Крутые повороты закона Ома в свете естественного и искусственного интеллекта

Фриск В.В.; Виноградов А.В.; V.V. Frisk; A.V. Vinogradov

Научные статьи \ Прикладные науки. Медицина. Технология \ Инженерное дело. Техника в целом \ Общее машиностроение. Ядерная технология. Электротехника. Технология машиностроения \ Электротехника

Крутые повороты закона Ома в свете естественного и искусственного интеллекта

Автор: Фриск В.В., Виноградов А.В.

Журнал: Агротехника и энергообеспечение @agrotech-orel

Рубрика: Перспективные проекты

Статья в выпуске: 1 (50), 2026 года.

Бесплатный доступ

Статья представляет собой оригинальное рассмотрение классического закона Ома для постоянного тока через призму современных технологий обработки данных и искусственных нейросетей. Рассмотрен интересный вопрос о порядке записи известной формулы закона Ома. Рассмотрены варианты представления формулы, в которых искомая величина указывается слева и когда она указывается справа. На примере этих форм представления закона Ома для участка сети показана разница между подходами к познанию естественного и искусственного интеллекта. Показано, что традиционная форма записи, с искомой величиной слева характерна для естественного интеллекта, человека, так как она как бы демонстрирует, что сперва идёт вопрос, а потом находится зависимость. Напротив, форма, в которой искомая величина указывается справа, характерна для искусственного интеллекта, нейросетей, так как сперва задаётся зависимость, исходные данные, а потом получается ответ. В практике обучения людей следует пользоваться обоими формами представления информации в зависимости от того, требуется поиск новых ответов, или решение конкретной задачи, обучение известным зависимостям.

Еще

Напряжение, сопротивление, ток, закон Ома, искусственный интеллект, нейронная сеть, нейрон, ребра, веса, Python, подходы к обучению, закономерности, формы представления информации, обучение

Короткий адрес: https://sciup.org/147253820

IDR: 147253820 | УДК: 621.3

The sharp turns of Ohm's law in the light of natural and artificial intelligence

The article is an original consideration of the classical Ohm's law for direct current through the prism of modern data processing technologies and artificial neural networks. An interesting question about the order of writing the well-known formula of Ohm's law is considered. The variants of the formula representation are considered, in which the desired value is indicated on the left and when it is indicated on the right. Using the example of these forms of representation of Ohm's law for a network segment, the difference between approaches to cognition of natural and artificial intelligence is shown. It is shown that the traditional form of writing, with the desired value on the left, is characteristic of human natural intelligence, as it demonstrates that first there is a question, and then there is dependence. On the contrary, the form in which the desired value is indicated on the right is typical for artificial intelligence, neural networks, since first the dependence, the initial data is set, and then the answer is obtained. In the practice of teaching people, both forms of information presentation should be used, depending on whether it is necessary to find new answers, or to solve a specific problem, or to teach known addictions.

Еще

Текст научной статьи Крутые повороты закона Ома в свете естественного и искусственного интеллекта

Введение. Форма подачи материала зависит от опыта и особенностей восприятия того, кому данный материал представляется. Наиболее изученным этот вопрос является в сфере рекламы. Известны случаи, когда ошибки в учёте этих особенностей значительно влияли на эффективность рекламы, приводили к неприятию рекламируемого продукта. Ошибки касались, в том числе и последовательности подачи материала, не учитывающего, например, что арабы читают и, соответственно воспринимают информацию справа налево, а не наоборот, как европейцы, и особенностей восприятия цвета, и других нюансов восприятия информации [1, 2].

Аналогично и при проведении учебного процесса, восприятие учебного материала зависит от формы его подачи. В определённой степени это связано с понятиями речевых моделей, вопросами исследования понятий тем и рем в лингвистике [3].

При использовании инструментов искусственного интеллекта, нейросетей используются языковые модели разных видов. При этом разными авторами отмечаются особенности речевых моделей нейросетей, чат-ботов, позволяющие отличать язык ИИ от

Агротехника и энергообеспечение. – 2026. – № 1 (50) 91

человеческого [4].

