✖


Jump to content

Сор (когнитивная архитектура)

парить [1] это когнитивная архитектура , [2] первоначально созданный Джоном Лэрдом , Алленом Ньюэллом и Полом Розенблумом в Университете Карнеги-Меллон .

Цель проекта Soar — разработать фиксированные вычислительные блоки, необходимые для интеллектуальных агентов общего назначения — агентов, которые могут выполнять широкий спектр задач, а также кодировать, использовать и изучать все типы знаний для реализации всего спектра когнитивных способностей, обнаруженных в люди, такие как принятие решений, решение проблем, планирование и понимание естественного языка. Это одновременно теория того, что такое познание , и вычислительная реализация этой теории. С момента своего появления в 1983 году как диссертация Джона Лэрда , она широко использовалась исследователями ИИ для создания интеллектуальных агентов и когнитивных моделей различных аспектов человеческого поведения . Самым актуальным и полным описанием Soar является книга 2012 года « Когнитивная архитектура Soar». [1]

Розенблум продолжал выполнять обязанности соруководителя исследователя после перехода в Стэнфордский университет , а затем в Институт информационных наук Университета Южной Калифорнии . В настоящее время его поддерживает и развивает исследовательская группа Джона Лэрда в Мичиганском университете .

Теория [ править ]

Soar воплощает в себе множество гипотез о вычислительных структурах, лежащих в основе общего интеллекта , многие из которых являются общими с другими когнитивными архитектурами, включая ACT-R , созданную Джоном Р. Андерсоном , и LIDA , созданную Стэном Франклином . В последнее время упор в Soar делается на общий ИИ (функциональность и эффективность), тогда как акцент в ACT-R всегда делался на когнитивное моделирование (детальное моделирование человеческого познания).

Исходная теория познания, лежащая в основе Soar, — это гипотеза проблемного пространства, описанная в Аллена Ньюэлла книге «Единые теории познания» . [2] и восходит к одной из первых созданных систем искусственного интеллекта, книге Ньюэлла, Саймона и , Шоу Теоретика логики впервые представленной в 1955 году. Гипотеза проблемного пространства утверждает, что любое целеориентированное поведение можно представить как поиск в пространстве возможных состояний. ( проблемное пространство ) при попытке достичь цели. На каждом шаге выбирается один оператор, который затем применяется к текущему состоянию агента, что может привести к внутренним изменениям, таким как извлечение знаний из долговременной памяти или модификации или внешние действия в мире. (Название Соара происходит от этого базового цикла «Состояние, Оператор и Результат»; однако оно больше не рассматривается как аббревиатура.) Гипотезе проблемного пространства присуще то, что любое поведение, даже такая сложная деятельность, как планирование, является разложимой. в последовательность выбора и применения примитивных операторов, которые при отображении на поведение человека занимают ~50 мс.

Вторая гипотеза теории Соара заключается в том, что, хотя на каждом этапе может быть выбран только один оператор, что приводит к возникновению узкого места в последовательном процессе, процессы выбора и применения реализуются посредством параллельного запуска правил, которые обеспечивают контекстно-зависимое извлечение процедурных знаний.

Третья гипотеза заключается в том, что если знания, необходимые для выбора или применения оператора, являются неполными или неопределенными, возникает тупиковая ситуация, и архитектура автоматически создает подсостояние. В подсостоянии рекурсивно используется тот же процесс решения проблем, но с целью получить или обнаружить знания, чтобы можно было продолжить принятие решений. Это может привести к образованию стека подсостояний, где естественным образом возникают традиционные методы решения задач, такие как планирование или иерархическая декомпозиция задач . Когда результаты, созданные в подсостоянии, разрешают тупиковую ситуацию, подсостояние и связанные с ним структуры удаляются. Общий подход называется универсальным подцелями.

