Tovább a kaotikus, kognitív architektúra felé
Boris Durán
Olaszországi Technológiai Intézet – Genovai Egyetem
Via Morego 30, 16145 Genova, Italy,
boris@unige.it
Kivonat: A humanoid robotok növekvő komplexitása és az ő várható teljesítményük valós és változó körülmények között egyaránt igényel komplex, önálló és dinamikus megoldásokat. Ennek a projektnek a célja egy megismerő architektúra megtervezése és kivitelezése a megismerés index-kód paradigmájának alapjain. Ennek az architektúrának a magjai amiket mi eszközökként szeretnénk használni azok a nemlineáris dinamikus rendszerek és főként azokkal összekapcsolva a kaotikus rendszerek. A következő megvalósíthatósági tanulmányok ezekkel a rendszerfajtákkal együtt érdekes eredményeket mutatnak és motiválnak minket a tervezett célok elérésére. Ez a cikk jelenleg egy elméleti hátteret kíván nyújtani a tervezett architektúra megértéséhez, továbbá be szeretne mutatni néhány eredményt, hogy bátorítson a jelenlegi és jövőbeli munkára.
1. Bevezetés
A humanoid robotok kutatásának történetében vissza kell tekintenünk hozzávetőlegesen 30 évet és akkor erős dualitást láthatunk az emberi természetben. Az emberi természet egyik részében jelen van egyrészt a szabályozáselmélet 50 éves tradícióját használó és ellenőrző "ügynök" teste, (ami itt most egy mesterséges entitást jelöl, ami az emberi viselkedés szimulációjának használatát reprezentálja ebben a cikkben) másrészt ekkor kezdődnek az ipar automatizálásával együtt az 1960-as évek. Az emberi természet másik részében pedig ami saját elméjét képezi, és amit saját testétől függetlenül kezelt a kognitivista megközelítés segítségével, illetve amely egy nagyon ígéretes területe volt az akkori kutatásoknak megszületett az, ami által megismerte a mesterséges intelligencia jellemzőit.
A kognitivizmus egy volt a kogníció két fő paradigmája közül és ez relatíve sikeres volt ebben a megoldandó feladatban a specifikus problémák között. Ez a megközelítés úgy láttatja a megismerést, mint számítások sorozatát, amelyek a világot szimbólumokként vagy reprezentációkként definiálják, és ezek a reprezentációk előre tervezettek egy humán programozó által. A fő probléma ezzel a megközelítéssel, az hogy még, szemben a követelményekkel, erősen függ a rendszer programozójának tudásától, és itt a szimbólum az alapprobléma, a keretprobléma és a kombinatorikus probléma is egyben.
Terveinkben szeretnénk a kognitív architektúra fejlesztésére fókuszálni, amely bázisát képezi a kogníció index-kód paradigmájának. Ez a paradigma úgy láttatja a kogníciót, mint az oda-vissza hatás folyamatát a környezet és az ügynök között. Más szavakkal az ügynök konstrukció a világgal való interakció során válik kézzelfogható valósággá. Éppen ezért a kognitivista megközelítéssel ellentétben az elme nem tud függetlenné válni a testtől és a világról szerzett tudásunk nincs előre meghatározva egy tervező által.
A tervezett kognitív architektúra terve alapjául kíván szolgálni a különféle stratégiai eszközök használatának a nemlineáris dinamikai rendszerek elmélete által, és a speciális kaotikus rendszerek által biztosítva. Ennek az elméletnek a használatánál sem az ügynök, sem a környezet sem kívánja modell felállítását, mivel mind a két entitás nemlineáris rendszernek tekinthető, ráadásul a feladat megoldásának az útja nincs előre meghatározva, összehasonlítva a tradícionális kontroláló megközelítéssel, ahol ha az ügynök lépéseket tesz, az a következőkben a feladat megoldását, vagy a probléma biztos leküzdését jelenti. Röviden ha még mind a két megközelítésre szükségünk van, hogy tudjuk mit csináljunk, akkor a nemlineáris dinamikus rendszerek elmélete fog megszabadítani minket a tudástól, hogy hogyan oldjuk meg a feladatot, amivel felülkerekedünk azokon a lassú reakciókon, amiket a tradícionális kontroláló modellekben találhatóak meg.
