Нейросетевой метод идентификации номинальной эмерджентности в дискретной системе
(Стр. 114-124)
Подробнее об авторах
Боровик Константин Янович
аспирант, кафедра «Информационные системы и телекоммуникации»
Московский государственный технический университет имени Н.Э. Баумана
г. Москва, Российская Федерация Алфимцев Александр Николаевич доктор технических наук, профессор; заведующий, кафедра «Информационные системы и телекоммуникации»; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация
Московский государственный технический университет имени Н.Э. Баумана
г. Москва, Российская Федерация Алфимцев Александр Николаевич доктор технических наук, профессор; заведующий, кафедра «Информационные системы и телекоммуникации»; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
В данной статье исследуется возможность выявления эффекта номинальной эмерджентности в сложной системе на примере клеточного автомата «Игра “Жизнь”». Описываются теоретические основы эмерджентности, рассматриваются различные ее виды, предлагается метод для выявления номинальной эмерджентности в сложной системе. Для выявления номинальной эмерджентности проектируются архитектуры искусственных нейронных сетей для перехода от микроуровня системы на макроуровень. Демонстрируется снижение точности предсказания динамики макроуровня в сравнении с микроуровнем, что свидетельствует о наличии номинальной эмерджентности в системе.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Боровик К.Я., Алфимцев А.Н. Нейросетевой метод идентификации номинальной эмерджентности в дискретной системе // Computational Nanotechnology. 2026. Т. 13. № 1. С. 114-124. DOI: 10.33693/2313-223X-2026-13-1-114-124. EDN: MQGZDJ
Список литературы:
Анциперов В.Е. Генеративная модель автокодировщиков, самообучающихся на изображениях, представленных выборками отсчетов // Автоматика и телемеханика. 2022. № 12. С. 108–140. DOI: 10.31857/S0005231022120091. EDN: KSXBRK.
Багаев И.И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow // Математическое и программное обеспечение систем в промышленной и социальной сферах. 2020. Т. 8. № 1. С. 15–22. DOI: 10.18503/2306-2053-2020-8-1-15-22. EDN: IZBILN.
Дауни А.Б. Изучение сложных систем с помощью Python / пер. с англ. Д.А. Беликова. М.: ДМК Пресс, 2019. 160 с. ISBN: 978-5-97060-712-1.
Bedau M.A. Weak emergence // Philosophical Perspectives. 1997. Vol. 11. Pp. 375–399.
Hoel E.P., Albantakis L., Tononi G. Quantifying causal emergence shows that macro can beat micro // Proceedings of the National Academy of Sciences. 2013. Vol. 110. No. 49. Pp. 19790–19795.
Mediano P.A.M., Seth A.K., Barrett A.B. Measuring integrated information: Comparison of candidate measures in theory and simulation // Entropy. 2019. Vol. 21. No. 1. Art. 17.
Santamaría-Bonfil G., Gershenson C., Fernández N. A package for measuring emergence, self-organization, and complexity based on Shannon entropy // Frontiers in Robotics and AI. 2017. Vol. 4. Art. 10. DOI: 10.3389/frobt.2017.00010. EDN: PKPVSK.
Seth A.K. Measuring autonomy and emergence via Granger causality // Artificial Life. 2010. Vol. 16. No. 2. Pp. 179–196. DOI: 10.1162/artl.2010.16.2.16204. EDN: NYTITV.
Springer J.M., Kenyon G.T. It’s hard for neural networks to learn the game of life // International Joint Conference on Neural Networks (IJCNN). IEEE, 2021. Pp. 1–8.
Systems analysis approach for complex global challenges. P. Mensah et al. (eds.). Springer, 2018. EDN: YJQCLZ.
Thoren H., Gerlee P. Weak emergence and complexity. MIT Press, 2010. 250 p.
Yang M. et al. Finding emergence in data by maximizing effective information // National Science Review. 2025. Vol. 12. No. 1. DOI: 10.1093/nsr/nwae279. EDN: RQKAGB.
Yuan B. et al. Emergence and causality in complex systems: A survey of causal emergence and related quantitative studies // Entropy. 2024. Vol. 26. No. 2. Art. 108. DOI: 10.3390/e26020108. EDN: MTXAEF.
Zhang J., Liu K. Neural information squeezer for causal emergence // Entropy. 2022. Vol. 25. No. 1. Art. 26. DOI: 10.3390/e25010026. EDN: UZDQKR.
Zhu J., Jang-Jaccard J., Watters P.A. Multi-loss siamese neural network with batch normalization layer for malware detection // IEEE Access. 2020. Vol. 8. Pp. 171542–171550. DOI: 10.1109/access.2020.3024991. EDN: ZEOCBL.
Багаев И.И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow // Математическое и программное обеспечение систем в промышленной и социальной сферах. 2020. Т. 8. № 1. С. 15–22. DOI: 10.18503/2306-2053-2020-8-1-15-22. EDN: IZBILN.
Дауни А.Б. Изучение сложных систем с помощью Python / пер. с англ. Д.А. Беликова. М.: ДМК Пресс, 2019. 160 с. ISBN: 978-5-97060-712-1.
Bedau M.A. Weak emergence // Philosophical Perspectives. 1997. Vol. 11. Pp. 375–399.
Hoel E.P., Albantakis L., Tononi G. Quantifying causal emergence shows that macro can beat micro // Proceedings of the National Academy of Sciences. 2013. Vol. 110. No. 49. Pp. 19790–19795.
Mediano P.A.M., Seth A.K., Barrett A.B. Measuring integrated information: Comparison of candidate measures in theory and simulation // Entropy. 2019. Vol. 21. No. 1. Art. 17.
Santamaría-Bonfil G., Gershenson C., Fernández N. A package for measuring emergence, self-organization, and complexity based on Shannon entropy // Frontiers in Robotics and AI. 2017. Vol. 4. Art. 10. DOI: 10.3389/frobt.2017.00010. EDN: PKPVSK.
Seth A.K. Measuring autonomy and emergence via Granger causality // Artificial Life. 2010. Vol. 16. No. 2. Pp. 179–196. DOI: 10.1162/artl.2010.16.2.16204. EDN: NYTITV.
Springer J.M., Kenyon G.T. It’s hard for neural networks to learn the game of life // International Joint Conference on Neural Networks (IJCNN). IEEE, 2021. Pp. 1–8.
Systems analysis approach for complex global challenges. P. Mensah et al. (eds.). Springer, 2018. EDN: YJQCLZ.
Thoren H., Gerlee P. Weak emergence and complexity. MIT Press, 2010. 250 p.
Yang M. et al. Finding emergence in data by maximizing effective information // National Science Review. 2025. Vol. 12. No. 1. DOI: 10.1093/nsr/nwae279. EDN: RQKAGB.
Yuan B. et al. Emergence and causality in complex systems: A survey of causal emergence and related quantitative studies // Entropy. 2024. Vol. 26. No. 2. Art. 108. DOI: 10.3390/e26020108. EDN: MTXAEF.
Zhang J., Liu K. Neural information squeezer for causal emergence // Entropy. 2022. Vol. 25. No. 1. Art. 26. DOI: 10.3390/e25010026. EDN: UZDQKR.
Zhu J., Jang-Jaccard J., Watters P.A. Multi-loss siamese neural network with batch normalization layer for malware detection // IEEE Access. 2020. Vol. 8. Pp. 171542–171550. DOI: 10.1109/access.2020.3024991. EDN: ZEOCBL.
Ключевые слова:
эмерджентность, сложные системы, нейронные сети, клеточные автоматы, автокодировщик.