Эти предположения приводят к архитектуре, поддерживающей три уровня обработки. На самом низком уровне — восходящая, параллельная и автоматическая обработка. Следующий уровень — это совещательный уровень, на котором знания первого уровня используются для предложения, выбора и применения одного действия. Эти два уровня реализуют быстрое и умелое поведение и примерно соответствуют уровню обработки «Система 1 » Канемана . Более сложное поведение возникает автоматически, когда знания являются неполными или неопределенными, через третий уровень обработки с использованием подсостояний, что примерно соответствует Системе 2.

Четвертая гипотеза Soar заключается в том, что базовая структура является модульной, но не с точки зрения модулей, основанных на задачах или возможностях, таких как планирование или язык, а вместо этого в виде модулей, независимых от задач, включая: модуль принятия решений; модули памяти (краткосрочная пространственная/зрительная и рабочая память; долговременная процедурная, декларативная и эпизодическая память), механизмы обучения, связанные со всеми долговременными воспоминаниями; и перцептивные и двигательные модули. Существуют и другие предположения о конкретных свойствах этих воспоминаний, описанные ниже, в том числе о том, что все обучение происходит онлайн и постепенно.

Пятая гипотеза заключается в том, что элементы памяти (за исключением пространственно-зрительной памяти) представлены как символические, реляционные структуры. Гипотеза о том, что символическая система необходима для общего интеллекта , известна как физической системы символов гипотеза . Важным развитием Soar является то, что все символические структуры имеют связанные статистические метаданные (например, информацию о давности и частоте использования или ожидаемом будущем вознаграждении), которые влияют на извлечение, обслуживание и изучение символических структур.

Архитектура [ править ]

Цикл обработки – процедура принятия решения [ править ]

Основной цикл обработки Soar возникает в результате взаимодействия процедурной памяти (ее знаний о том, как что-то делать) и рабочей памяти (ее представление текущей ситуации) для поддержки выбора и применения операторов. Информация в рабочей памяти представлена ​​в виде символьной графовой структуры , основанной на состоянии. Знания в процедурной памяти представлены в виде правил «если-то» (наборов условий и действий), которые постоянно сопоставляются с содержимым рабочей памяти. Когда условия правила совпадают со структурами в рабочей памяти, оно срабатывает и выполняет свои действия. Эту комбинацию правил и рабочей памяти еще называют производственной системой . В отличие от большинства производственных систем, в Soar все соответствующие правила срабатывают параллельно.

Вместо того, чтобы выбор одного правила был основой принятия решений, принятие решений Soar происходит посредством выбора и применения операторов , которые предлагаются, оцениваются и применяются правилами. Оператор предлагается правилами, проверяющими текущее состояние и создающими представление оператора в рабочей памяти, а также приемлемым предпочтением , которое указывает на то, что оператор следует рассматривать для выбора и применения. Дополнительные правила соответствуют предложенному оператору и создают дополнительные предпочтения, которые сравнивают и оценивают его по сравнению с другими предлагаемыми операторами. Предпочтения анализируются с помощью процедуры принятия решения, которая выбирает предпочтительный оператор и устанавливает его в качестве текущего оператора в рабочую память. Правила, соответствующие текущему оператору, затем срабатывают, чтобы применить его и внести изменения в рабочую память. Изменения в рабочей памяти могут представлять собой простые умозаключения, запросы на извлечение информации из долговременной семантической или эпизодической памяти Соара, команды двигательной системе для выполнения действий в окружающей среде или взаимодействие с Пространственной зрительной системой (SVS), которая является хранилищем рабочей памяти. интерфейс восприятия. Эти изменения в рабочей памяти приводят к предложению и оценке новых операторов с последующим выбором одного и его применения.

Обучение с подкреплением [ править ]

Soar поддерживает обучение с подкреплением , которое настраивает значения правил, создающих числовые предпочтения для оценки операторов на основе вознаграждения. Чтобы обеспечить максимальную гибкость, в рабочей памяти существует структура, в которой создается вознаграждение.