Több, mint száz éves a káosz empirikus definíciója és majdnem ötven éve formálódik a káoszt vizsgáló tudomány, és mindössze az utóbbi 10 évben lehetünk tanúi a káosz, mint tudomány gyakorlati alkalmazásának a telekommunikációban, a közgazdaságtanban, a szociológiában, a motorok szabályozásában stb. Viszont a mi fő érdeklődési irányvonalunk ezen az elméleten belül abba az irányba mutatott, hogy foglalkozzunk azokkal a bizonyítékokkal, amelyeket a különböző kutatások találtak a neuropszichológia és a fejlődéspszichológia területein belül.
1.1 Kapcsolódó munka
A tapasztalatokból levont eredmények alapján a különféle kutatócsoportok a káosz jelenlétét sugallják az agyban. A káosz kicsit eltérő szerepének eredményeként egy dinamikus láncszem jelenik meg az érzékelés és a memória között, amely a nemlineárisan dinamikus (kaotikus) térben épül fel. Annak ellenére, hogy ezek az eltérő modellek ugyanezekből a kutatásokból származnak, ez mindenképp nagy javulást jelent, ha összehasonlítjuk a konvencionális neurális hálózatokkal, de a működtetés végső mechanizmusa ugyanazok között a feltételek között még így is minden esetben hiányzik. Más szavakkal csak az észlelés és a memória van jelen ezekben a modellekben, de ezek nem tekinthetőek a dinamikus rendszer részeiként kezelt meghajtó outputoknak, és egyes esetekben diszkretizálják a kimeneti teret, elveszítve a már megszerzett hatékonyságot.
Másrészről viszont számos csoport fókuszál saját kutatásaiban az ügynökök reflexív (visszaható) részeire. Ezekben a modellekben a működtetés teljesíthető figyelembe véve az ügynök történetét. Ezek és más csoportok figyelemre méltó előrelépéseket értek el az adaptív viselkedés fejlesztésében, de ellentétben az előző csoportokkal csak az észlelés és a működtetés területén, kihagyva így a memória szenzomotoros visszacsatolását.
Ez így nem képez egy valós kognitív architektúrát a megismerés jelenlegi modelljei között, ami közvetlen felhasználását jelentené a nemlineáris dinamikus rendszereknek. Jobb architektúrákat eredményezne a megismerés index-kód paradigmáját használó előrecsatolt neurális hálózatok moduláris verziója a klasszifikáció és a regresszió szempontjából. A hálózatoknak ez a típusa nemlineáris, statikus hálózatokat képez, ahol egy adott input összekapcsolódik az adott outputtal, és megmaradnak egy állandósult állapotban, amíg a bemenet ugyanaz marad. Ezt a folyamatot csökkentett memóriakapacitás és a folyamatot generáló adathalmazok minőségétől való nagyobb függés jellemzi. Egyéb architektúrák, mint az öntudatos és önállóan ható (SASE) kognitív architektúrák a Markov féle döntési folyamatok statisztikáinak formáját használják. Itt újra szükség lenne rá, hogy megtaláljuk egy másik útját a memóriák mentésének, kezelésének és visszakeresésének, amely a drága számítási munkafolyamatok eredményeit tartalmazza.
1.2 Célok
A kutatásunk fő célja, hogy létrehozzunk egy kognitív architektúrát, a matematika eszközeit felhasználva, a nemlineáris dinamikai rendszerek segítségével, amely integrálja a szenzorokból beérkező információkat a belső térből (memória) beérkező információkkal, és hogy végül modulálja a generált viselkedés kimenetét egy visszaható fizikai rétegen belül. A fő hozzájárulás a rendszerhez, egy itt javasolt lehetőség, amelynek egy dinamikus szenzomotoros hurok az alapja, és ez magában foglalja a modulátort, mint a döntések lépéseinek történetét a generált viselkedés végső megjelenési formájáig.
A munka egyéb előnyei között bizonyos kaotikus rendszerek szerepelnek, mint a kaotikus csapongás, tekintettel a nem ismétlődő neurális hálózatokra, és itt meg lehet említeni az információ dinamikus késleltetését, a megnövekedett tanulási képességeket, a tökéletesített mintafelismerést, a hatékony keresést a memóriában, a memória reprezentálását dinamikus folyamatok által, és nem csak statikus mintázatok formájában, illetve a tanulás és az emlékezés egyidejű folyamatait.
A második részben bevezetést adunk az általunk alkalmazott módszertanba követve a jelenlegi munkánk menetét, amely a tervezett célunk elérését szolgálja ebben a cikkben. Néhány példa a legérdekesebb eredményekből, és a korábbi tapasztalatokból a végrehajtással kapcsolatban kapcsolódva a kaotikus rendszerekhez, amiket a harmadik részben szeretnénk ismertetni, végül befejezés...
