شبکه‌های عصبی کامپیوتری

مغز انسان: پردازشگر نهایی کامپیوتر

محققان نسلی جدید از کامپیوترهای بسیار پرقدرت- موسوم به کامپیوترهای شبکه عصبی- را طراحی کرده‌اند که پردازشگر آنها از «مغز انسان» الگو گرفته است.
یک کودک کامپیوتری
سالن کنفرانس دانشگاه کلمبیا از جمعیت موج می‌زد. ترنس سجنووسکی، زیست- فیزیکدان دانشگاه جان هاپکینز، با ضبط صوتی در زیر بغل به سوی تریبون رفت و صدای خش خش کاغذ و چند سرفه پی در پی وی، همهمه حاضران را به سکوت تبدیل کرد. او دکمه ضبط صوت را فشار داد: مجموعه‌ای از گفتار ناقص یک بچه- یا دقیقتر بگوییم گفتار یک کودک کامپیوتری- در سالن پخش شد.
این اصوات در ابتدا نامفهوم بودند ولی پس از هر تکرار، واضحتر و مشخصتر می‌شدند؛ تا اینکه سرانجام به یک جملة ده کلمه‌ای. کاملاً مشخص و متمایز تبدیل گردیدند.
ترنس گفت: «آنچه شنیدید، صدای ضبط شدة یک کامپیوتر یا بچه روبوت بود که در طول یک شبانه روز تلفظ این متن انگلیسی ده کلمه‌ای را به خود آموخته است.»
حضار با شگفتی به کف زدن و ابراز احساسات پرداختند.
کامپیوتری که قادر به یادگیری است
ترنس در واقع یک «کامپیوتر یاد گیرنده» را به حاضرین عرضه نموده بود که اساساً نوعی جدید از یک ماشین دارای هوش مصنوعی است. این کامپیوترها که «شبکه‌های عصبی» نامیده می‌شوند، از روی تارهای به هم پیوستة یاخته‌های عصبی در مغز، مدل سازی و طراحی شده اند. آنها دگرگونی و تحولی اساسی در تلقی دانشمندان از «هوش مصنوعی» بودند که نوید تحقق آنها را داده می‌شد و اکنون به وسیلة «شبکه‌های عصبی» انجام خواهد گرفت.