Тупики, подсостояния и фрагментирование [ править ]

Если предпочтений для операторов недостаточно для указания выбора одного оператора или недостаточно правил для применения оператора, возникает тупиковая ситуация. В ответ на тупик в рабочей памяти создается подсостояние, цель которого состоит в том, чтобы выйти из тупика. Дополнительные процедурные знания могут затем предлагать и выбирать операторов в подсостоянии, чтобы получить больше знаний, а также либо создавать предпочтения в исходном состоянии, либо изменять это состояние, чтобы выйти из тупика. Подсостояния предоставляют средства для сложных рассуждений по требованию, включая иерархическую декомпозицию задач, планирование и доступ к декларативной долгосрочной памяти. Как только тупиковая ситуация разрешена, все структуры в подсостоянии удаляются, за исключением каких-либо результатов. Механизм фрагментирования Soar компилирует обработку в подсостоянии, которая привела к результатам, в правила. В будущем изученные правила автоматически сработают в подобных ситуациях, чтобы не возникало тупиковых ситуаций, постепенно преобразуя сложные рассуждения в автоматическую/реактивную обработку. Недавно общая процедура универсальной подцели была расширена за счет механизма целенаправленного и автоматического увеличения базы знаний, который позволяет выйти из тупика путем рекомбинации инновационным и проблемно-ориентированным способом знаний, которыми обладает агент Soar. [3]

Символьный ввод и вывод [ править ]

Символический ввод и вывод происходят через структуры рабочей памяти, прикрепленные к верхнему состоянию, называемые входной ссылкой и выходной ссылкой. Если структуры создаются на выходе канала в рабочей памяти, они преобразуются в команды для внешних действий (например, управления двигателем).

и ментальные Пространственная зрительная система образы

Для поддержки взаимодействия с системами зрения и несимволического мышления в Soar имеется пространственная визуальная система (SVS). Внутренне SVS представляет мир как граф сцены , набор объектов и подобъектов-компонентов, каждый из которых обладает пространственными свойствами, такими как форма, местоположение, поза, относительное положение и масштаб. Агент Soar, использующий SVS, может создавать фильтры для автоматического извлечения функций и связей из графа сцены, которые затем добавляются в рабочую память. Кроме того, агент Soar может добавлять структуры в SVS и использовать их для мысленных образов. Например, агент может создать гипотетический объект в SVS в заданном месте и запросить, не сталкивается ли он с какими-либо воспринимаемыми объектами.

Семантическая память [ править ]

Семантическая память (SMEM) в Soar спроектирована как очень большая долговременная память о структурах, подобных фактам. Данные в SMEM представлены в виде ориентированных циклических графов. Структуры могут сохраняться или извлекаться с помощью правил, которые создают команды в зарезервированной области рабочей памяти. Полученные структуры добавляются в рабочую память.

Структуры SMEM имеют значения активации, которые представляют частоту или давность использования каждой памяти, реализуя схему активации базового уровня, первоначально разработанную для ACT-R. Во время извлечения извлекается структура SMEM, соответствующая запросу и имеющая наивысшую активацию. Soar также поддерживает распространение активации , при котором активация распространяется от структур SMEM, которые были извлечены в рабочую память, на другие долговременные воспоминания, с которыми они связаны. [4] Эти воспоминания, в свою очередь, распространяют активацию на соседние воспоминания с некоторым распадом. Активация распространения — это механизм, позволяющий текущему контексту влиять на выборку из семантической памяти.

Эпизодическая память [ править ]

Эпизодическая память (EPMEM) автоматически записывает снимки рабочей памяти во временном потоке. Предыдущие эпизоды можно получить в рабочую память с помощью запроса. После получения эпизода можно получить следующий (или предыдущий) эпизод. Агент может использовать EPMEM для последовательного воспроизведения эпизодов из своего прошлого (что позволяет ему предсказывать последствия действий), извлечения конкретных воспоминаний или запроса эпизодов, обладающих определенными структурами памяти.