2. Kutatási módszertan
Bármilyen emberi viselkedés leírható a három fő komponens integrációja által úgy, hogy az interakció folyamatos marad közöttük. A bemeneti blokk különféle információkból áll, amelyeket szenzorok specifikus típusai által szerzett, és a fizikai réteg (hardware) által installált az ügynök. A kimeneti blokk képezi az eszközök csoportját, amely a fizikai rétegnek is a része, és az ügynök segítségével használja a specifikus tevékenységek generálásához a környezeten belül, mint például a motorokat, kijelzőket, hangszórókat. Végül pedig az 'elme' blokk, amely egy bonyolultabb rendszer, mivel több részből tevődik össze, de mindegyik részhez tartozik egy szoftveres réteg (mindware), így: rövid és hosszú távú memóriák, érzelmek, ébrenléti ciklusok, döntés előkészítés.
A módszertan, amellyel a mindware-t tanulmányozzuk az előbb említett nemlineáris dinamikus rendszerek elméletére épülő koncepción alapszik. A fő komponenseit ennek a blokknak különböző szakaszok jelentik a kreációban, az asszociációban, a keresésben, és memóriákban való visszakeresésben. A dinamikus memóriák különböző modelljeinek jövőbeni tanulmányozását különösen Tsuda, Freeman és Molter javasolják. Az összes ilyen megközelítést információként kezelik mindig káosszal a háttérben, és ismétlődő neurális hálózatokat használnak azok végrehajtására.
Egy kognitív, önállóan fejlődő rendszer ezt nem tudja elérni figyelembe véve egy jól reagáló visszaható fizikai réteget és egy dinamikus utját kizárólag a mentésnek és a visszakeresésnek. Egy ügynöknek ezért önállóan figyelembe kell vennie az átkapcsolás útját a figyelem különböző ciklusai között, a mentális és/vagy fizikai próbatételeket, és a korrekt visszakeresést az előzőleg megtanult szenzomotoros információk között, hogy fejlődni tudjon.
3 Korábbi tapasztalatok
3.1 Összekapcsolt térképek adaptív kapcsolatokkal.
Az összekapcsolt térképek hálóit (CML) és globális összekapcsolt térképeket (GCM) Kunihiko Kaneko vezette be az 1980-as évek közepén, mint egy alternatív tanulmányozási lehetőségét a spatiotemporális káosznak. Röviden ezek a dinamikai rendszerek diszkrét parciális differenciálegyenleteket használnak, hogy tanulmányozni tudjuk az evolúció folyamatát, amely diszkrét lépésekkel halad előre a térben és időben, de nem diszkrét, hanem kontinuum egységet teremt a természet struktúrájában. Két paraméter szabályozza ezeknek a térképeknek a dinamikáját: egy kaotizáló faktor, továbbá a kapcsolatok szilárdsága a térkép elemei között.
A dinamikus változók tanulmányozását amelyek az elemek közötti dinamikus kapcsolatokat jellemzik a GCM-ben Ito és Kaneko végezte el. A modellt leírják a következő egyenletek: Az első egyenlet összhangban van a GCM-el, ahol f reprezentálja a kaotikus térképet (1c) frissíti az összes többi részegységehez fűződő kapcsolatokat a hálózatban változás esetén; és (1d) adja meg a hebb szabályt irányító viszonyokat a részegységek között.
A klasszikus verziója a logisztikus térképnek (1b) minden kutatás szerint a transzfer függvényt használja.
Az (1c)-ben ? reprezentálja a kapcsolatok plaszticitásának fokozatait és rangsorolásukat 0-tól 1-ig.(1c)-ben wij a súlyokat reprezentálja utalva a hatásra, amit j részegység gyakorol az i részegységre. Az önálló kapcsolatok száma 0 volt és a kezdeti feltételek között az egyéb kapcsolatok száma 1/(N - 1), ahol N a kaotikus egységek száma.
3.2 Módszertan
Az elektronikus kölyök fejének egy példánya a robotkölyök projekt humanoid platformja volt, és a korábbi tapasztalatokat használta fel a továbbfejlődéséhez. A fejnek hat fokozata van az önállóság felé: forgópályán és dülöngélve haladva a nyak körül, egyenes pályán mozgás mindkét szemmel előre figyelve úgy, hogy mindegyik szemük a forgó motoroktól függ. Az összes szem tartalmaz egy kamerát, amelyek biztosítanak két mennyiségi tényezőt: a cél pozícióját vertikális és horizontális irányokban. Ezek az értékek módosítják az összes motor pozícióit, így egy összekapcsolt kaotikus rendszert generálnak 6 logisztikus térképpel 1. ábra.
