Синтез структурных схем автоматических устройств на формальных нейронах

Разработку конечных автоматов и синтез нейросетей сопровождают огромные вычислительные трудности. Проблемы, с которыми сталкиваются как создатели управляющих конечных автоматов, так и создатели нейросетей, практически одинаковы. Для того чтобы управляющий конечный автомат мог быть реализован, надо сначала создать алгоритм его работы, потом написать программу, потом эту программу реализовать в «железе» в виде конечного автомата. Главное - надо создать, и это важно, детерминированный конечный автомат. Что касается нейросетей, то, чтобы она работала, необходимо либо задать с помощью экспертов веса на ее ребрах, либо ее надо обучить, чтобы получить оптимальные веса на ребрах. И то, и другое, то есть, детерминизация конечных автоматов и обучение нейронных сетей, в настоящее время производится чаще всего с помощью приближенных (экспоненциальных или генетических) алгоритмов. При этом часто авторы не указывают на тот факт, что, во-первых, эти алгоритмы дают ошибку до 15 %, а, во-вторых, время работы подобных алгоритмов достаточно велико, и требует больших энергетических затрат. В материале статьи доказывается, что управляющие конечные автоматы и нейросети - эквивалентны, если исходить из их структуры, которую можно представить в виде ориентированного реберного графа. Подобная эквивалентность позволяет применять для детерминизации конечных автоматов и синтеза нейросетей методы нормализации произвольных графов. Методы нормализации произвольных графов новые, они основаны на расширении теории графов и позволят применять алгоритмы линейной сложности или существенно уменьшать число вариантов при переборе.