Обучение [ править ]

С каждой долговременной памятью Соара связаны механизмы онлайн-обучения, которые создают новые структуры или изменяют метаданные на основе опыта агента. Например, Soar изучает новые правила процедурной памяти посредством процесса, называемого фрагментированием , и использует обучение с подкреплением для настройки правил, участвующих в выборе операторов.

Разработка агента [ править ]

Стандартный подход к разработке агента в Soar начинается с написания правил, которые загружаются в процедурную память, и инициализации семантической памяти соответствующими декларативными знаниями. Процесс разработки агента подробно описан в официальном руководстве Soar, а также в нескольких обучающих материалах, которые представлены на сайте исследовательской группы .

Программное обеспечение [ править ]

Расширение когнитивной архитектуры Soar, Джон Лэрд, 2008.

Архитектура Soar поддерживается и расширяется исследовательской группой Джона Лэрда в Мичиганском университете. Текущая архитектура написана на комбинации C и C++ и находится в свободном доступе (лицензия BSD) на сайте исследовательской группы .

Soar может взаимодействовать с внешними языковыми средами, включая C++, Java, Tcl и Python, через язык разметки Soar (SML). SML — это основной механизм создания экземпляров агентов Soar и взаимодействия с их каналами ввода-вывода.

JSoar — это реализация Soar, написанная на Java. Он поддерживается SoarTech , компанией, занимающейся исследованиями и разработками в области искусственного интеллекта. JSoar внимательно следит за реализацией архитектуры Мичиганского университета, хотя обычно не отражает последние разработки и изменения этой версии C/C++. [5]

Приложения [ править ]

Ниже приведен исторический список различных областей приложений, реализованных в Soar. В Soar реализовано более сотни систем, хотя подавляющее большинство из них представляют собой игрушечные задачи или головоломки.

Пазлы и игры [ править ]

На протяжении всей своей истории Soar использовался для реализации широкого спектра классических головоломок и игр с искусственным интеллектом, таких как Ханойская башня, Кувшин для воды, Крестики-нолики, Восемь головоломок, Миссионеры и каннибалы, а также вариации мира блоков . Одним из первых достижений Soar было то, что было показано, что множество различных слабых методов естественным образом возникают из закодированных в нем знаний о задаче, свойства, называемого универсальным слабым методом. [6]

Конфигурация компьютера [ править ]

Первым крупномасштабным применением Soar была R1-Soar, частичная реализация Полом Розенблумом R1 ( XCON ), экспертной системы разработанной Джоном Макдермоттом для настройки компьютеров DEC. R1-Soar продемонстрировал способность Soar масштабироваться до задач среднего размера, использовать иерархическую декомпозицию задач и планирование, а также преобразовывать преднамеренное планирование и решение проблем в реактивное выполнение посредством разбиения на фрагменты. [7]

Понимание естественного языка [ править ]

NL-Soar — это система понимания естественного языка, разработанная в Soar Джилл Фейн Леман, Риком Льюисом, Нэнси Грин, Дерил Лонсдейл и Грегом Нельсоном. Он включал в себя возможности понимания, генерации и диалога на естественном языке, уделяя особое внимание поэтапному анализу и генерации в реальном времени. NL-Soar использовался в экспериментальной версии TacAir-Soar и в NTD-Soar. [8]

пилоты Имитированные ​ ​

Второе крупномасштабное применение Soar включало разработку агентов для использования при обучении крупномасштабному распределенному моделированию. Две основные системы для выполнения тактических авиационных миссий США были разработаны совместно Мичиганским университетом и Институтом информационных наук (ISI) Университета Южной Калифорнии. Мичиганская система называлась TacAir-Soar и выполняла (в моделировании) военные тактические миссии США с неподвижным крылом (такие как непосредственная воздушная поддержка, удары, CAP , дозаправка и миссии SEAD ). Система ISI называлась RWA-Soar и выполняла миссии на вертолетах. Некоторые из возможностей, включенных в TacAir-Soar и RWA-Soar, включали внимание, ситуационную осведомленность и адаптацию, планирование в реальном времени и динамическое перепланирование, а также сложную связь, координацию и сотрудничество между комбинациями агентов Soar и людей. Эти системы участвовали в демонстрации передовых концептуальных технологий (ACTD) DARPA на синтетическом театре военных действий (STOW-97), которая на тот момент была крупнейшим применением синтетических агентов на совместном боевом пространстве за 48-часовой период и включала обучение личный состав действительной службы. Эти системы продемонстрировали жизнеспособность использования агентов ИИ для крупномасштабного обучения. [9]

