Выбор действия

Из Википедии, бесплатной энциклопедии
Не путать с игровой механикой § Выбор действия .

Выбор действия — это способ охарактеризовать самую основную проблему интеллектуальных систем: что делать дальше. В искусственном интеллекте и вычислительной когнитивной науке «проблема выбора действия» обычно связана с интеллектуальными агентами и аниматами — искусственными системами, которые демонстрируют сложное поведение в среде агентов . Этот термин также иногда используется в этологии или поведении животных.

Одной из проблем понимания выбора действия является определение уровня абстракции, используемого для определения «действия». На самом базовом уровне абстракции атомарным действием может быть что угодно: от сокращения мышечной клетки до провоцирования войны . Обычно для любого механизма выбора действия набор возможных действий предопределен и фиксирован.

Большинство исследователей, работающих в этой области, предъявляют высокие требования к своим агентам:

  • Действующий агент обычно должен выбирать свое действие в динамичной и непредсказуемой среде.
  • Агенты обычно действуют в режиме реального времени ; поэтому они должны принимать решения своевременно.
  • Агенты обычно создаются для выполнения нескольких различных задач. Эти задачи могут конфликтовать при распределении ресурсов (например, может ли агент одновременно тушить пожар и доставлять чашку кофе?)
  • Среда, в которой действуют агенты, может включать людей , которые могут усложнять работу агента (намеренно или пытаясь помочь).
  • Сами агенты часто предназначены для моделирования животных или людей, а поведение животных и людей довольно сложное.

По этим причинам выбор действий является непростой задачей и требует большого количества исследований.

Характеристики задачи выбора действия [ править ]

Основная проблема выбора действий – сложность . Поскольку все вычисления занимают и время, и пространство (в памяти), агенты не могут рассмотреть все доступные им варианты в каждый момент времени. Следовательно, они должны быть предвзятыми и каким-то образом ограничивать свой поиск. Для ИИ вопрос выбора действий заключается в том, как лучше всего ограничить этот поиск ? Для биологии и этологии вопрос заключается в том, как различные виды животных ограничивают свои поиски? Все ли животные используют одинаковые подходы? Почему они используют те, которые есть?

Один фундаментальный вопрос о выборе действия заключается в том, действительно ли это вообще проблема для агента или это просто описание возникающего свойства поведения интеллектуального агента. Однако если мы подумаем, как мы собираемся создать интеллектуального агента, то станет очевидным, что должен быть какой-то механизм выбора действий. Этот механизм может быть высокораспределенным (как в случае с распределенными организмами, такими как колонии социальных насекомых или слизевики ) или представлять собой модуль специального назначения.

Механизм выбора действий (ASM) определяет не только действия агента с точки зрения воздействия на мир, но и направляет его перцептивное внимание , обновляет его память . Эти эгоцентрические действия, в свою очередь, могут привести к изменению основных поведенческих способностей агента, особенно в том смысле, что обновление памяти предполагает некоторой формы машинного обучения возможность . В идеале сам выбор действий также должен иметь возможность обучения и адаптации, но существует множество проблем комбинаторной сложности и вычислительной доступности , которые могут потребовать ограничения пространства поиска для обучения.

В ИИ ASM также иногда называют архитектурой агента или считают ее существенной частью.

Механизмы искусственного интеллекта [ править ]

В целом механизмы выбора искусственных действий можно разделить на несколько категорий: системы на основе символов, иногда называемые классическим планированием, распределенные решения и реактивное или динамическое планирование . Некоторые подходы не подпадают ни под одну из этих категорий. Другие на самом деле больше ориентированы на предоставление научных моделей , чем на практическое управление ИИ; последние описаны далее в следующем разделе.