آموختن از طریق تجربه

گرچه برخی از کامپیوترهای امروزی شکل بزرگتر ساختمان و طرح اصلی یک کامپیوتر شبکه عصبی را نشان می‌دهند، شکل کوچکتر، نحوة شناسایی و تشخیص حروف به وسیلة این نوع کامپیوترها را با مثال روشن می‌سازد. دایره‌ها نمایانگر پردازشگرهای الکترونیکی‌اند که در لایه‌های مختلف سازماندهی شده‌اند. در اینجا سیگنال‌های ورودی از طریق صفحه کلید وارد می‌شوند و صفحة ویدئو، خروجی را به نمایش می‌گذارد. اما در روبوت ها «ورودی» می‌تواند حساسه‌های نوری باشد و «خروجی» حرکت روبوت خواهد بود.
پردازشگرها به صورت لایه لایه سازمان یافته اند: یک «لایه ورودی»، یک «لایه خروجی»، و یک «لایه میانی» که بین لایه‌های ورودی و خروجی قرار گرفته است. این «لایه میانی» در واقع از طریق تجربه یاد می‌گیرد که چگونه و کدام پردازشگر لایه خروجی را فعال سازد تا به جواب صحیح دست یافته شود.
خطوطی که از پردازشگرهای یک لایه به لایه دیگر وصل شده‌اند نمایشگر سیگنال‌هایی با ولتاژهای متفاوت‌اند.
این ولتاژها به وسیله مقاومتهایی با مقادیر مختلف، قابل تنظیم اند. سیگنالهای وارده به یک پردازشگر می‌تواند یک ارتباط قوی یا ضعیف را به نمایش گذارد.
در تصویر کوچکتر، پردازشگر A تمام سیگنالهای وارد شونده را مورد سنجش قرار می‌دهد، سپس آنها را با هم جمع می‌کند، و اگر حاصل جمع بالاتر از یک مقدار از قبل تعیین شده آستانه باشد، یک سیگنال خروجی تولید می‌کند. این خروجی بعداً ورودیِ پردازشگر B در لایه بعدی می‌شود.
در شکل کوچکتر، شبکه عصبی برای شناسایی و تشخیص حروف، آموزش دیده است. پس از اینکه حروف "R" بر روی لوحه ورودی اطلاعات ترسیم شد، یک گرید (Grid) حساس به نور بر روی حرف مذکور قرار می‌گیرد و آن را به سطوح روشن وتیره تقسیم می‌کند. اگر سطحی روشن باشد، کامپیوتر یک سیگنال به یک پردازشگر معین در لایه‌ای از پردازشگرها که وظیفه‌اش شناسایی و تشخیص اشکال مختلف حروف است، ارسال می‌نماید. این نماینده حروف ممکنه است که به لایه بعدی می‌فرستند. سیگنال‌های قویتر به حروفی ارسال می‌شوند که شباهت بیشتری به شکل و قواره حرف مورد نظر داشته باشند. در لایه خروجی، پردازشگری که قویترین ترکیب سیگنال‌ها را دریافت کند، حرف الفبای صحیح را فعال می‌سازد.
پردازشگرهای فوق العاده نیرومندی هستند و با سرعتی شگفت انگیز، محاسبات عددی و منطقی و عملیات ریاضی را انجام می‌دهند، ولی در انجام اعمالی از قبیل شناخت چهره‌ها، آموختن شیوه تکلم و راه رفتن، یا خواندن متون چاپ شده که یک کودک به آسانی از عهده آنها بر می‌آید، ناتوانند.
بر اساس نظریة متخصصان، سیستم بینایی یک انسان، بیش از تمامی سوپر کامپیوترهای دنیا که با یکدیگر ادغام شده باشند، می‌تواند تصاویر را پردازش دهد؛ یا به عبارت دیگر قدرت پردازش تصویری سیستم بینایی انسان ، بیش از قدرت به وجود آمده از ترکیب تمامی ابر کامپیوترهای جهان است. این گونه عملیات برای اینکه هر متغیر ممکن را در برگیرد، نیازمند تعداد بی‌شماری قاعده و دستورالعمل است، ولی «شبکه‌های عصبی» نیازی به این چنین برنامه نویسی ندارد بلکه همانند انسان، از طریق تجربه، شیوه ها و اعمال را فرا می‌گیرد.
در ارتش این به معنای دستیابی به سیستم شناسایی هدف، تانکهای خود هدایت شونده، و موشک‌های باهوش است که قادر به تعقیب هدف هستند. در دنیای کسب و تجارب شبکه‌های عصبی وعده تحقق سیستم‌های شناسایی صورت و دستخط را می‌دهند. و در بخش تولید، دو هدف اصلی عبارتند از سیستم‌های تصویری «کنترل کیفیت» و «کنترل روبوت».
علاقه به شبکه‌های عصبی بسیار افزایش یافته است:
بیش از صد و پنجاه کمپانی تازه کار کوچک، بازار فروشی خوبی از نرم افزارهای شبکه عصبی و دستگاه‌های جانبی آن به دست آورده‌اند.
برخی از شرکتهای عظیم کامپیوتری از قبیل آی.بی. ام.، فوجیتسو و نیپون الکتریک با تمام قوا برای تحقیق در زمینة شبکه‌های عصبی سرمایه گذاری کرده و پیش می‌روند.
در سال 1988، آژانس طرح‌های تحقیقاتی عالی دفاعی (DARPA) برای مطالعه درباره شبکه‌های عصبی بودجه‌ای برابر 400 میلیون دلار اختصاص داد که یکی از عظیمترین برنامه هایی است که این آژانس تاکنون به عهده گرفته است.
از زمان پیدایش علم کامپیوتر، «مغز انسان» به عنوان یک الگو برای ساخت ماشین‌های کامپیوتری مطرح بوده است. ولی در مقایسه با مغز، کامپیوترهای امروزی فقط چیزی تنها مقداری بیش از یک ماشین حساب محسوب می‌شوند. کامپیوتر یک پردازشگر منفرد دارد که به کمک دستورالعمل‌های برنامه ریزی شده عمل می‌کند. انجام هر عملیات یا محاسبه به تعداد بسیار زیادی مرحله تقسیم شده است که به نوبت و یک به یک و با سرعتی فوق العاده اجرا می‌شود. در مقابل، مغز انسان از بیلیاردها «نورون» یا یاختة عصبی، ساخته شده که هر یک از آنها به هزاران نورون دیگر متصل است.
انجام هر عمل یا کاری از فعالیت سرتاسری و تمامی رشته‌های نورون‌ها کمک می‌گیرد و راه‌های ارتباط میان آنها منجر به یافتن راه حل مسائل می‌شود.
شور و شوق بر سر «شبکه‌های عصبی» چیز تازه‌ای نیست؛ مطالعه درباره «نورون‌ها» به عنوان ابزارهای منطقی در اوایل دهه 1940 آغاز شد. در آن زمان مقاله‌ای پیرامون چگونگی ارتباط الکتروشیمیایی نورون‌ها با یکدیگر نوشته شد: یک نورون، اطلاعات ورودی را از یاخته‌های اطراف دریافت می‌کند، اگر مجموع ورودیها مثبت و بالاتر از مقدار آستانه معینی باشد، نورون عمل خواهد کرد. برای مثال فرض کنید یک نورون دارای مقدار آستانه «دو» و دو اتصال A و B باشد. نورون در صورتی روشن (ON) خواهد بود که A و B هر دو روشن باشند؛ این حالت را عملیات منطقی "AND" خوانده‌اند. عملیات منطقی دیگری موسوم به "INCLUSIVE OR" وجود دارد که مقدار آستانه آن «یک» است و نورون در صورتی ON خواهد بود که A یا B یا هر دو ON باشند.