ПАР [ править ]

Одним из важных результатов проекта RWA-Soar стала разработка STEAM Милиндом Тамбе , [10] структура для гибкой командной работы, в которой агенты поддерживают модели своих товарищей по команде, используя структуру совместных намерений Коэна и Левеска . [11]

NTD-Soar [ править ]

NTD-Soar представлял собой симуляцию директора по испытаниям НАСА (NTD), человека, ответственного за координацию подготовки НАСА космического корабля перед запуском. Это была интегрированная когнитивная модель, которая включала в себя множество различных сложных когнитивных возможностей, включая обработку естественного языка , внимание и визуальный поиск , а также решение проблем в широкой агентной модели. [12]

Виртуальные люди [ править ]

Soar использовался для моделирования виртуальных людей, поддерживающих диалоги лицом к лицу и сотрудничество в виртуальном мире, разработанном в Институте творческих технологий Университета Южной Калифорнии. Виртуальные люди обладают, среди прочего, интегрированными способностями восприятия , понимания естественного языка , эмоций , контроля тела и действий. [13]

и мобильные ИИ Игровой приложения

Игровые ИИ-агенты были созданы с использованием Soar для таких игр, как StarCraft , [14] Квейк II , [15] Спуск 3 , [16] Нереальный турнир , [17] и Майнкрафт [ нужна ссылка ] , поддерживая такие возможности, как пространственное мышление , стратегия в реальном времени и предвидение противника . Агенты искусственного интеллекта также были созданы для видеоигр, включая Infinite Mario. [18] которые использовали обучение с подкреплением, и Frogger II , Space Invaders и Fast Eddie, которые использовали как обучение с подкреплением, так и мысленные образы . [19]

Soar может работать на мобильных устройствах . мобильное приложение для игры Liar's Dice было разработано Для iOS , которое запускает архитектуру Soar прямо с телефона в качестве движка для ИИ противника. [20]

Робототехника [ править ]

С использованием Soar было создано множество различных роботизированных приложений с тех пор, как в 1991 году был реализован оригинальный Robo-Soar для управления манипулятором робота Puma. [21] Они варьируются от управления мобильными роботами до гуманоидных сервисных REEM . роботов [22] выполняемые роботы-мулы [23] и беспилотные подводные аппараты . [24]

задачам Интерактивное ​ обучение

В настоящее время в центре исследований и разработок сообщества Soar находится интерактивное обучение задачам (ITL), автоматическое изучение новых задач, особенностей окружающей среды, поведенческих ограничений и других спецификаций посредством естественного взаимодействия с инструктором. [25] Исследования в области ITL были применены к настольным играм. [26] и многокомнатная навигация. [27]

Планирование [ править ]

Вначале Мерл-Соар продемонстрировал, как Соар может освоить сложную задачу планирования, смоделированную по образцу ведущего планировщика-человека на заводе по производству лобовых стекол, расположенном недалеко от Питтсбурга. [28] Позже обобщенная версия Merle-Soar (Dispatcher-Soar) была использована для демонстрации символического подхода распространения ограничений в обучении для улучшения расписаний и определения независимых от задачи показателей знаний для обучения, специфичного для архитектуры - эффективности знаний, полезности знаний, и эффективность знаний. [29]

Музыка [ править ]