1. ábra az elektronikus kölyök szenzomotoros diagrammja a működtetés 5. szintjén.
3.3 Eredmények
A gyenge és erős kapcsolatok fejlődése a kaotikus részegységek között függ az interakció szintjétől előrehaladva az időben 2. ábra. Annak ellenére, hogy minden kapcsolat ugyanazzal az értékkel indul a rendszernek csak kevés lépés kell, hogy elkülönítse a csoportban a gyenge és erős kapcsolatokat. Nagyon érdekes megfigyelés erről a jelenségről, hogy körülbelül 500 lépés kell ahhoz, hogy a kapcsolatban lévő összes részegység elkezdjen oszcillálni a megengedett aktivitás középértéke körül. Extrém eseteknek számítanak a felemelkedő egységek minden szemben, így az LP és az RP, amelyek egy erős hatás által fejlődnek, amely a nyak felemelkedő mozgásából származik, viszont semmi hatás nem éri más tényezők által. A forgó részegységek a nagyobb egyensúlyi hatás irányába fejlődtek saját hálózatukban mindig 0,5 körül oszcillálva.
A 3500. lépésnél a rendszer befejezte működését a már teljesen kifejlett állapotban ahol a belső kapcsolatainak változása nagyon kicsi. A végén mindegyik részegységre hatással volt nem több, mint 2 másik részegység az egész hálózaton belül 2. ábra. Ahogy az várható volt két független alhálózat bukkant fel 20 másodperc alatt. Az egyik oldalon minden kaotikus egység esetében a forgó mozgások erősítik a kapcsolatokat, míg a gyengítő hatások az emelkedő egységekből származnak, és ugyanez történik azokkal az egységekkel, amelyek az emelkedő mozgásokból táplálkoznak, ha összehasonlítjuk őket a forgó egységekkel.
2. ábra felül: kezdő (bal) és végső (jobb) konfigurációi a GCM-nek. Alul: A kapcsolatok fejlődése az időben.
4. Tárgyalás
A modern és a klasszikus szabályozáselmélet két megszorítással alkalmazta a szabályozást bármilyen autonóm rendszerben. Mindig biztosította a nagyon pontos és hatékony tevékenységet az indusztriális környezeten belül ahol a gép és a környezet precízen tudja modellezni a munkát a stabillá tett tereken belül. Annak ellenére, hogy a specializált mobil humanoid robotok hajtanak minket arra felé, hogy felülvizsgáljuk a hasznosságát ennek a megközelítésnek a dinamikus és kiszámíthatatlan környezetben a különböző korszerű platformokon, amelyek a szabályozáselmélet tradicionális eszközeit használják. Habár a számítási kapacitás exponenciális növekedése segít foglalkozni az inverz kinematikus és dinamikus környezet drága kezelésével modellezve ezeket a rendszereket és ezek minden alkalommal találnak egy helyzetet ahol az igények gyors reakciót kívánnak, vagy a szükséges mozgást nem kódolta le a programozó.
Egy dinamikus, rugalmas és önálló kognitív architektúra ma már jobban szükségeltetik, mint valaha az emberi természet megértéséhez. Egy rendszer szolgál alapjául a nemlineáris dinamikai rendszerek elméletének, amely olyan fontos területek tanulmányozását kívánja elősegíteni, mint az epilepszia, a fejlődéspszichológia, a pszichoterápia, a motorikus szabályozás, az idegtudományok, és sok egyéb más terület. A jelenleg tervek alapján azt mondhatjuk, hogy a kognitív architektúrnak nagy hasznát fogja venni a tudomány különösen akkor, ha megpróbálunk általa integrálni különböző területeket a tudományos kutatásban, így az ember és robot interakciót, az utánzást, a motorikus szabályozást, a számítógépes látást és a gépi tanulást. Mindegyikük demonstrál egy komplex témát, majd integrálja őket kihívásként önmagának.
Hivatkozások:
1. Karen Adolph. Learning to learn in the development of action, volume 33, chapter
3, pages 91–122. Lawrence Erlbaum Associates, Inc., New Jersey, 2005. In the
Minnesota Symposa on Child Psychology.