Символические подходы [ править ]

Основная статья: Автоматизированное планирование и составление графиков

В начале истории искусственного интеллекта предполагалось, что лучший способ для агента выбрать, что делать дальше, — это вычислить вероятно оптимальный план, а затем выполнить его. Это привело к гипотезе системы физических символов физический агент, который может манипулировать символами необходим и достаточен , согласно которой для интеллекта . Многие программные агенты до сих пор используют этот подход для выбора действий. Обычно это требует описания всех показаний датчиков, мира, всех действий и всех целей в той или иной форме логики предикатов . Критики этого подхода жалуются, что он слишком медленный для планирования в реальном времени и что, несмотря на доказательства, он по-прежнему вряд ли позволит создать оптимальные планы, поскольку сведение описания реальности к логике — процесс, подверженный ошибкам.

Удовлетворение — это стратегия принятия решений, которая пытается удовлетворить критериям адекватности, а не определить оптимальное решение. Фактически, удовлетворительная стратегия часто может быть (почти) оптимальной, если при расчете результатов учитываются затраты на сам процесс принятия решений, такие как стоимость получения полной информации.

Целенаправленные архитектуры . В этих символических архитектурах поведение агента обычно описывается набором целей. Каждая цель может быть достигнута с помощью процесса или действия, описываемого заранее установленным планом. Агент должен просто решить, какой процесс продолжить для достижения заданной цели. План можно расширить до подцелей, что делает процесс слегка рекурсивным. Технически, планы более или менее используют правила условий. Эти архитектуры являются реактивными или гибридными. Классическими примерами целенаправленных архитектур являются реализуемые усовершенствования убеждений-желаний-намерений, архитектуры таких как JAM или IVE .

Распределенные подходы [ править ]

В отличие от символического подхода, распределенные системы выбора действий фактически не имеют какой-либо «коробочки» в агенте, принимающей решение о следующем действии. По крайней мере, в своей идеализированной форме, распределенные системы имеют множество модулей, работающих параллельно и определяющих наилучшие действия на основе местного опыта. Ожидается, что в этих идеализированных системах каким-то образом возникнет общая согласованность, возможно, благодаря тщательному проектированию взаимодействующих компонентов. Этот подход часто основан на исследованиях искусственных нейронных сетей . На практике почти всегда существует некая централизованная система, определяющая, какой модуль является «наиболее активным» или имеет наибольшую значимость. Есть свидетельства того, что реальный биологический мозг также имеет такие системы исполнительных решений , которые оценивают, какая из конкурирующих систем заслуживает наибольшего внимания или, точнее, расторможены желаемые действия .

  • ASMO — это архитектура, основанная на внимании, разработанная Мэри-Энн Уильямс , Бенджамином Джонстоном и их аспирантом Рони Новианто. [1] Он организует множество модульных распределенных процессов, которые могут использовать свои собственные представления и методы для восприятия окружающей среды, обработки информации, планирования действий и предложения действий для выполнения.
  • Различные типы архитектур «победитель получает все» , в которых одно выбранное действие берет на себя полный контроль над двигательной системой.
  • Активация распространения, включая Maes Nets (ANA)
  • Расширенная Rosenblatt & Payton — это архитектура распространяющейся активации, разработанная Тоби Тирреллом в 1993 году. Поведение агента хранится в форме иерархической сети коннекционизма , которую Тиррелл назвал иерархией свободного потока. Недавно использовался, например, де Севином и Тельманном (2005) или Кадлечеком (2001).
  • ИИ, основанный на поведении , стал ответом на медленную скорость роботов, использующих методы выбора символических действий. В таком виде отдельные модули реагируют на разные стимулы и генерируют собственные реакции. В первоначальной форме, архитектуре включения , они состояли из разных уровней, которые могли отслеживать и подавлять входные и выходные данные друг друга.
  • Существа — это виртуальные питомцы из компьютерной игры, управляемые трёхслойной нейронной сетью , которая является адаптивной. Их механизм реактивный, поскольку сеть на каждом временном шаге определяет задачу, которую должен выполнить питомец. Сеть хорошо описана в статье Grand et al. (1997) и в Ресурсах для разработчиков Creatures . См. также Существа Wiki .

планирования Подходы динамического ​

Поскольку чисто распределенные системы построить сложно, многие исследователи обратились к использованию явных жестко запрограммированных планов для определения приоритетов своей системы.