Melody-Soar продемонстрировала, как архитектура Soar может объяснить и продемонстрировать креативность в простой генерации мелодии с использованием иерархии проблемных пространств, которые параллельны иерархической структуре мелодии, позволяя генерировать уникальные мелодии на основе предпочтений существующих стилей (например, Баха). [30]

См. также [ править ]

Ссылки [ править ]

  1. ^ Jump up to: Перейти обратно: а б Лэрд, Джон Э. (2012). Когнитивная архитектура Soar . МТИ Пресс . ISBN  978-0262122962 .
  2. ^ Jump up to: Перейти обратно: а б Ньюэлл, Аллен (декабрь 1990 г.). Единые теории познания . Издательство Гарвардского университета. ISBN  978-0674920996 .
  3. ^ Лието, Антонио; Перроне, Федерико; Поццато, Джан Лука; Чиодино, Элеонора (2019). «За пределами подцелей: система динамического генерирования знаний для творческого решения проблем в когнитивных архитектурах». Исследование когнитивных систем . 58 : 305–316. дои : 10.1016/j.cogsys.2019.08.005 . hdl : 2318/1726157 . S2CID   201127492 .
  4. ^ Джонс, Стивен; и др. (2016). «Эффективное вычисление активации распространения с использованием ленивой оценки» (PDF) . ИККМ . Материалы 14-й Международной конференции по когнитивному моделированию: 182–187.
  5. ^ SoarTech: JSoar
  6. ^ Лэрд, Джон; Ньюэлл, Аллен (1983). «Универсальный слабый метод: сводка результатов» . ИДЖКАИ . 2 : 771–772.
  7. ^ Розенблум, Пол; Лэрд, Джон; Макдермотт, Джон (27 января 2009 г.). «R1-Soar: эксперимент по наукоемкому программированию в архитектуре решения проблем». Транзакции IEEE по анализу шаблонов и машинному интеллекту . ПАМИ-7 (5): 561–569. дои : 10.1109/TPAMI.1985.4767703 . ПМИД   21869293 . S2CID   16133794 .
  8. ^ Рубинов, Роберт; Леман, Джилл (1994). «Генерация естественного языка в реальном времени в NL-Soar» . ИНЛГ . Материалы седьмого международного семинара по созданию естественного языка: 199–206. дои : 10.3115/1641417.1641440 . S2CID   13885938 .
  9. ^ Джонс; и др. (1999). «Автоматизированные интеллектуальные пилоты для моделирования боевых полетов» . АААИ . 20 (1). Архивировано из оригинала 28 июля 2018 г. Проверено 21 января 2017 г.
  10. ^ Тамбе, Милинд (1997). «Архитектура агентов для гибкой и практичной командной работы» . АААИ . Материалы четырнадцатой национальной конференции по искусственному интеллекту и девятой конференции по инновационным применениям искусственного интеллекта: 22–28.
  11. ^ Коэн, Филип; Левеск, Гектор (1991). «Подтверждения и совместные действия» . ИДЖКАИ . 2 : 951–957.
  12. ^ Нельсон, Дж; Леман, Дж; Джон, Б. (1994). «Интеграция когнитивных способностей в задачу реального времени» . Материалы 16-й ежегодной конференции Общества когнитивных наук : 658–663.
  13. ^ ван Лент, Майк; и др. (2001). «Репетиция миссии ИКТ» (PDF) . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )
  14. ^ Тернер, Алекс (2013). «Soar-SC: Платформа для исследований искусственного интеллекта в StarCraft» . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )
  15. ^ Лэрд, Джон (2001). «Он знает, что вы собираетесь делать: добавить предвкушения в Quakebot». Материалы пятой международной конференции по автономным агентам . Том. Материалы Пятой Международной конференции по автономным агентам. стр. 385–392. дои : 10.1145/375735.376343 . ISBN  978-1581133264 . S2CID   3509100 .