پرسپترون چیست

در سال1958، فرانک روزنبلت، استاد دانشگاه کورنل، با به کارگیری صدها نورون مصنوعی، به یک شبکة دولایه به نام پرسپترون موجودیت بخشید. کلید سیستم رونبلت توانایی آن در «یادگیری» بود.
در مغز انسان، یادگیری عمدتاً با تغییر یا اصلاح اتصالات بین نورون ها انجام می‌پذیرد؛ یا به عبارت ساده تر اگر دو نورون به طور همزمان فعال و به هم متصل باشند، آن گاه ارتباط یا پیوند عصبی (Synapse) بین آنها تقویت خواهد شد. این شیوة یادگیری قانون هب (Hobb's Law) نام دارد و اساس یادگیری در شبکه‌های دو لایة پرسپترون است. با به کارگیری قانون هب، شبکه از طریق «تجربه» قادر به «یادگیری» می‌شود.
مشابه سیناپس (نقطة تماس بین نورون‌های مجاور) درالکترونیک، یک مقاومت (Resistor) است و در پرسپترون، کنترل کنندة مقدار جریان الکتریکی که بین مدارهای ترانزیستوری عبور می‌کند، مقاومت ها هستند.
شبکه‌های ساده دیگری نیز در این زمان ساخته شد. برنارد ویدرو، مهندس برق دانشگاه استانفورد، ماشینی به نام آدالین (AdalineیاAdaptive Linear Neurons) ساخت که می‌توانست: گفتار ترجمه نماید، بلک جک بازی کند، و وضعیت هوا را در ناحیة سانفرانسیسکو بهتر از هر هواشناسی پیش بینی نماید.

