Концептуализация памяти в рамках теории когнитивных систем

Обложка

Цитировать

Полный текст

Аннотация

Предметом исследования данной статьи является формирование обобщенных представлений о системах памяти. Системы памяти анализируются в контексте различных описаний: в пределах и за пределами информационной модели сознания; в составе систем управления объектами с различным характером устойчивости, в том числе систем реального времени; в качестве элемента акторной модели когнитивной системы. Существенное внимание уделяется анализу существующих и перспективных возможностей познавательной модели памяти, включающей в себя принципы обучения, запоминания и обновление памяти, забывания, а также раскрытия механизма мультисистемной интеграции знаний в памяти, обеспечивающего способность интеллектуальных когнитивных систем к осмыслению знаний через их интеграцию в комплекс существующих представлений, а также к креативной интеллектуальной деятельности – творчеству. В основу методологии исследования положен анализ памяти посредством теории систем, теории алгоритмов, теории когнитивных систем. Отправной точкой представленного анализа является определение памяти в рамках информационной концепции сознания, дополненной определением неинформационных составляющих памяти. Проведенное исследование выявило неразрывную связь памяти системы с ее изменениями во времени. Констатирована адекватность представления когнитивных систем, в том числе подсистем памяти, в рамках акторной модели. Предложена авторская интерпретация сложности когнитивных систем и входящих в них подсистем памяти, включающая временную, пространственную и конфигурационную сложности, рассмотрены возможности повышения эффективности памяти за счет снижения ее сложности при сохранении функциональности, определены приоритетные механизмы повышения эффективности процессов управления памятью. Научная новизна исследования состоит в формировании целостного представления об образовании, содержании, функционировании и взаимосвязях подсистем памяти в составе когнитивных систем, на основе которого могут быть определены направления их дальнейшего развития и совершенствования. В результате исследования установлено, что память является ключевой составляющей когнитивных систем, определяющей устойчивость и преемственность их изменений во времени, а также устанавливающей фундаментальные ограничения расширения знаний, которыми могут оперировать когнитивные системы.

Об авторах

Андрей Армович Грибков

Научно-производственный комплекс "Технологический центр"

Email: andarmo@yandex.ru
ORCID iD: 0000-0002-9734-105X
ведущий научный сотрудник;

Александр Александрович Зеленский

Научно-производственный комплекс "Технологический центр"

Email: zelenskyaa@gmail.com
ORCID iD: 0000-0002-3464-538X
ведущий научный сотрудник;