  16. ^ ван Лент, Майкл; Лэрд, Джон (1991). «Разработка двигателя искусственного интеллекта» . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )
  17. ^ Рэй, Роберт; и др. (декабрь 2002 г.). «Интеллектуальные оппоненты для тренеров виртуальной реальности». Я/Итсек . Материалы межсервисной/отраслевой конференции по обучению, моделированию и образованию. CiteSeerX   10.1.1.549.2187 .
  18. ^ Мохан, Шивали; Лэрд, Джон (2009). «Учимся играть в Марио». Технический отчет . CCA-TR-2009-03. CiteSeerX   10.1.1.387.5972 .
  19. ^ Винтермьют (сентябрь 2012 г.). «Образы в когнитивной архитектуре: представление и контроль на нескольких уровнях абстракции» . Исследование когнитивных систем . 19–20: 1–29. CiteSeerX   10.1.1.387.5894 . дои : 10.1016/j.cogsys.2012.02.001 . S2CID   15399199 .
  20. ^ Мичиганский университет (19 мая 2015 г.). «Мичиганская игра в кости лжеца» . Гитхаб . Проверено 21 января 2017 г.
  21. ^ Лэрд, Джон; Ягер, Эрик; Хука, Майкл; Так, Кристофер (ноябрь 1991 г.). «Robo-Soar: интеграция внешнего взаимодействия, планирования и обучения с использованием Soar». Робототехника и автономные системы . 8 (1–2): 113–129. CiteSeerX   10.1.1.726.7247 . дои : 10.1016/0921-8890(91)90017-ф . hdl : 2027.42/29045 .
  22. ^ Пучбо, Жорди-Исард; и др. (2013). «Управление сервисным роботом общего назначения с помощью когнитивной архитектуры». АИК . 45 . CiteSeerX   10.1.1.402.5541 .
  23. ^ Талор, Глен; и др. (февраль 2014 г.). «Мультимодальное взаимодействие роботов-мулов». Соар Технолоджи Инк .
  24. ^ «Тайна искусственного интеллекта» . Управление военно-морских исследований . 11 . Февраль 2013.
  25. ^ Лэрд, Джон (2014). «Отчет NSF: Интерактивное обучение задачам» (PDF) . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )
  26. ^ Кирк, Джеймс; Лэрд, Джон (2016). «Изучение общих и эффективных представлений новых игр посредством интерактивного обучения» (PDF) . Продвинутые когнитивные системы . 4 .
  27. ^ Минингер, Аарон; Лэрд, Джон (2016). «Стратегии интерактивного обучения для обработки ссылок на невидимые или неизвестные объекты» (PDF) . Продвинутые когнитивные системы .
  28. ^ Приетула, Майкл; Сюй, Вэнь-Лин; Штайер, Дэвид; Ньюэлл (1993). «Применение архитектуры общего интеллекта для сокращения усилий по планированию». Журнал ORSA по вычислительной технике . 5 (3): 304–320. дои : 10.1287/ijoc.5.3.304 . S2CID   6813564 .
  29. ^ Чжу, Д.; Приетула, М.; Сюй, ВЛ. (1997). «Когда процессы учатся: шаги к созданию интеллектуальной организации» . Исследования информационных систем . 8 (3): 302–317. дои : 10.1287/isre.8.3.302 .
  30. ^ Вичинанца, С.; Приетула, М. «Глава 45: Вычислительная модель музыкального творчества». В Розенблуме, П.; Лэрд, Дж.; Ньюэлл, А. (ред.). The Soar Papers: Исследование интегрированного интеллекта . Том. 2. Кембридж, Массачусетс: MIT Press.

Библиография [ править ]

Внешние ссылки [ править ]

Retrieved from "https://en.wikipedia.org/w/index.php?title=Soar_(cognitive_architecture)&oldid=1230333507"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 9e09966fe98748c20d095a19375003a2__1719017220
URL1:https://arc.ask3.ru/arc/aa/9e/a2/9e09966fe98748c20d095a19375003a2.html
Заголовок, (Title) документа по адресу, URL1:
Soar (cognitive architecture) - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)