Модель энергообмена между агнейронами в составе мультиагентной нейрокогнитивной архитектуры

И. А. Пшенокова, А. З. Апшев

---

Аннотация. В последние годы распределенный искусственный интеллект привлек внимание академических кругов из-за его способности решать сложные вычислительные задачи. Основным направлением данной статьи являются мультиагентные системы. Гибкость мультиагентных систем делает их подходящими для решения задач в различных дисциплинах, включая информатику, экономику, гражданское строительство и др. Целью настоящего исследования является построение имитационной модели энергообмена между агентами в интеллектуальной системе принятия решений на основе мультиагентной нейрокогнитивной архитектуры. Объектом исследования является процесс энергообмена в нейронной структуре головного мозга. В работе предлагается модель энергообмена между агнейронами в составе мультиагентной нейрокогнитивной архитектуры интеллектуального агента. Предлагаемый формализм основан на нейрофункциональном сходстве агнейронов интеллектуального агента с нейронами человеческого мозга. Рассматривается процесс обмена и потребления энергии нейронами мозга в процессе выполнения когнитивных функций. В частности, работа сочетает в себе знания, полученные в результате изучения митохондриальной функции и метаболической энергии мозга. Представлен формализм для расчета энергии агнейронов и акторов на разных уровнях инварианта мультиагентной нейрокогнитивной архитектуры интеллектуального агента. Дальнейшая работа будет заключаться в тестировании представленной архитектуры в разрабатываемой программе имитационного моделирования.

Ключевые слова: интеллектуальный агент, мультиагентные системы, когнитивная архитектура, системы принятия решений и управления

Для цитирования. Пшенокова И. А., Апшев А. З. Модель энергообмена между агнейронами в составе мультиагентной нейрокогнитивной архитектуры // Известия Кабардино-Балкарского научного центра РАН. № 5(115). С. 32–40. DOI: 10.35330/1991-6639-2023-5-115-32-40

Информация об авторах

Пшенокова Инна Ауесовна, канд. физ.-мат. наук, зав. лаб., Институт информатики и проблем регионального управления – филиал Кабардино-Балкарского научного центра РАН;
360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;
pshenokova_inna@mail.ru, ORCID: https://orcid.org/0000-0003-3394-7682
Апшев Артур Заурбиевич, стажер-исследователь, Институт информатики и проблем регионального управления – филиал Кабардино-Балкарского научного центра РАН;
360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;
apshev@mail.ru

Список литературы

1. Dorri A., Kanhere S., Jurdak R. Multi-agent systems: A Survey. IEEE Access. 2018. Vol. 6. Pp. 28573–28593. DOI: 10.1109/ACCESS.2018.2831228.
2. Bond A., Gasser L. Readings in distributed artificial intelligence. San Mateo, CA, USA: Morgan Kaufmann, 2014. 668 p.
3. Wooldridge M. An Introduction to multiagent systems. New York, NY, USA: Wiley, 488 p.
4. Shamshirband S., Anuar N., Kiah M., Patel A. An appraisal and design of a multi-agent system based cooperative wireless intrusion detection computational intelligence technique. Eng. Appl. Artif. Intell. 2013. Vol. 26. Pp. 2105–2127. DOI:10.1016/j.engappai.2013.04.010.
5. Zou A.-M., Kumar K., Hou Z.-G. Distributed consensus control for multi-agent systems using terminal sliding mode and Chebyshev neural networks. Int. J. Robust Nonlinear Control. 2013. ol. 23(3). Pp. 334–357. DOI:10.1002/rnc.1829.
6. Calvaresi D. et al. Real-time multi-agent systems: rationality, formal model, and empirical results. Autonomous agents and multi-agent systems. 2021. Vol. 35(1). P. 12. DOI: 10.1007/s10458-020-09492-5.
7. Zhang D. et al. Physical safety and cyber security analysis of multi-agent systems: A survey of recent advances. IEEE/CAA Journal of automatica sinica. 2021. Vol. 8(2). Pp. 319–333. DOI:10.1109/JAS.2021.1003820.
8. Rezaee H., Abdollahi F. Average consensus over high-order multiagent systems. IEEE Trans. autom. control. 2015. Vol. 60(11). Pp. 3047–3052. DOI:10.1109/TAC.2015.2408576.
9. Ma L., Min H., Wang S. et al. An overview of research in distributed attitude coordination control. IEEE/CAA J. autom. sinica. 2015. Vol. 2(2). Pp. 121–133.
10. Nagoev Z., Pshenokova I., Nagoeva O. et al. Learning algorithm for an intelligent decision making system based on multi-agent neurocognitive architectures. Cognitive systems research. Vol. 66. Pp. 82–88. DOI: 10.1016/j.cogsys.2020.10.015
11. Нагоев З. В. Интеллектика, или мышление в живых и искусственных системах // Нальчик: Издательство КБНЦ РАН, 2013. 213 с.
12. Нагоев З. В. Мультиагентные экзистенциальные отображения и функции // Известия Кабардино-Балкарского научного центра РАН. 2013. № 4 (54). С. 63–71.
13. Nagoev Z., Pshenokova I., Nagoeva O. et al. Situational analysis model in an intelligent system based on multi-agent neurocognitive architectures. Journal of Physics: Conference Series. 2131 (2021) 022103. DOI:10.1088/1742-6596/2131/2/022103.
14. Picard M., McEwen B.S. Mitochondria impact brain function and cognition. Proceedings of the National Academy of Sciences. 2014. Vol. 111. No. 1. Pp. 7–8.
15. Wallace D.C. Bioenergetics, the origins of complexity, and the ascent of man. Proceedings of the National Academy of Sciences. 2010. Vol. 107. No. supplement_2. Pp. 8947–8953.
16. Chan D.C. Fusion and fission: interlinked processes critical for mitochondrial health. Annual Review of genetics. 2012. Vol. 46. Pp. 265–287.
17. Пшенокова И. А., Нагоева О. В., Апшев А. З. и др. Формирование динамических причинно-следственных зависимостей при управлении поведением интеллектуального агента на основе формализма мультиагентных нейрокогнитивных архитектур // Известия Кабардино-Балкарского научного центра РАН. 2022. № 5(109). С. 73–80. DOI: 10.35330/1991-6639-2022-5-109-73-80.
18. Raichle M.E., Gusnard D.A. Appraising the brain’s energy budget. PNAS. 2002. Vol. 99(16). Pp. 10237–10239. DOI: 10.1073/pnas.172399499.
19. Bruckmaier M., Tachtsidis I., Phan P. e al. Attention and Capacity Limits in Perception: A Cellular Metabolism Account. Journal of Neuroscience. 2020. Vol. 40 (35). Pp. 6801–6811. DOI: 10.1523/JNEUROSCI.2368-19.2020.