Методы динамического или реактивного планирования в каждый момент рассчитывают только одно следующее действие на основе текущего контекста и заранее подготовленных планов. В отличие от классических методов планирования, реактивные или динамические подходы не подвержены комбинаторному взрыву . С другой стороны, их иногда считают слишком жесткими, чтобы считать их сильным ИИ , поскольку планы запрограммированы заранее. В то же время природный интеллект может быть жестким в одних контекстах, хотя он изменчив и способен адаптироваться в других.

Примеры механизмов динамического планирования включают в себя:

  • Конечные автоматы. Это реактивные архитектуры, используемые в основном для агентов компьютерных игр, в частности для ботов- шутеров от первого лица , или для виртуальных актеров кино. Обычно конечные автоматы имеют иерархическую структуру. Конкретные примеры игр см. в статье о ботах Halo 2 Дамиана Ислы (2005 г.) или в магистерской диссертации о ботах Quake III Яна Пола ван Вейверена (2001 г.). Пример фильма см . в разделе Softimage .
  • Другие структурированные реактивные планы, как правило, больше похожи на обычные планы, часто со способами представления иерархической и последовательной структуры. Некоторые из них, такие как «акты» PRS, поддерживают частичные планы . [2] Многие архитектуры агентов середины 1990-х годов включали такие планы как «средний уровень», который обеспечивал организацию низкоуровневых модулей поведения , управляясь при этом планировщиком более высокого уровня в реальном времени. Несмотря на предполагаемую совместимость с автоматизированными планировщиками, большинство структурированных реактивных планов кодируются вручную (Bryson 2001, ch. 3). Примеры структурированных реактивных планов включают Джеймса Фирби и систему RAP телеореактивные Нильса Нильссона планы . ССБ, ПДП и ГТО больше не разрабатываются и не поддерживаются. Одним из все еще действующих (по состоянию на 2006 год) потомков этого подхода является иерархическая система выбора действий с параллельными корнями (или POSH ), которая является частью поведенчески-ориентированного дизайна Джоанны Брайсон.

Иногда, чтобы попытаться решить проблему кажущейся негибкости динамического планирования, используются гибридные методы. В них более традиционная система планирования ИИ ищет новые планы, когда у агента есть свободное время, и обновляет библиотеку динамических планов, когда находит хорошие решения. Важным аспектом любой такой системы является то, что когда агенту необходимо выбрать действие, существует некоторое решение, которое можно использовать немедленно (см. далее алгоритм в любое время ).

Другие [ править ]

  • CogniTAO — это механизм принятия решений, основанный на BDI (убеждение-желание-намерение), он включает в себя встроенные возможности командной работы.
  • Soar — это символическая когнитивная архитектура . Он основан на правилах «условие-действие», известных как « продукции» . Программисты могут использовать набор инструментов разработки Soar для создания как реактивных, так и планирующих агентов или любого компромисса между этими двумя крайностями.
  • Excalibur — это исследовательский проект, возглавляемый Александром Нарейеком, в котором участвовали агенты планирования компьютерных игр в любое время. Архитектура основана на удовлетворении структурных ограничений — передовой технологии искусственного интеллекта .
  • ACT-R похож на Soar. Он включает в себя байесовскую систему обучения, помогающую расставить приоритеты в производстве.
  • АБЛ/Хап
  • Нечеткие архитектуры Нечеткий подход к выбору действий обеспечивает более плавное поведение, чем может быть достигнуто архитектурами, использующими логические правила «условие-действие» (такие как Soar или POSH). Эти архитектуры в основном реактивны и символичны.

Теории выбора действий в природе [ править ]

Многие динамические модели искусственного отбора действий изначально были вдохновлены исследованиями в области этологии . В частности, Конрад Лоренц и Николаас Тинберген выдвинули идею врожденного механизма высвобождения для объяснения инстинктивного поведения ( паттернов фиксированных действий ). Под влиянием идей Уильяма Макдугалла Лоренц развил это в « психогидравлическую » модель мотивации поведения . В этологии эти идеи имели влияние в 1960-х годах, но сейчас они считаются устаревшими из-за использования метафоры потока энергии ; Нервная система и контроль поведения теперь обычно рассматриваются как связанные с передачей информации, а не с потоком энергии. Динамические планы и нейронные сети больше похожи на передачу информации, а распространяющаяся активация больше похожа на диффузное управление эмоциональными/гормональными системами.