افول شبکه‌های عصبی

شبکه‌های عصبی تا سال 1969 فعال و مورد توجه بودند. در آن سال ماروین مینسکی، استاد انستیتوتکنولوژی ماساچوست(M.I.T.)، کتابی تحت عنوان پرسپترون‌ها نوشت. وی در این کتاب طرح پرسپترون را بشدت مورد انتقاد و حمله قرار داده و مدعی شد که پرسپترون بسیار ساده تر از آن است که بتوان آن را جدی گرفت. پرسپترون یک سیستم دو لایه بود. یعنی ورودی (INPUT) مستقیماً به خروجی (OUTPUT) منتهی می‌شد و قدرت یادگیری آن بسیار محدود بود.
ایراد دیگر پرسپترون، محدودیت آن در اجرای عملیات منطقی بود که در نتیجه فقط می‌توانست مسائل مشخص و معینی را حل کند. برای مثال قدرت تصمیم گیری آن تنها به انتخاب بین T و F محدود می‌شد و علت آن هم عدم توانایی پرسپترون در اجرای عملیات منطقی "EXCLUSIVE OR" بود (نورون در صورتی ON خواهد بود که A یا B، اما نه هر دو، ON باشد.)
اضطرارها و قیود تکنولوژی نیز به نوبه خود مانع موفقیت پرسپترون‌ها می‌شد. حتی فکر ایجاد پرسپترون‌های چند لایه نیز نتوانست محدودیت‌های شبکه‌های عصبی را در آن زمان از میان بردارد.
کتاب مینسکی در تحقیر پرسپترون، با ناتوانی پرسپترون در دستیابی به انتظارات توسعه طلب‌ها در هم آمیخت و دیرک افراشتة شبکه‌های عصبی را به زیر افکند. دانشمندان کامپیوتر به همان سیستم هوش مصنوعی سنتی بسنده کردند.
بعد از یک دوران فترت 15 ساله، سیستم شبکه‌های عصبی دگربار اوجی تازه می‌گیرد. یکی از طرفداران سرسخت شبکه‌های عصبی، جان هوپفیلد، فیزیکدان انستیتو تکنولوژی کالیفرنیا، بود. وی در سال 1982 مقاله‌ای نوشت و از نظر ریاضی بیان کرد که چگونه نورون ها با عملکرد جمعی خود می‌توانند اطلاعات را پردازش و ذخیره نمایند. این مقاله به اعتبار بی رنگ شدة شبکه‌های عصبی نیرویی تازه بخشید و هوپفیلد را به عنوان احیاء کنندة شبکه‌های عصبی به دنیا معرفی کرد.
تجدید فعالیت شبکه‌های عصبی مدرنتر، بیشتر مدیون وجود حافظه‌های ارزان قیمت، قدرت بیشتر کامپیوترها و قوانین یادگیری پیشرفته تر بود.
در «نت تاک» (Net Talk) یا شبکه گفتاری ترنس سجنووسکی که در دانشگاه کلمبیا ارائه شد، یک لایه سوم موسوم به لایه مخفی به شبکة دو لایه اضافه شده بود. این لایه مخفی مشابه واسطة بین نورون‌ها یا سلول‌های عصبی در مغز است که راه‌های ارتباطی بین نورون‌های حسی و حرکتی را ترسیم می‌کند. نت تاک در واقع شبیه سازی از یک شبکه عصبی بود با 300 واحد پردازش (که نورون ها را به نمایش می‌گذارد) و بیش از 10 هزار نقطة اتصال (راه‌های ارتباطی بین نورون‌ها) که به صورت سه لایه قرار گرفته اند.
در شبکه گفتاری سجنووسکی، اطلاعات ورودی (INPUT)، یک متن 500 کلمه ای از مکالمه دانش آموزان اول ابتدایی بود. لایه خروجی (OUTPUT) نیز متشکل از واحدهایی بود که 55 حرف صوتی (phonemes) ممکن در زبان انگلیسی را کد گذاری نموده بود. واحدهای خروجی می‌توانند یک ترکیب کنندة دیجیتالی گفتار را به کار بیندازند که این ترکیب کننده دیجیتالی نیز به نوبة خود می‌تواند به وسیلة یک رشته حروف صوتی، تولید صدا نماید. برای مثال زمانی که نت تاک حرف "N" را در کلمة "CAN" می‌بیند، به طور تصادفی (و از روی خطا)، مجموعه‌ای از واحدهای لایه مخفی را فعال می‌سازد که به خروجی شبکه، صوت "ah" را علامت می‌دهد. سپس این خروجی با یک مدل (که حاوی ترجمه درست «حرف» به «صوت» است) مقایسه شده و بدین ترتیب خطای موجود از طریق ریاضی محاسبه و پیدا می‌شود و قانون یادگیری که در واقع یک فرمول ریاضی است- به وسیله کم کردن قدرت اتصالات بین لایه مخفی (مربوط به حرف N) و خروجی شبکه (مربوط به صوت ah)- این خطا را تصحیح می‌کند.
سجنووسکی می‌گوید: «در شروع کار شبکه گفتاری، قدرت تمام اتصالات تصادفی هستند، بنابراین خروجی تولید شده توسط شبکه نیز تصادفی خواهد بود. شبکه مزبور قادر است حروف بی صدا و باصدا یا مصوت را به راحتی از هم تشخیص دهد و همچنین می‌تواند وجه تمایز و ظرافت دقیقتری در مورد شیوة تلفظ حروف اعمال کند.»
نت تاک پس از یاد گرفتن 1000 لغت، توانست در طول یک هفته آن را به لغتنامة 20 هزار واژه‌ای گسترش دهد. سجنووسکی در این باره گفت: «نکته مهم در اینجاست که شبکه نه تنها قادر به حفظ کردن کلمات است بلکه می‌تواند به آنها عمومیت بخشد. شبکه قادر به پیش بینی لغات جدیدی است که هرگز قبلاً ندیده است.»
تعمیم دهی یکی از هدف‌های مهم شبکه‌های عصبی است. ازدیگر خصایص مهم شبکه‌های عصبی «فرسایش غیر محسوس» است. مغز انسان در یک حالت ثابت و پایدار از تحلیل و فرسایش قرار دارد- مصرف مشروبات الکلی در یک شب، سبب از بین رفتن هزاران سلول مغزی می‌شود- اما چون تمامی رشته‌های نورون‌ها در انجام هر وظیفه ای مشارکت و همکاری دارند، از دست رفتن معدودی از آنها چندان قابل توجه نیست. این امر در مورد شبکه‌های عصبی نیز کاملاً صادق است.
دیوید راملهارت روان شناس و محقق شبکه عصبی در دانشگاه استانفورد می‌گوید: «عملکرد شبکه به یک بخش کوچک محلی محدود نمی‌شود بلکه در حقیقت به وسیله واکنشهای تمامی واحدهای موجود در شبکه تعیین می‌شود. اگر شما یکی از واحدها را حذف کنید، تأثیر چندانی بر عملکرد کلی شبکه نخواهد داشت؛ ولی این وضعیت در مورد کامپیوترهای متعارف- که حذف یکی از اجزای آن معمولاً انجام محاسبات را متوقف می‌سازد- مصداق پیدا نمی کند.»

