3.2.3 معماری Soar
Soar معماری شناختی عمومی برای توسعه سیستم‌هایی است که رفتارهای هوشمند از خود بروز می‌دهند. پژوهشگرانی در دو زمینه‌ی هوش مصنوعی و علوم شناختی، از Soar برای انجام وظایف مختلف استفاده می‌کنند. این معماری از سال 1983 تا به حال استفاده شده، در حال تکامل است. تا کنون 9 نسخه از این معماری منتشر شده است (Soar - Home).
سازندگان این معماری ادعا می‌کنند که در نهایت Soar قادر خواهد بود موارد زیر را برآورده کند:
- کار در طیف وسیعی از وظایف مورد انتظار از یک عامل هوشمند، از موارد بسیار عادی گرفته تا مسائل بسیار دشوار، در این معماری پایان پذیر خواهد بود.
- ارائه و استفاده از فرمهای مناسبی از دانش از قبیل: رویه‌ای[1] ، اعلانی[2] ، مرحله‌ای[3] ، و احتمالاً شمایلی[4]
- بکارگیری طیف وسیعی از روش‌های حل مساله
- تعامل با جهان خارج
- یادگیری در مورد تمام جنبه‌های وظایف و کارایی آنها.
به عبارت دیگر ، قصد آنها این است که Soar همه قابلیت‌های کلی مورد نیاز یک عامل هوشمند را پشتیبانی کند (Soar - Home).
مدل Soar معماری شناختی است که از هر دو عامل مدلسازی شناختی و توسعه نرم‌افزاری واقعی جهان استفاده کرده است همچنین در آن از دانش غنی سیستم‌های هوشمند نیز استفاده شده است. شکل 3.2 یک بلوک دیاگرام انتزاعی از Soar نسخه 9 را نشان می‌دهد، که در آن مؤلفه‌های حافظه[5] (لبه‌های گرد شده) و ماژول‌های پردازش[6] (لبه‌های مربعی) هستند.
در قسمت پایین و وسط Soar حافظه کوتاه مدت[7] (که اغلب به حافظه کاری[8] نیز می‌گویند) قرار دارد. حافظه کوتاه مدت ارزیابی عامل را از وضعیت فعلی نگهداری می‌کند، که از واحد‌های ادراک[9] (پایین‌تر وسط) و از طریق ذخیره‌سازی و بازیابی دانش از حافظه بلند مدت[10] مشتق می‌شود.
سه حافظه بلند مدت در این معماری وجود دارد:
رویه‌ای[11] (تولید قوانین) ،
معنایی[12] و
مرحله‌ای[13] ،
همچنین دارای مکانیسم‌های یادگیری انجمنی نیز هستند.
شکل 3.2: ساختار Soar نسخۀ 9 (Laird, 2008)
مدل Soar برای جلوگیری از اختلالات مبتنی بر نحو، مکانیسم‌های رزولوشن[14] سیستم‌های مبتنی بر قاعده‌ی سنتی[15] را توسط اجرای تمام قوانین تطبیق یافته در موازات هم استفاده می‌کند و اندیشه را در انتخاب و استفاد از اپراتورها[16] متمرکز می‌کند. اپراتورهای پیشنهادی به صراحت در حافظۀ کاری ارائه شده و با تفکر بر روی قوانینی که امکان‌پذیر هستند با ارزیابی و مقایسه به اپراتورها پیشنهاد می‌شود. در شکل 3.3 می‌توانید چرخۀ تصمیم‌گیری[17] Soar را مشاهده کنید. این مدل با فاز ورودی[18] آغاز می‌شود که در آن عامل، ورودی را از محیط دریافت می‌کند، در ادامه توسط فاز پیشنهاد[19] که در آن قوانین برای دانش مناسبی به سمت حالت، پیشنهاد و مقایسه‌ی اپراتورها اجرا می‌شود. در مرحلۀ بعد، بر اساس ساختارهای ایجاد شده توسط آن قواعد، Soar یک اپراتور را در فاز تصمیم‌گیری[20] انتخاب می‌کند و یک ساختار را در حافظه کوتاه مدت برای ارائۀ پراتور انتخاب شده ایجاد می‌کند. این انتخاب ممکن است از طریق دانش مقایسه‌ای[21] و یا تصادفی[22] تعیین شده باشد. وقتی اپراتور انتخاب شود، قوانین با دانش مربوط می‌تواند برای اپراتور بکار رفته بر روی آن اجرا شود. برخی از این قوانین ممکن است دستورات خروجی را تولید نمایند. در نهایت ، خروجی پردازش شده، جهان را در پاسخ به عمل به روز خواهد کرد (Marinier III, Laird, & Lewis, 2009).
