identifier: US Pat. US8578162B2. Publ. 05.11.2013.Kaminski B., Pralat P., Theberge F. Hypergraphs. In: Mining Complex Networks. NY: Chapman and Hall/CRC; 2021. https://doi.org/10.1201/9781003218869-7Kaminski B., Pralat P., Theberge F. Hypergraphs. In: Mining Complex Networks. NY: Chapman and Hall/CRC; 2021. https://doi.org/10.1201/9781003218869-7Попов Э.В. Общение с ЭВМ на естественном языке. М.: Наука; 1982. 360 с.Popov E.V. Obshchenie s EVM na estestvennom yazyke (Communication with a computer in natural language). Moscow: Nauka; 1982. 360 p. (in Russ.).Malchukov A., De Swart P. Differential case marking and actancy variation. In: The Oxford Handbook of Case. Oxford: Oxford University Press; 2012Malchukov A., De Swart P. Differential case marking and actancy variation. In: The Oxford Handbook of Case. Oxford: Oxford University Press; 2012.

The authors declare that there are no conflicts of interest present.