شبکه‌های شبیه سازی

گرچه شبکه‌های عصبی می‌توانند از سیم و ترانزیستور ساخته شوند، ولی تصور مردم از شبکه عصبی در واقع نرم افزاری است که از روی شبکه‌های عصبی، شبیه سازی و بر روی پردازشگر کامپیوترهای متعارف به کار گرفته می‌شود.
سیمیوله یا شبیه سازی یک شبکه عصبی یعنی تعریف گره‌ها و وزن‌های اختصاص داده شده به آن از لحاظ ریاضی .
گره‌ها، همان پردازشگر و وزن‌ها، همان ضرایب انطباقی (adaptive coefficients) هستند. پروسه یا پردازش انجام گرفته توسط هر عنصر، به وسیله یک فرمول ریاضی تعیین می‌شود، که این فرمول سیگنال خروجی (Output Signal) عنصر را به صورت تابعی از سیگنالهای ورودی (که تازگی وارد شده) و ضرایب انطباقی موجود در حافظه محلی، بیان می‌کند.
برخی از شرکتهای کامپیوتری امریکایی دست به تولید و فروش بردهای مخصوصی زده‌اند که قابل الحاق به کامپیوترهای متعارف است. شبکه عصبی که بر روی این برد، شبیه سازی شده است، از طریق نرم افزار به یک ماشین آی.بی.ام. از نوع PC پیوسته و یکپارچه می‌شود. شرکت‌های دیگری نیز دست به تهیه و تولید انواع گوناگون نرم افزارهای تجارتی زده‌اند، که شبکه‌های عصبی را سیمیوله (شبیه سازی) می‌کنند: شرکت نستور یک بسته نرم افزار تولید کرده است که به استفاده کنندگان امکان می‌دهد که مدارهای الکتریکی را در کامپیوترهای desk-top شبیه سازی نمایند.
به منظور انجام کارهای مخصوصی، تعدادی شبکه‌های عصبی ویژه طراحی و تولید شده‌اند که شامل موارد زیر است:

سیستم تشخیص و تأیید امضا؛
شبکه‌ای که قادر به خواندن شماره‌های دست نویس روی چک هاست؛
شبکه‌ای که ضربان غیرعادی قلب را شناسایی می‌کند؛
شبکه‌ای که قادر به تشخیص وشناسایی چندین نوع مختلف هواپیما جنگنده است، صرف نظر از زاویه دید؛
عیب یابی مدارهای الکترونیکی؛
پیش بینی بازار بورس؛
اکتشافات نفت؛
آنالیز آزمایش‌های پزشکی، آنالیز طیفی؛
انتخاب اسب در مسابقات اسب دوانی؛ و ....

برخی از پیمانکاران و شرکت‌های طرف قرارداد ارتش در آمریکا، برای پردازش سیگنال توسط شبکه‌های عصبی به موفقیت‌های چشمگیری برای شناسایی وسایل نقلیه دشمن، با استفاده از پترن‌های سونار و رادار آنها، دست یافته‌اند.