2. A. Babloyantz, J. M. Salazar, and C. Nicolis. Evidence of chaotic dynamics of
brain activity during the sleep cycle. Physics Letters A, 111(3):152–156, 1985.
3. Rodney Brooks. A robust programming scheme for a mobile robot. In Proc. of
the NATO Advanced Research Workshop on Languages for sensor-based control in
robotics, pages 509–522, London, UK, 1987. Springer-Verlag.
4. Wayne Christensen and Clifford Hooker. An interactivistconstructivist approach to
intelligence: self-directed anticipative learning. Philosophical Psychology, 13(2):5–
45, 2000.
5. Keith Davids, Chris Button, and Bennett S. Modeling human motor systems in
nonlinear dynamics: Intentionality and discrete movement behaviors. Nonlinear
Dynamics, Psychology, and Life Sciences, 3(1):3–30, 1999.
6. Dario Floreano, Phil Husbands, and Stefano Nolfi. Evolutionary robotics. In
Handbook of Robotics. Springer Verlag, Berlin, 2008.
7. Walter Freeman. Mass Action in the Nervous System. Academic Press Inc., New
York, 2004.
8. Walter Freeman and Giuseppe Vitiello. Nonlinear brain dynamics as macroscopic
manifestation of underlying many-body field dynamics. Physics of Life Reviews,
3(2):93–118, 2006.
9. Stephen Guastello. Motor control research requires nonlinear dynamics. American
Psychologist, 61(1):77–78, 2006.
10. Derek Harter. Towards a model of basic intentional systems: Nonlinear dynamics
for perception memory and action in autonomous adaptive agents. PhD thesis,
The University of Memphis, May 2004.
11. Robert Hristovski, Keith Davids, Duarte Araujo, and Chris Button. How boxers
decide to punch a target: Emergent behaviour in nonlinear dynamical movement
systems. Journal of Sports Science and Medicine, 5:60–73, 2006.
12. Michael Hutchinson and Phillip D. Swanson. Chaos theory and the treatment of
refractory status epilepticus: Who benefits from prolonged anesthesia, and is there
a better way? Medical Hypotheses, 68(2):439–441, 2007.
13. Junji Ito and Kunihiko Kaneko. Spontaneous structure formation in a network of
dynamic elements. Phys. Rev. E, 67(4):046226, Apr 2003.
14. Kunihiko Kaneko. Relevance of dynamic clustering to biological networks. Physica
D: Nonlinear Phenomena, 75(1):55–73, Aug 1994.
15. Kunihiko Kaneko and Ichiro Tsuda. Complex Systems: Chaos and Beyond.
Springer-Verlag, 2001.
16. Leslie Kay, Koji Shimoide, and Walter Freeman. Comparison of eeg time series
from rat olfactory system with model composed of nonlinear coupled oscillators.
International Journal of Bifurcation and Chaos, 5(3):849–858, 1995.
17. Jeffrey Krichmar and Gerald Edelman. Brain-based devices for the study of nervous
systems and the development of intelligent machines. Artificial Life, 11(1-2):63–77,
2005.
18. Yasuo Kuniyoshi and Shinsuke Suzuki. Dynamic emergence and adaptation of behavior
through embodiment as a coupled chaotic field. In Proceedings of 2004
IEEE/RSJ International Conference on Intelligent Robots and Systems, pages
2042–2049, 2004.
19. Mark Latash, John Scholz, and Gregor Sch¨oner. Toward a new theory of motor
synergies. Motor control, 11(3):276–308, 2007.
20. WANG Le, LI Guang, LI Xu, GUO Hongji, and Walter J. Freeman. A chaotic
neural network mimicking an olfactory system and its application on image recognition.
Journal of Bionics Engineering, 1(3):191 – 198, 2004.
21. Colin Molter, Utku Salihoglu, and Hugues Bersini. The road to chaos by timeasymmetric
hebbian learning in recurrent neural networks. Neural Computation,
19(1):80–110, 2007.
22. Frank Pasemann, Uli Steinmetz, Martin H¨ulse, and Bruno Lara. Evolving brain
structures for robot control. In IWANN ’01: Proceedings of the 6th International
Work-Conference on Artificial and Natural Neural Networks, volume 2085 of Lecture
Notes in Computer Science, pages 410–417. Springer-Verlag, 2001.
23. David Pincus. Dynamical systems theory and pain imagery: Bridging the gap
between research and practice. Journal of Mental Imagery, 30(1-2):93–112, 2006.