Стэн Франклин предположил, что выбор действий является правильным подходом к пониманию роли и эволюции разума . См. его страницу о парадигме выбора действий . Архивировано 9 октября 2006 г. в Wayback Machine.

нейронных действий искусственного интеллекта для Модели выбора

Некоторые исследователи создают сложные модели выбора нейронных действий. См. например:

нейронный электронный транспорт ( CNET ) Катехоламинергический

Голубое пятно (LC) является одним из основных источников норадреналина в мозге и связано с выбором когнитивных процессов , таких как внимание и поведенческие задачи. [3] [4] [5] [6] ( Компактная часть черной субстанции SNc) является одним из основных источников дофамина в мозге и связана с выбором действия, прежде всего как часть базальных ганглиев . [7] [8] [9] [10] [11] CNET — это гипотетический нейронный сигнальный механизм в SNc и LC (которые являются катехоламинэргическими нейронами), который может помочь в выборе действия путем направления энергии между нейронами в каждой группе в рамках выбора действия, чтобы помочь одному или нескольким нейронам в каждой группе достичь потенциал действия . [12] [13] Впервые он был предложен в 2018 году и основан на ряде физических параметров этих нейронов, которые можно разбить на три основных компонента:

1) Ферритин и нейромеланин присутствуют в этих нейронах в высоких концентрациях, но в 2018 году было неизвестно, образуют ли они структуры, способные передавать электроны на относительно большие расстояния в масштабе микронов между самыми крупными из этих нейронов, которые еще не были предложены или наблюдались ранее. [14] Эти структуры также должны будут обеспечивать функцию маршрутизации или коммутации, которая ранее также не предлагалась и не наблюдалась. Впоследствии были получены доказательства присутствия структур ферритина и нейромеланина в этих нейронах и их способности как проводить электроны путем последовательного туннелирования , так и направлять/переключать путь нейронов. [15] [16] [17]

2) ) Было известно, что аксоны крупных нейронов SNc имеют обширные ветви, но было неизвестно, повысит ли постсинаптическая активность в синапсах этих аксонов мембранный потенциал этих нейронов настолько, чтобы заставить электроны направляться к нейрону. или нейроны с наибольшей постсинаптической активностью с целью выбора действия. В то время преобладающее объяснение назначения этих нейронов заключалось в том, что они не опосредуют выбор действий, а имеют лишь модулирующий и неспецифический характер. [18] Профессор Паскаль Кэзер из Гарвардской медицинской школы впоследствии получил доказательства того, что крупные нейроны SNc могут быть специфичными во времени и пространстве и опосредовать отбор действий. [19] Другие данные указывают на то, что большие аксоны LC ведут себя аналогично. [20] [21]

3) В 2018 году была выдвинута гипотеза о нескольких источниках электронов или экситонов, обеспечивающих энергию для механизма, но в то время они не наблюдались. Расщепление диоксетана (которое может происходить во время соматического метаболизма дофамина путем хинонового расщепления меланина) было одновременно предложено профессором Дугом Брашем из Йельского университета для генерации высокоэнергетических электронов в триплетном состоянии, что могло бы стать источником электронов для механизма CNET. [22] [23] [24]

Хотя таким образом были получены доказательства ряда физических предсказаний гипотезы CNET, доказательства того, верна ли сама гипотеза, не искались. Один из способов попытаться определить, присутствует ли в этих нейронах механизм CNET, — это использовать флуорофоры с квантовыми точками и оптические зонды, чтобы определить, происходит ли туннелирование электронов, связанное с ферритином в нейронах, в связи с конкретными действиями. [6] [25] [26]

См. также [ править ]

Ссылки [ править ]