ژتون‌های کامپیوتری

برخی از شرکت ها تلاش خود را روی ساخت ژتون‌های (Chips) شبکة عصبی متمرکز نموده‌اند.
شرکت بل موفق به ساخت یک «ژتون شبکه عصبی» شده است که دارای 75 هزار ترانزیستور و آرایه ای از 54 پردازشگر است که به وسیله شبکه‌ای از مقاومت‌ها به هم متصل شده‌اند. بزرگی این ژتون به اندازه یک سکه‌ی کوچک است!
همچنین در آزمایشگاه‌های شرکت بل، یک ژتون ساخته شد که شامل14400 نورون مصنوعی بود. این سلول‌های مصنوعی از سیلیکون غیر کریستالی و حساس به نور ساخته شدندکه به صورت یک فیلم نازک بر روی یک قطعه شیشه قرار می‌گیرد. زمانی که یک اسلاید، چندین بار روی این فیلم نشان داده شود، تصویر آن در حافظة شبکه ذخیره می‌شود. حال اگر زمانی قسمت کوچکی از این تصویر به شبکه نشان داده شود، شبکه قادر خواهد بود تصویر اصلی را دوباره سازی نماید.
سرانجام شرکت سیناپتیکس، ژتونهایی طراحی کرده که از روی «شبکیة چشم» و «حلزون گوش» مدل سازی شده‌اند.
ساخت یک ژتون می‌تواند دو یا سه سال زمان ببرد. مشکل اصلی انجام مرحله گذاردن سیستم‌های اتصالی است که به تکنولوژی پیشرفته‌ای نیاز دارد.

تقلید ارزان و کم هزینه

دست کم، هفتاد نوع مختلف از شبکه‌های عصبی وجود دارد که برخی به مرحله کاربرد رسیده و برخی دیگر در مرحله تحقیق قرار دارند. اختلاف اساسی آنها در اجرای «قوانین یادگیری» و توپولوژی (جزئیات نقشه) است. اکثر این شبکه‌ها موسوم به شبکه‌های «فیدرفوروارد» هستند- در شبکه لایه‌دار، اطلاعات به جلو عبور داده می‌شود: از «ورودی» به «واحد مخفی» و سرانجام به «خروجی».
جان هوپفلید این شیوه را بهترین نوع آرشیتکت برای شبکه‌های عصبی نمی‌داند و می‌گوید: «در زیست شناسی دستگاه عصبی مقدار زیادی پس خوراند (فیدبک) وجود دارد. اتصالاتی هستند که از میان لایه‌ها به عقب بر می‌گردند. این امر سیستم را از نظر محاسباتی بسیار قدرتمندتر می‌سازد.»
متخصصان کامپیوترهای شبکه عصبی و زیست شناسان دستگاه عصبی زوج مناسبی را تشکیل داده‌اند. اسکان فالمن، محقق و دانشمند شبکه‌های عصبی در دانشگاه کارنگی ملون پیترزبورگ می‌گوید: «زیست شناسان دستگاه عصبی می‌توانند به من بگویند که تعداد اتصالات هر نورون یا سلول عصبی هزار یا ده هزار است. و نیز می‌توانند بگویند که پس خوراند قابل ملاحظه‌ای از میان یک نورون وجود ندارد. اما متأسفانه نمی‌توانند اطلاعاتی درباره اینکه در سیناپس نورون دقیقاً چه می‌گذرد ارائه نمایند.»
شبکه‌های عصبی هنوز راه بسیار درازی برای رسیدن به سیستم ارتباطی مغز انسان در پیش دارند. در حال حاضر در برابر آن‌ها، یک «سوسک» به یک «نابغه» می‌ماند. ولی در ظرف سالیان آینده نورون‌های الکترونیکی می‌توانند به پیچیدگی سیستم عصبی «زنبور» نزدیک شوند.
این گونه پیچیدگی ها اجازه کاربرد سیستم هایی نظیر کشف هواپیماهای مخفی، نظارت بر صحنه‌های جنگ، و شناسایی هدف را می‌دهند. زنبورها در مقایسه با سلاح‌های باهوش بسیار هوشمند هستند و می توانند مسیر و هدف خود را انتخاب کنند.
جان هوپفیلد (John Hopfield) فیزیک‌دان، شبکة گستردة یاخته‌های عصبی مغز انسان را برای انجام محاسبات الگو قرار داده و از طریق ریاضی بیان کرده است که چگونه «نورون» یا «یاخته‌های عصبی» می‌توانند با عملکردی مجتمع، اطلاعات را پردازش و ذخیره نمایند.