Когнітивна алгебраїчна система

Кравцов Г.О., канд.техн.наук, Гречко С.М., аспірант,
Нікітченко В.В., аспірант, Примушко А.М., аспірант
Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Генерала Наумова, 15
тел. +380509033043, e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2022, 44(3):14-30

https://doi.org/10.15407/emodel.44.03.014

АНОТАЦІЯ

Запропоновано розглядати природу когнітивних агентів як алгебраїчну систему, яка за­довольняє певним умовам, а математичний формалізм когнітивного процесу — як композиції функцій, що реалізуються за певних умов з певною ймовірнстю. Введено по­няття функціонально-логічних протиріч та протиріч суб’єктивного ставлення в ког­ні­тивно-алгебраїчній системі (КАС). Доведено, що КАС за наявних протиріч суб’єктив­ного ставлення не здатна до аналітичного пошуку оптимального рішення і вимушена спиратися на комбінаторні методи. Дано формальні визначення теоретичному та прак­тичному дослідженню, теоретичному та практичному навчанню когнітивного агента, по­казано роль і місце мови в цих процесах. Сформульовано нову наукову  проблему фор­малізації семантики мови в межах запропонованої КАС.

КЛЮЧОВІ СЛОВА:

сильний штучний інтелект, консистентність когнітивної системи, квант часу, суб’єктивний час, модель синтезу, навчання.

СПИСОК ЛІТЕРАТУРИ

1. “The BRAIN Initiative”, available at: https://braininitiative.nih.gov/funding/cleared-initiatives (accessed April 11, 2022).
2. Open AI, “Effort to democratize artificial intelligence research?”, available at: https:// www.csmonitor.com/Technology/2015/1214/Open-AI-Effort-to-democratize-artificial-in­telligence-research (accessed April 11, 2022).
3. “DeepMind says reinforcement learning is ‘enough’ to reach general AI”, available at: https://venturebeat.com/2021/06/09/deepmind-says-reinforcement-learning-is-enough-to-reach-general-ai/ (accessed April 11, 2022).
4. Tokic, M. and Palm, G. (2011), Value-Difference Based Exploration: Adaptive Control Between Epsilon-Greedy and Softmax. Advances in Artificial Intelligence. Lecture Notes in Computer Science 7006, Springer, ISBN 978-3-642-24455-1.
5. “Building Trust in Human-Centric Artificial Intelligence: Communication from the Commission to the European Parliament, the Council, the European Economic and Social Committee and the Committee of the Regions”, European Commission, Brussels, 2019, available at: https://ec.europa.eu/jrc/communities/en/community/digitranscope/ document/building-trust-human-centric-artificial-intelligence (accessed: 11 April 2022).
6. Artemyeva, Ye.YU. (1999), Osnovy psikhologii subyektivnoy semantiki [Fundamentals of the psychology of subjective semantics], Nauka, Moscow, Russia.
7. Subyektivnoye semanticheskoye prostranstvo [Subjective semantic space], Humanitarian portal, available at: https://gtmarket.ru/concepts/7032 (accessed April 11, 2022).
8. Georgia, M. Green. (1996), Pragmatics and Natural Language Understanding, Routledge.
9. Skrebtsova, T.G. (2011), Kognitivnaya lingvistika: kurs lektsiy [Cognitive linguistics: a course of lectures], Filologicheskiy fakultet SpbGU, St. Petersburg, Russia.
10. The Brain Modeling Toolkit (BMTK), Alen institute for brain science, available at: https://alleninstitute.github.io/bmtk/ (accessed April 11, 2022).
11. Anokhin, K. (2019), Fundamental brain theory: the main challenge to theoretical physics and mathematics of the brain. «Theoretical physics and mathematics of the brain: bridges across disciplines and applications», Lomonosov Moscow State University, Skoltech, December 5, 2019, available at: https://www.youtube.com/watch?v=WY_WPjlfoBY&t=16s (accessed April 11, 2022).
12. Maltsev, A.I. (1970), Algebraicheskiye sistemy [Algebraic systems], Nauka, Moscow, USSR.
13. Kon, P. (1968), Universalnaya algebra [Universal Algebra], Mir, Moscow, USSR.
14. Keisler, G. and Chen, Ch.Ch. (1977), Teoriya modeley [Model theory], Mir, Moscow, USSR.
15. Shreyder, Yu.A. (1971), Ravenstvo, skhodstvo, poryadok [Equality, similarity, order], Nauka, Moscow, USSR.
16. Vasilenko, V.S. and Matov, O.YA. (2014), Teoriya informatsiyi ta koduvannya [Information theory and coding], IPRI NAN Ukrayiny, Kyiv, Ukraine.
17. McLane, S. (2004), Kategorii dlya rabotayushchego matematika [Categories for working mathematician], Fizmatlit, Moscow, Russia.
18. Yakovlev, G.N. (2000), Funktsionalnyye prostranstva [Functional spaces], Moskovskiy fiziko-tekhnicheskiy institut, Moscow, Russia.
19. Kravtsov, G.A., Koshel, V.I., Dolgorukov, A.V. and Tsurkan, V.V. (2018), “A trainable model for computing on classifications”, Elektronne modelyuvannya, Vol. 40, no. 3, pp. 63-76.
20. Vyuller, T. (2018), Shcho take chas? [What is time?], Translated by Volkovetskaya, S., Nika-Tsentr, Vydavnytstvo Anetty Antonenko, Kyiv, Ukraine.
21. Svyrydenko, V. (2002), Filosofskyy entsyklopedychnyy slovnyk [Reductionism. Philosophical encyclopedic dictionary], Instytut filosofiyi imeni Hryhoriya Skovorody NAN Ukrayiny, Abrys, Kyiv, Ukraine.
22. Kravtsov, H.O., Kravtsova, N.V., Khodakivska, O.V., Nikitchenko, V.V. and Prymushko, A.M. (2021), “Math of the brain and language. І”, Elektronne modelyuvannya, 43, no. 3, pp. 87-108.
23. Kravtsov, H.O., Kravtsova, N.V., Khodakivska, O.V., Nikitchenko, V.V. and Prymushko, A.M. (2021), “Math of the brain and language. II”, Elektronne modelyuvannya, Vol. 43, no. 4, pp. 69-89.

Повний текст: PDF