  1. ^ Самсонович, А.В. « Внимание в когнитивной архитектуре АСМО ». Биологически вдохновленные когнитивные архитектуры (2010): 98. Архивировано 6 ноября 2022 г. в Wayback Machine.
  2. ^ Карен Л. Майерс. «PRS-CL: система процедурного рассуждения» . Центр искусственного интеллекта . НИИ Интернешнл . Проверено 13 июня 2013 г.
  3. ^ Сара, Сьюзан Дж (декабрь 2015 г.). «Locus Coeruleus во времени создания воспоминаний» . Современное мнение в нейробиологии . 35 : 87–94. дои : 10.1016/j.conb.2015.07.004 . ISSN   0959-4388 . ПМИД   26241632 . S2CID   206952441 .
  4. ^ По, Джина Р.; Фут, Стивен; Ещенко Оксана; Йохансен, Джошуа П.; Буре, Себастьян; Астон-Джонс, Гэри; Харли, Кэролин В.; Манахан-Вон, Дениз; Вайншенкер, Дэвид; Валентино, Рита; Берридж, Крейг; Чендлер, Дэниел Дж.; Уотерхаус, Барри; Сара, Сьюзен Дж. (17 сентября 2020 г.). «Locus coeruleus: новый взгляд на голубое пятно» . Обзоры природы Неврология . 21 (11): 644–659. дои : 10.1038/s41583-020-0360-9 . ISSN   1471-003X . ПМК   8991985 . ПМИД   32943779 .
  5. ^ Макберни-Лин, Джим; Ян, Хундиан (04 сентября 2022 г.). «Голубое пятно обеспечивает поведенческую гибкость» . Отчеты по ячейкам . 41 (4): 111534. bioRxiv   10.1101/2022.09.01.506286 . дои : 10.1016/j.celrep.2022.111534 . ПМЦ   9662304 . ПМИД   36288712 . S2CID   252187005 . Проверено 13 ноября 2022 г.
  6. ^ Перейти обратно: а б Фэн, Цзеси; Лищинский, Цзин, Мяо; Чжан, Яцзюнь, Ао; «Генетически закодированная флуоресценция» . Датчик для быстрого и специфического in vivo обнаружения норадреналина » . doi : 10.1101/449546 . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )
  7. ^ Вараццани, К.; Сан-Галли, А.; Жилардо, С.; Буре, С. (20 мая 2015 г.). «Норадреналиновые и дофаминовые нейроны в компромиссе между вознаграждением и усилием: прямое электрофизиологическое сравнение поведения обезьян» . Журнал неврологии . 35 (20): 7866–7877. doi : 10.1523/jneurosci.0454-15.2015 . ISSN   0270-6474 . ПМК   6795183 . ПМИД   25995472 . S2CID   6531661 .
  8. ^ Фан, Д.; Росси, Массачусетс; Инь, Х.Х. (18 апреля 2012 г.). «Механизмы выбора и времени действия в нейронах черной субстанции» . Журнал неврологии . 32 (16): 5534–5548. doi : 10.1523/jneurosci.5924-11.2012 . ISSN   0270-6474 . ПМК   6703499 . ПМИД   22514315 .
  9. ^ Партанен, Юха; Ахим, Кайя (06 сентября 2022 г.). «Лейтирующее поведение нейронов - особенности развития, молекулярные и функциональные особенности нейронов сетчатой ​​части черной субстанции» . Границы в неврологии . 16 : 976209. дои : 10.3389/fnins.2022.976209 . ISSN   1662-453X . ПМЦ   9485944 . ПМИД   36148148 .
  10. ^ Стивенсон-Джонс, Маркус; Самуэльссон, Эбба; Эрикссон, Йеспер; Робертсон, Брита; Гриллнер, Стен (июль 2011 г.). «Эволюционная консервация базальных ганглиев как общий механизм выбора действий у позвоночных» . Современная биология . 21 (13): 1081–1091. Бибкод : 2011CBio...21.1081S . дои : 10.1016/j.cub.2011.05.001 . ISSN   0960-9822 . ПМИД   21700460 . S2CID   9327412 .