Список литературы

  1. Грибков А.А., Зеленский А.А. Определение сознания, самосознания и субъектности в рамках информационной концепции // Философия и культура. 2023. № 12. С. 1-14. doi: 10.7256/2454-0757.2023.12.69095 EDN: VZRLGO URL: https://nbpublish.com/library_read_article.php?id=69095
  2. Sayre K.M. Cybernetics and the Philosophy of Mind. Routledge and Kegan Paul, 1976. 265 p.
  3. Дубровский Д.И. Проблема "Сознание и мозг": теоретическое решение. М.: "Канон+" РООИ "Реабилитация", 2015. 208 с.
  4. Прыгин Г.С. Феномен сознания: является ли информационная концепция сознания прорывом в его понимании // Вестник Удмуртского университета. Серия философия. Психология. Педагогика. 2017. Т. 27. Вып. 4. С. 456-463. EDN: YMOXEP
  5. Грибков А.А., Зеленский А.А. Общая теория систем и креативный искусственный интеллект // Философия и культура. 2023. № 11. С. 32-44. doi: 10.7256/2454-0757.2023.11.68986 EDN: EQVTJY URL: https://nbpublish.com/library_read_article.php?id=68986
  6. Gros С. Complex and Adaptive Dynamical Systems. A Primer. Third Edition. Springer-Verlag Berlin Heidelberg, 2013. 356 p. https://doi.org/10.1007/978-3-642-36586-7. EDN: WTRAER
  7. Нуркова В.В. Память / Общая психология. В 7 т.: учебник для студентов высш. учеб. заведений / под ред. Б.С. Братуся. Т. 3. М.: Издательский центр "Академия", 2006. 320 с.
  8. Ноздрачев А.Д. Физиология вегетативной нервной системы. Л.: Медицина, 1983. 296 с.
  9. Селедцов В.И., Литвинова Л.С., Гончаров А.Г., Шуплецова В.В., Селедцов Д.В., Гуцол А.А., Селедцова И.А. Клеточные механизмы генерации иммунологической памяти // Цитокины и воспаление. 2010. Т. 9. № 4. С. 9-15. EDN: OFYYIT
  10. Циркин В.И., Трухина С.И., Трухин А.Н. Нейрофизиология: Физиология памяти: учебник для вузов. М.: Издательство Юрайт, 2021. 407 с.
  11. Palacios S., Bruno S., Weiss R., Salibi E., Goodchild-Michelman I., Kane A., Ilia K., Del Vecchio D. Analog epigenetic memory revealed by targeted chromatin editing // Cell Genomics. 2025. Vol. 5. 100985. https://doi.org/10.1016/j.xgen.2025.100985
  12. Зеленский А.А., Грибков А.А. Онтологические аспекты проблемы реализуемости управления сложными системами // Философская мысль. 2023. № 12. С. 21-31. doi: 10.25136/2409-8728.2023.12.68807 EDN: VIVNFQ URL: https://nbpublish.com/library_read_article.php?id=68807
  13. Попов В.Л. Наномашины: общий подход к индуцированию направленного движения на атомном уровне // Журнал технической физики. 2002. Т. 72. Вып. 11. С. 52-63. EDN: RYQVVZ
  14. Зеленский А.А., Илюхин И.В., Грибков А.А. Память-центрические модели систем управления движением промышленных роботов // Вестник Московского авиационного института. 2021. Т. 28. № 4. С. 245-256. https://doi.org/10.34759/vst-2021-4-245-256. EDN: AJRVJD
  15. Liu X., Zhou Y., Weigend F., Sonawani S., Shuhei Ikemoto S., Amor H.B. Diff-Control: A Stateful Diffusion-based Policy for Imitation Learning // 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). https://doi.org/10.1109/IROS58592.2024.10801557.
  16. Zhang B., Luo C., Yu D., Li X., Lin H., Ye Y., Zhang B. MetaDiff: Meta-Learning with Conditional Diffusion for Few-Shot Learning // Proceedings of the AAAI Conference on Artificial Intelligence. 2024. Vol. 38. P. 16687-16695. https://doi.org/10.1609/aaai.v38i15.29608. EDN: HMWOVV
  17. Keysers C., Gazzola V. Hebbian learning and predictive mirror neurons for actions, sensations and emotions // Philosophical Transactions of the Royal Society B: Biological Sciences. 2014. Vol. 369. Issue 1644. 20130175. https://doi.org/10.1098/rstb.2013.0175
  18. Lu S., Sengupta A. Deep unsupervised learning using spike-timing-dependent plasticity // Neuromorphic Computing and Engineering. 2024. Vol. 4. Num. 2. 024004. https://doi.org/10.1088/2634-4386/ad3a95. EDN: GADNCC
  19. Mohamed A., Lee H., Borgholt L., Havtorn J.D., Edin J., Igel C. Self-Supervised Speech Representation Learning: A Review // IEEE Journal of Selected Topics in Signal Processing. 2022. Vol. 16. Issue 6. P. 1179-1210. https://doi.org/10.1109/JSTSP.2022.3207050. EDN: XOXOKN
  20. Hosna A., Merry E., Gyalmo J., Alom X., Aung Z., Azim M.A. Transfer learning: a friendly introduction // Journal of Big Data. 2022. Vol. 9. 102. https://doi.org/10.1186/s40537-022-00652-w. EDN: AIMXEG
  21. Зеленский А.А., Грибков А.А. Вычислительная сложность в реальном времени // Моделирование, оптимизация и информационные технологии. 2025. Т. 13. № 3. https://doi.org/10.26102/2310-6018/2025.50.3.038. EDN: HTXURG
  22. Грибков А.А. Паллиативные системы с имитационной активностью: факторы устойчивости и сценарии управления // Философская мысль. 2025. № 4. С. 69-84. doi: 10.25136/2409-8728.2025.4.74090 EDN: KQUNND URL: https://nbpublish.com/library_read_article.php?id=74090
  23. Невельский П.Б., Фланчик В.Л. Избыточность и пропускная способность памяти // Проблемы бионики: республиканский межведомственный научно-технический сборник. 1970. № 2. С. 33-35.
  24. Караванов А.А., Устинов И.Ю. Психофизиология и достоверность добросовестных свидетельских показаний // Территория науки. 2014. № 2. С. 170-176. EDN: TJDTHR
  25. Осипов В.Ю. Пределы памяти рекуррентных нейронных сетей со стиранием устаревшей информации // Научный вестник НГТУ. 2014. Т. 56. № 3. С. 115-122. EDN: SNYWBL

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).