24. David Pincus and Stephen Guastello. Nonlinear dynamics and interpersonal correlates
of verbal turn-taking patterns in group therapy. Small Group Research,
36(6):635–677, 2005.
25. RobotCub Project. Robotic open-architecture technology for cognition, understanding
and behaviours. http://www.robotcub.org.
26. Mikhail Rabinovich, Pablo Varona, Allen Selverston, and Henry Abarbanel. Dynamical
principles in neuroscience. Reviews of Modern Physics, 78(4):1213–1265,
2006.
27. S. Schaal, P. Mohajerian, and A.J. Ijspeert. Dynamics systems vs. optimal control
a unifying view. Progress in Brain Research, 165:425–445, 2007.
28. Murray Shanahan. A cognitive architecture that combines internal simulation with
a global workspace. Consciousness and Cognition, 15(2):433–449, 2006.
29. D.-S. Shiau, W. Chaovalitwongse, L. D. Iasemidis, P. M. Pardalos, P. R. Carney,
and J. C. Sackellares. Nonlinear dynamical and statistical approaches to investigate
state transitions before epileptic seizures. pages 239–249, 2004.
30. Elizabeth Spelke and Katherine Kinzler. Core knowledge. Developmental Science,
10(1):89–96, 2007.
31. Esther Thelen and Linda Smith. A dynamic systems approach to the development
of cognition and action. The MIT Press Inc., Cambridge, MA, 1994.
32. Ichiro Tsuda. Toward an interpretation of dynamic neural activity in terms of
chaotic dynamical systems. Behavioral and Brain Sciences, 24(5):793–847, 2001.
33. Ichiro Tsuda and Hiroshi Fujii. A complex systems approach to an interpretation
of dynamic brain activity i: Chaotic itinerancy can provide a mathematical basis
for information processing in cortical transitory and nonstationary dynamics. In
Summer School on Neural Networks, volume 3146 of Lecture Notes in Computer
Science, pages 109–128. Springer, 2003.
34. Ichiro Tsuda and Shigeru Kuroda. A complex systems approach to an interpretation
of dynamic brain activity ii: Does cantor coding provide a dynamic model for
the formation of episodic memory? In Summer School on Neural Networks, volume
3146 of Lecture Notes in Computer Science, pages 129–139. Springer, 2003.
35. David Vernon. Cognitive vision: The case for embodied perception. Image Vision
Comput., 26(1):127–140, 2008.
36. David Vernon and Dermot Furlong. Philosophical foundations of ai. In 50 Years
of Artificial Intelligence, volume 4850 of Lecture Notes in Artificial Intelligence,
A cikk angol nyelvű forrása: http://www.robotcub.org/misc/papers/08_boris_cogsys.pdf
Comparison of Emerging Manufacturing Concepts
Comparison of Emerging Manufacturing Concepts Fejlődő gyártási koncepciók összehasonlítása
The current and continuing focus on agile manufacturing will pave the way towards organisational structures with very high operational flexibility and the ability of systems to transform their internal structure and technology as needed. A jelenben meglévő, folyamatos figyelem az agilis gyártási technológiákra előkészíti az utat a nagyon magas szintű operatív rugalmassággal rendelkező szervezeti struktúrák kialakulásához és a rendszerek belső strukturális és technológiai átalakulásához fűződő képességek kialakulásához, amelyek jelenbeli szükségletként jelentkeznek.
A promising structure, in this respect, is a conglomerate of distributed and autonomous units which operate as a set of cooperating entities. Egy jónak igérkező struktúra ebben a tekintetben konglomerátuma a megosztott és önálló részegységeknek, amelyek működtetnek egy halom egymással együttműködő entitást.
In this paper we examine the emerging Bionic, Fractal and Holonic concepts of manufacturing. Ebben a cikkben megvizsgáljuk a fejlődő bionikus, fraktális és holonikus gyártási koncepciókat.
http://www.asknature.org/
The flippers of the humpback whale channel flow and increase aerodynamic efficiency due to tubercles or bumps. A hosszúszárnyú bálna uszonyai megfelelő áramlást és növekvő aerodinamikai hatékonyságot biztosítanak gümőikkel és daganataikkal.
The gills of basking sharks filter plankton from seawater for nutrition via specialized filters called gill-rakers. A cápák kopoltyúi planktont szűrnek a tengervízből táplálékként egy speciális szűrő segítségével amit úgy hívnak, hogy kopoltyú kaparó.
Nincsenek megjegyzések:
Megjegyzés küldése