  11. ^ Гваттео, Эция; Куччиарони, Мария Летиция; Меркури, Никола Б. (2009), «Контроль черной субстанции ядрами базальных ганглиев» , Рождение, жизнь и смерть дофаминергических нейронов в черной субстанции , вып. 73, Вена: Springer Vienna, стр. 91–101, номер домена : 10.1007/978-3-211-92660-4_7 , ISBN.  978-3-211-92659-8 , PMID   20411770 , получено 13 ноября 2022 г.
  12. ^ Рурк, Кристофер Джон (сентябрь 2018 г.). «Структуры массива «квантовых точек» ферритина и нейромеланина в дофаминовых нейронах компактной части черной субстанции и норадреналиновых нейронах голубого пятна» . Биосистемы . 171 : 48–58. Бибкод : 2018BiSys.171...48R . doi : 10.1016/j.biosystems.2018.07.008 . ISSN   0303-2647 . ПМИД   30048795 . S2CID   51722018 .
  13. ^ Рурк, Кристофер Дж. (2020), «Функциональный нейронный транспорт электронов» , Квантовые границы жизни , Достижения в квантовой химии, том. 82, Elsevier, стр. 25–111, doi : 10.1016/bs.aiq.2020.08.001 , ISBN.  9780128226391 , S2CID   229230562 , получено 13 ноября 2022 г.
  14. ^ Трибл, Флориан; Асан, Эстер; Арцбергер, Томас; Тачнер, Томас; Лангенфельд, Эльмар; Мейер, Хельмут Э.; Брингманн, Герхард; Ридерер, Питер; Герлах, Манфред; Маркус, Катрин (август 2009 г.). «Идентификация L-ферритина в гранулах нейромеланина черной субстанции человека» . Молекулярная и клеточная протеомика . 8 (8): 1832–1838. дои : 10.1074/mcp.m900006-mcp200 . ISSN   1535-9476 . ПМЦ   2722774 . ПМИД   19318681 . S2CID   23650245 .
  15. ^ Рурк, Кристофер Дж. (май 2019 г.). «Индикация квантово-механического транспорта электронов в ткани черной субстанции человека на основе анализа кондуктивной атомно-силовой микроскопии» . Биосистемы . 179 : 30–38. Бибкод : 2019BiSys.179...30R . doi : 10.1016/j.biosystems.2019.02.003 . ISSN   0303-2647 . ПМИД   30826349 . S2CID   73509918 .
  16. ^ Рурк, Кристофер; Хуан, Юнбо; Чен, Минцзин; Шен, Цай (16 июня 2021 г.). «Признак высококоррелированного электронного транспорта в неупорядоченных многослойных ферритиновых структурах» . дои : 10.31219/osf.io/7gqmt . S2CID   241118606 . Проверено 13 ноября 2022 г. {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )
  17. ^ Фридрих, И.; Рейманн, К.; Янкун, С.; Кирилина Е.; Стилер, Дж.; Зоннтаг, М.; Мейер, Дж.; Вайскопф, Н.; Рейнерт, Т.; Арендт, Т.; Моравски, М. (22 марта 2021 г.). «Количественное картирование железа на срезах мозга с помощью иммуно-µPIXE у здоровых пожилых людей и при болезни Паркинсона» . Acta Neuropathologica Communications . 9 (1): 47. дои : 10.1186/s40478-021-01145-2 . ISSN   2051-5960 . ПМЦ   7986300 . ПМИД   33752749 . S2CID   232322739 .
  18. ^ Шульц, Вольфрам (2 февраля 2016 г.). «Функции вознаграждения базальных ганглиев» . Журнал нейронной передачи . 123 (7): 679–693. дои : 10.1007/s00702-016-1510-0 . ISSN   0300-9564 . ПМЦ   5495848 . ПМИД   26838982 . S2CID   3894133 .
  19. ^ Лю, Чанлян; Гоэль, Прагья; Кезер, Паскаль С. (9 апреля 2021 г.). «Пространственные и временные масштабы передачи дофамина» . Обзоры природы Неврология . 22 (6): 345–358. дои : 10.1038/s41583-021-00455-7 . ISSN   1471-003X . ПМК   8220193 . ПМИД   33837376 .
