GALERIJA KEMIJSKEGA INŠTITUTA IGOR KUZMANOVSKIUMETNO STANJE DUHA Ali lahko GNGN usposobimo za ustvarjanje? 3An Artificial State of Mind – Can we train Growing Neural Gas Network to create? An artificial neural network can be trained to recognize different patterns and relationships between data. This algorithm partially mimics the structure of our nervous system and brain. Growing Neural Gas Network (GNGN) is an algo - rithm that learns the topological structure of the data and unlike other algorithms it does not make predictions. Instead while learning the topology GNGN represents the gathered data in the form of the graph (mathematical structure). To start the training process we need first to rep - resent the input images in a format that will be understandable for the GNGN. The right format for the GNGN would be a set of coordinates for all data points. The training of GNGN starts with three to four neurons. During the training GNGN grows in a direction of larger density of data points. The size of the GNGN dependents on the number of training epochs and the number of data points. 4After only one training epoch the progress can already be seen. The generated network, at this point, resembles some distinctive features of our original image. However, we still do not have enough neurons in order to capture more details. After more training epochs, the generated image starts to resemble the original. At that point you can notice that regions with large amounts of data points have been developed properly, but small features like eyes, nose and mouth have not been formed yet. To achieve an even more detailed im - age more training epochs should be used. The optimal number of epochs depends on (1) the im - age complexity as well as (2) the details that need to be “recognised” and constructed to achieve the perfect quality of the image. Igor Kuzmanovski is a professor of chemistry at the University of Skopje and in the past made his post- doc in Slovenia at National Institute of Chemistry, Laboratory of Chemometrics. His main area of research is application of artificial intelligence (AI) algorithms in chemistry. In last two years he ex - 5 6 7tensively worked on development of this original algorithm that could be used (1) first for drawing and (2) later for reproduction of various visual im - ages, including art pieces. From that research he has found the process of creating and reproduc - ing images with the Growing Neural Gas Network. Beside the inclination toward visual art professor Kuzmanovski has published three poems in Mac - edonian journals. - Umetno stanje uma - Ali lahko rastoče nevronske plinske mreže naučimo ustvarjati? Umetno nevron - sko mrežo je mogoče naučiti prepoznavati različne vzorce in povezave med podatki. Tak algoritem delno posnema strukturo našega živčnega sistema in možganov. Rastoča nevronska plinska mreža (ang. Growing Neutral Gas Network ali GNGN) je algoritem, ki se uči topološke strukture podatkov in za razliko od drugih algoritmov ne izdeluje napovedi. Namesto tega med učenjem topologije GNGN algoritem zbrane podatke predstavi v obliki 8grafa (matematične strukture). Za začetek postop - ka učenja moramo vhodne slike najprej predstaviti v obliki, ki bo razumljiva za GNGN algoritem. Prava oblika GNGN mreže je niz koordinat za vse podat - kovne točke. Učenje GNGN mreže se začne s tremi do štirimi nevroni. Med učenjemGNGN mreža raste v smeri večje gostote podatkovnih točk. Velikost GNGN mreže je odvisna od števila učnih nizov in števila podatkovnih točk. Že po enem učnem nizu je viden napredek. Ustvarjeno omrežje je na tej točki podobno nekaterim značilnim lastnostim izvirne slike. Vendar še vedno nimamo dovolj nev - ronov, da bi lahko zajeli več podrobnosti. Po več učnih nizih začne ustvarjena slika spominjati na izvirnik. Na tej točki se lahko opazi, da so področja z veliko količino podatkovnih točk ustrezno raz - vita, vendar majhne značilnosti, kot so oči, nos in usta, še niso oblikovane. Za še podrobnejšo sliko je potrebno uporabiti več učnih nizov. Optimalno število učnih nizov je torej odvisno od (1) kom - pleksnosti slike ter (2) podrobnosti, ki jih je treba “prepoznati” in oblikovati, da bi dosegli popolno kakovost slike. Igor Kuzmanovski je profesor kem - 9ije na Univerzi v Skopju. V preteklosti je v Sloveniji opravil podoktorsko izobraževanje na Kemijskem inštitutu,v Laboratoriuj za kemometrijo. Njegovo glavno raziskovalno področje je uporaba algorit - mov umetne inteligence v kemiji. V zadnjih dveh letih se je intenzivno ukvarjal z razvojem tega iz - virnega algoritma, da bi ga bilo mogoče uporabiti: (1) za risanje in (2) za reprodukcijo različnih vizual - nih podob, vključno z umetniškimi deli. Na podlagi teh raziskav je odkril postopek ustvarjanja in repro - duciranja slik z rastočo nevronsko plinsko mrežo. Poleg ljubezni do vizualne umetnosti je profesor Kuzmanovski objavil tudi tri pesmi v makedonskih literarnih revijah. Tekst: Igor Kuzmanovski 10 11 Kemijski inštitut Ljubljana, Slovenija National Institute of Chemistry, SloveniaHajdrihova 19, Ljubljana www.ki.si / 01 47 60 200Razstava od 24. 11. 2022 do 10. 12. 2022 Kustos, oblikovanje, spremno besedilo: Jiri Kočica Brezplačna spletna izdaja, letnica izzida: 2024 URL: https://www.ki.si/o-institutu/galerija/igor-kuzmanovski - -umetno-stanje-duha-november-2022/ Založnik: Kemijski inštitut, Ljubljana CIP: Kataložni zapis o publikaciji (CIP) pripravili v Narodni in univerzitetni knjižnici v Ljubljani COBISS.SI-ID 220704515 ISBN 978-961-7238-08-2 (PDF)