Применение сетевых моделей в социальных, технических и биологических системах. II. Сетевые методы в моделировании биологически правдоподобных систем

Проведён обзор сетевых методов, применяемых для моделирования биоподобных систем. В первом разделе рассматриваются цепи Маркова как инструмент анализа движений человека, что находит применение в биомеханике и медицине. Второй раздел посвящен моделям стайного поведения в робототехнике. Сетевые взаимодействия агентов, основанные на биологических принципах, обеспечивают адаптивность и децентрализацию управления. В третьем разделе анализируются архитектуры спайковых нейронных сетей с описанием основных методов кодирования информации и обучения. Рассматриваются нейроморфные процессоры, предназначенные для эффективного запуска таких сетей и их приложения. Описанные методы не исчерпывают всего многообразия моделей, изучающих и воспроизводящих принципы работы живых систем, однако приведенные направления показывают, как механизмы, возникшие в природе, могут быть формализованы и применены для управления поведением технических систем.

Аффилиация авторов
Базенков Николай Ильич – канд. техн. наук, старший научный сотрудник,
Ефремов Андрей Юрьевич – научный сотрудник,
Жилякова Людмила Юрьевна – д-р физ.-мат. наук, заведующий лабораторией №11 «Сетевых моделей в нейроинформатике и многоагентных системах»,
Исаев Михаил Андреевич – аспирант, инженер-программист,
Кузнецов Олег Петрович – д-р техн. наук, профессор, главный научный сотрудник,
Кулинич Александр Алексеевич – канд. техн. наук, старший научный сотрудник,
Максимов Дмитрий Юрьевич – научный сотрудник,
ИПУ РАН.

Список литературы
1. Базенков Н.И. Моделирование движений человека: методы и актуальные задачи // Тр. ХVII Всероссийской школы-конф. молодых уч. «Управление большими системами». М.: ИПУ РАН, 2021. С. 295-300.
2. Azocar A.F. et al. Design and clinical implementation of an open-source bionic leg // Nature Biomedical Engineering. 2020. Vol. 4. Iss.10. P.941-953
3. Kidzinski L. et al. Learning to run challenge: Synthesizing physiologically accurate motion using deep reinforcement learning // The NeurIPS'17 Competition. 2018. P.101–120.
4. Базенков Н.И., Летягин С.А. Моделирование и прогноз движений человека марковскими моделями / Тр. ХVII всероссийской школы-конф. молодых уч. «Управление большими системами». М.: ИПУ РАН, 2021. С. 301-310.
5. Ma H., Liao W.H. Human gait modeling and analysis using a semi-Markov process with ground reaction forces // IEEE Trans. on Neural Systems and Rehabilitation engineering. 2016. Vol. 25. Iss. 6. – P. 597–607.
6. Hamann H. Swarm Robotics: A Formal Approach. Heidelberg: Springer, 2018. 210 p.
7. Ballerini, M., Cabibbo, N., Candelier, R., et al. Interaction Ruling Animal Collective Behavior Depends on Topological Rather Than Metric Distance: Evidence from a Field Study // Proceedings of the National Academy of Sciences. 2008. Vol. 105. №4. Pp.1232–1237.
8. Rochefort Y., Piet-Lahanier H., Bertrand S. Guidance of Flocks of Vehicles Using Virtual Signposts // Preprints of the 18th IFAC World Congress. 2011. Pp. 5999–6004.
9. Ефремов А.Ю. Анализ агрегационного поведения мобильных роботов в алгоритме стайного управления при естественных ограничениях // Проблемы управления. 2024. №1. С. 79-89.
10. Ефремов А.Ю., Легович Ю.С. Стайное управление малыми беспилотными летательными аппаратами в среде с препятствиями // Проблемы управления. 2019. №3. С. 72-80.
11. Ivanov D, Chezhegov A, Larionov D. Neuromorphic artificial intelligence systems // Frontiers in Neuroscience. 2022. Vol.16. P.959626.
12. Kudithipudi D et al. Neuromorphic computing at scale // Nature. 2025. Vol.637. No.8047. P.801-812
13. Davies M, Wild A, Orchard G et al. Advancing neuromorphic computing with loihi: A survey of results and outlook. // Proceedings of the IEEE. 2021. Vol.109. No.5. P.911-34
14. Paugam-Moisy H, Bohte SM. Computing with spiking neuron networks // Handbook of natural computing. 2012. Vol.1. P.1-47.
15. Ponulak F, Kasinski A. Introduction to spiking neural networks: Information processing, learning and applications. // Acta Neurobiol Exp. 2011. No.71. P.409-433.
16. Diehl PU, Cook M. Unsupervised learning of digit recognition using spike-timing-dependent plasticity // Frontiers in computational neuroscience. 2015. Vol.9. P.99.
17. Larionov D, Bazenkov N, Kiselev M. Continual learning with columnar spiking neural networks //Optical Memory and Neural Networks. 2025. Vol.34. No. Suppl 1. P.S58-S71.
18. Moraitis T. et al. Softhebb: Bayesian inference in unsupervised hebbian soft winner-take-all networks // Neuromorphic Computing and Engineering. 2022. Vol.2. No.4. P.044017.
19. Chaplinskaia N, Bazenkov N. Axonal Myelination as a Mechanism for Unsupervised Learning in Spiking Neural Networks // Biologically Inspired Cognitive Architectures Meeting. Cham: Springer Nature Switzerland. 2023. P.169-176. 20.
20. Eshraghian JK et al. Training spiking neural networks using lessons from deep learning //Proceedings of the IEEE. 2023. Vol.111. No.9. P.1016-1054.
21. Stanojevic A et al. High-performance deep spiking neural networks with 0.3 spikes per neuron //Nature Communications. 2024. Vol.15. – No.1. P.6793.
22. Yuan M et al. Trainable spiking-yolo for low-latency and highperformance object detection //Neural Networks. 2024. Vol.172. P.106092
23. Gallego G et al. Event-based vision: A survey //IEEE transactions on pattern analysis and machine intelligence. 2020. Vol.44. No.1. P.154-180.
24. Bonazzi P et al. Towards Low-Latency Event-based Obstacle Avoidance on a FPGA-Drone //Proceedings of the Computer Vision and Pattern Recognition Conference. 2025. P. 4938-4946.
25. Aimone J. B. et al. A review of non-cognitive applications for neuromorphic computing //Neuromorphic Computing and Engineering. 2022. Vol.2. No.3. P.032003.