Эвристическое моделирование рефлексии в рефлексивных играх 

Функционирование субъекта в меняющейся среде наиболее эффективно с точки зрения выживания, если субъект способен формировать и сохранять внутренние представления о внешнем мире, а также использовать эти представления для принятия решений. Внутреннее представление (репрезентация) внешнего мира также называется рефлексией в широком смысле. Ее наличие позволяет побеждать в рефлексивных играх, т. к. внутреннее представление о противнике позволяет прогнозировать его поведение. В работе оценивается рефлексивный потенциал эвристических модельных объектов – искусственных нейронных сетей – в рефлексивных играх «Чет-нечет» и «Камень-ножницы-бумага». Использовались гомогенные полносвязные нейронные сети малых размеров (от 8 до 45 нейронов). Игры проводились между нейронными сетями с различными конфигурациями и параметрами (размер, величина шага модификации весовых коэффициентов). Представлен набор критериев рефлексивности, соотносящихся с разными уровнями рассмотрения: нейрональным, поведенческим, формальным. С помощью нейронных сетей различных конфигураций показана транзитивность формального успеха в игре. Наиболее успешные конфигурации, тем не менее, могут не соответствовать другим критериям рефлексивности. Выдвигается гипотеза, что наилучшее соответствие критериям и, как следствие, универсальная успешность в задачах на рефлексию достижимы для гетерогенных конфигураций с иерархической структурой.

1. Land M. F. Do we have an internal model of the outside world? // Philosophical Transactions of the Royal Society B: Biological Sciences. – 2014. – Vol. 369, No 1636. – P. 20130045.

2. Dehaene S., Lau H., Kouider S. What is consciousness, and could machines have it? // Robotics, AI, and Humanity: Science, Ethics, and Policy. – 2021. – P. 43-56.

3. Breazu M., Volovici D., Morariu D. I., Crețulescu R. G. On Hagelbarger’s and Shannon’s matching pennies playing machines // International Journal of Advanced Statistics and IT&C for Economics and Life Sciences. – 2020. – Vol. 10, No 1. – P. 56-66.

4. Wang Z., Xu B., Zhou H. J. Social cycling and conditional responses in the Rock-Paper-Scissors game // Scientific reports. – 2014. – Vol. 4, No 1. – P. 5830.

5. Фон Нейман Дж. Теория самовоспроизводящихся автоматов. – М.: Мир, 1971. – С. 382. (Von Neumann J.Theory of self-reproducing automata. – M.: Mir, 1971. – P. 382.)

6. Bartsev S., Markova G. Recurrent and multi-layer neural networks playing “Even-Odd”: reflection against regression // IOP Conference Series: Materials Science and Engineering. – IOP Publishing, 2020. – Vol. 734, No 1. – P. 012109.

7. Bartsev S.I., Markova G.M. Does a Recurrent Neural Network Use Reflection During a Reflexive Game? // International Conference on Neuroinformatics. – Cham : Springer International Publishing, 2022. – P. 148-157.

8. Markova G.M., Bartsev S.I. Does a Recurrent Neural Network Form Recognizable Representations of a Fixed Event Series? // International Conference on Neuroinformatics. – Cham : Springer Nature Switzerland, 2023. – P. 206-213.

9. Bertschinger N., Natschläger T. Real-time computation at the edge of chaos in recurrent neural networks // Neural computation. – 2004. – Vol. 16, No 7. – P. 1413-1436.

10. Grassberger P., Procaccia I. Measuring the strangeness of strange attractors // Physica D: nonlinear phenomena. – 1983. – Vol. 9, No 1. – P. 189-208.

11. Bak P., Tang C., Wiesenfeld K. Self-organized criticality: An explanation of the 1/f noise // Physical Review Letters. – 1987. – Vol. 59. – P. 381-384.

12. He B. J. Scale-free brain activity: past, present, and future // Trends in cognitive sciences. – 2014. – Vol. 18, No 9. – P. 480-487.

13. Zhang M., Sun Y., Saggar M. Cross-attractor repertoire provides new perspective on structure-function relationship in the brain // Neuroimage. – 2022. – Vol. 259. – P. 119401.