شکل 3.3: چرخۀ پردازش Soar (Laird, 2008)
[1] Procedural
[2] Declarative
[3] Episodic
[4] Iconic
[5] Major Memories
[6] Processing Modules
[7] Short-Term Memory
[8] Working Memory
[9] Perception
[10] Long-Term Memories
[11] Procedural
[12] Semantic
[13] Episodic
[14] Resolution Mechanisms
[15] Traditional Rule-Based Systems
[16] Operators
[17] Decision Cycle
[18] Input Phase
[19] Propose Phase
[20] Decide Phase
[21] Comparison Knowledge
[22] Random
3.2.4 مدل سازی عواطف
مدلPEACTIDM و معماریهای توصیف فرآیندهای شناختی در نمایش و زمانبندی این فرآیند‌ها دارای و محدودیت است، اما آنها توصیف خاصی از ساختارهای دانش که عملاً برای تولید رفتار مورد استفاده قرار می‌گیرد ندارند. پیشنهاد شده است که بسیاری از اطلاعات مورد نیاز برای PEACTIDM توسط فرآیندهای مشابه در تولید عواطف به وجود می‌آیند. و در واقع این فرآیند‌ها هستند که اپراتورهای PEACTIDM می‌باشند. توابع انتزاعی PEACTIDM نیازمند اطلاعات در مورد ارتباط[1]، اهداف[2]، انتظارات[3]، و غیره ، و محاسبه آنها برای انجام توابع خود دارند. نتایج این محاسبات، آنگاه موجب یک واکنش عاطفی[4] خواهد شد.
[1] Relevance
[2] Goals
[3] Expectations
[4] Emotional Response
3.3 عاطفه از نگاه علوم عصبی
نوروبیولوژیست‌ها و روانشناسان علاقمند به يكسان کردن عاطفه به عنوان يك هماهنگی هستند، به طور كلي سازگاری، تغییر مرحله‌ای در سيستمهاي فيزيولوژي چندگانه(از جمله هر دو مؤلفة ياخته‌هاي جسمي و عصبي) در پاسخ به اين مقادیر تحریک شده‌اند(مثلاً (Damasio, 1999)، (Lazarus, 1991)، (Plutchik, 1980) و (Scherer, 2000) را برای مرور نگاهی بیندازید). يك موضوع مهم، که غالباً ناديده گرفت می‌شد، نگرانی از تمايز بین واکنش عاطفه و احساس عاطفی است که اولی مربوط به فیزیولوژی پاسخ عاطفی است و دومی در برخی نظریه‌ها به صورت مرکز فیزیولوژی پاسخ عاطفی معرفی می‌شود (Damasio, 1999).
در عين حال ضرورت دارد كه به ياد داشته باشيم که یک پاسخ عاطفی معمولاً شامل تغییرات هماهنگی در ياخته‌هاي جسمي شامل تعداد زيادي از عوامل است، از جمله غدد درون زیر، احشایی[1]، خودمختاری، و تغييرات عضلانی شامل حالات چهره، که همه‌ی اینها ما را در يك مد پيچيده با سربار کاری فراوان رها می‌کنند.
با وجود سابقه‌ی طولانی بحث فلسفي در اين زمينه، عواطف حالاتی را در حقيقت اظهار می‌دارد: آنها ارزش و اهمیتی را که مجموعه‌ای از حس‌های و رفتارهای خروجی را که برای خودپایداری موجودات زنده است به نمایش می‌گذارند. از اين رو، آنها نگاشت‌هایی از حالات بدن را درگير ساختارهایی مانند ساقه مغز[2]، تالاموس، و قشر ياخته‌هاي ناحیة جسمي و حسي می‌کنند. بايد يادآور شد كه لازم نيست به نقشه به عنوان حالات واقعي بدن نگریست؛ و در این مورد می‌توان تنها به نتایج روجوع کرد و در واقع تنها نتایج با اهمیت هستند.
بدين ترتيب، اين امكان وجود دارد که در یک تصوير، ياخته‌هاي جسمي مشابه رسانه‌هاي ديداري مجازی باشد و هر دو بطور توأم قابل احساس باشند. اگرچه چنين تصوير ياخته‌هاي جسمي امکان پذیر نبوده و فقط بر روی نمايش عصب در يك حالت بدن اتفاق می‌افتد، و نه در حالت واقعي بدن.
[1] Visceral
[2] Brain Stem