  20. ^ Бел, Тапан; Каур, Ишнур; Сегал, Ааюш; Сингх, Сухбир; Макеен, Хафиз А.; Альбратти, Мохаммед; Альхазми, Хасан А.; Бхатия, Саураб; Бунгау, Симона (июль 2022 г.). «Голубое пятно – система норадреналина: взгляд на терапию болезни Альцгеймера через розовые очки» . Биомедицина и фармакотерапия . 151 : 113179. doi : 10.1016/j.biopha.2022.113179 . ISSN   0753-3322 . PMID   35676784 . S2CID   249137521 .
  21. ^ Бретон-Прованшер, Винсент; Драммонд, Габриэль Т.; Сур, Мриганка (07.06.2021). «Норадреналин Locus Coeruleus в изученном поведении: анатомическая модульность и пространственно-временная интеграция в целях» . Границы в нейронных цепях . 15 : 638007. doi : 10.3389/fncir.2021.638007 . ISSN   1662-5110 . ПМЦ   8215268 . ПМИД   34163331 .
  22. ^ Дерзкий, Дуглас Э.; Гонсалвес, Летисия КП; Бечара, Этельвино Дж. Х. (июнь 2018 г.). «Хемивозбуждение и его значение для болезней» . Тенденции молекулярной медицины . 24 (6): 527–541. doi : 10.1016/j.molmed.2018.04.004 . ISSN   1471-4914 . ПМЦ   5975183 . ПМИД   29751974 .
  23. ^ Зульцер, Дэвид; Кэссиди, Клиффорд; Хорга, Гильермо; Канг, Ун Юнг; Фан, Стэнли; Казелла, Луиджи; Пеццоли, Джанни; Лэнгли, Джейсон; Ху, Сяопин П.; Зукка, Фабио А.; Исайас, Иоаннис У.; Зекка, Луиджи (10 апреля 2018 г.). «Обнаружение нейромеланина с помощью магнитно-резонансной томографии (МРТ) и его перспективность в качестве биомаркера болезни Паркинсона» . npj Болезнь Паркинсона . 4 (1): 11. дои : 10.1038/s41531-018-0047-3 . ISSN   2373-8057 . ПМЦ   5893576 . ПМИД   29644335 .
  24. ^ Преми, С.; Уоллиш, С.; Мано, КМ; Вайнер, AB; Баччиокки, А.; Вакамацу, К.; Бечара, EJH; Халабан, Р.; Дуки, Т.; Браш, Делавэр (19 февраля 2015 г.). «Хемивозбуждение производных меланина индуцирует фотопродукты ДНК спустя долгое время после воздействия УФ-излучения» . Наука . 347 (6224): 842–847. Бибкод : 2015Sci...347..842P . дои : 10.1126/science.1256022 . ISSN   0036-8075 . ПМЦ   4432913 . ПМИД   25700512 .
  25. ^ Пизано, Филиппо; Пизанелло, Марко; Ли, Сок Джун; Ли, Джеон; Магли, Эмануэла; Кит, Антонио; Силео, Леонардо; Испанский, Барбара; Уайт, Марко; Хён, Минсук; Де Витторио, Массимо; Сабатини, Бернардо Л.; Пизанелло, Ферруччо (ноябрь 2019 г.). «Волоконная фотометрия с разрешением по глубине с использованием одного конического волоконно-оптического имплантата» . Природные методы . 16 (11): 1185–1192. дои : 10.1038/s41592-019-0581-x . ISSN   1548-7091 . ПМИД   31591577 . S2CID   203848191 .
  26. ^ Гарг, Маянк; Вишвакарма, Нилам; Шарма, Амит Л.; Сингх, Суман (8 июля 2021 г.). «Квантовые точки графена, функционализированные амином, для флуоресцентного иммунозондирования ферритина» . ACS Прикладные наноматериалы . 4 (7): 7416–7425. дои : 10.1021/acsanm.1c01398 . ISSN   2574-0970 . S2CID   237804893 .

Дальнейшее чтение [ править ]

Внешние ссылки [ править ]

Retrieved from "https://en.wikipedia.org/w/index.php?title=Action_selection&oldid=1221339779"