Актуальными являются и вопросы человеко-машинных коммуникаций, осуществляемых с помощью нейросетей ИИ. При этом в работе Деникина А.А. отмечается главная особенность таких коммуникаций - «нейросети работают с информацией иначе, нежели люди, их алгоритмы не интерпретируют информацию, они обрабатывают только данные, которые сами по себе не имеют смысла - это лишь последовательности цифр, цифровые разрядности» [5]. Люди, используя языковые модели для обучения машин, общаясь с машинами (чат-ботами ИИ), сами в какой-то степени воспринимают опыт и формы речевых моделей ИИ. Поэтому актуальным является рассмотрение вопросов нового подхода к представлению информации как для ИИ, так и для людей в процессе обучения.

Материалы и методы исследования. В качестве материала исследования рассмотрено представление закона Ома в традиционной форме и в форме загрузки его в нейросеть. В качестве методов исследования использованы методы программирования в среде Python, методы индукции.

Результаты и обсуждение. Исторически принято написание формул таким образом, что искомая величина располагается слева. Это связано с тем, что изначально при создании формул ставился вопрос - чему будет равна данная величина и от чего она зависит. Стандартная формула записи отвечает этому запросу. Например, закон Ома для участка цепи гласит, что сила тока прямо пропорциональна напряжению и обратно пропорциональна сопротивлению. Вычислить силу тока можно разделив значение напряжения на значение сопротивления [6-8]. Соответственно, символ, обозначающий силу тока, ставится в формуле слева. Также можно поступить при использовании средств искусственного интеллекта (ИИ), современных программных средств для представления формулы закона Ома. Например, для постоянного тока можно записать с помощью ИИ и программы 1 на языке Python:

Программа 1 «Типовая формула закона Ома»

# Закон Ома
# Online Python

# Текст формулы Закона Ома

formula_text = r'$I = \frac{U}{R}$'

# Рисуем фигуру с белой рамкой

fig, ax = plt.subplots(figsize=(6, 3), facecolor='w')

# Рамка вокруг текста

rect = plt.Rectangle((0.1, 0.1), 0.8, 0.8, linewidth=2, edgecolor='k', facecolor='none') ax .add_patch(rect)

# Увеличенный шрифт формулы

# Выключение осей и сетки

# Сохранение пропорций

ax.set_aspect('equal')

# Демонстрация результата

Рисунок 1 – Типовая формула записи закона Ома

Здесь:

I – сила тока; U –напряжение; R – сопротивление.

С точки зрения машины эта формула показывает, что сначала выводится результат – сила тока I, а затем вводятся исходные данные, напряжение U и сопротивление R. Получается, в какой-то степени нарушение логики работы с данными. Логично наоборот, задать напряжение, сопротивление, функцию их обработки (деление одного на другие) и получить результат – силу тока. Особенно это чувствуется при работе с нейросетью.

Создадим с помощью искусственного интеллекта (Online Python. , (opens in a new tab)) простейшую нейросеть для расчёта тока по закону Ома. Программа (Программа 2) на компьютерном языке Python [9] (Online Python. и её схема (рисунок 2) показаны ниже. В данном случае будем использовать простую искусственную нейросеть прямого распространения, состоящую всего из четырёх нейронов.

Входные сигналы передают исходные данные о напряжении и сопротивлении (например, U=10 В, R=2 Ом). Промежуточный нейрон («Сумматор») осуществляет расчёт тока согласно формуле закона Ома для нейросети. Выходной сигнал выводит полученный результат величину силы тока I.

Графически сеть представлена в виде ориентированного графа, показывающего связь между узлами и весами рёбер, определяющими коэффициенты влияния каждого узла на следующий уровень. Несмотря на простоту модели, она наглядно иллюстрирует принцип работы нейросетей в применении к решению простых физических задач. Приведённый ниже код Python предназначен для визуализации простой нейросети, выполняющей расчет электрического тока по закону Ома (Программа 2).

Программа 2 Нейросеть закон Ома

# закон Ома для нейросети
# Online Python

# Исходные данные

U = 10 # напряжение (вольт)

R = 2 # сопротивление (омы)

# Входные сигналы нейросети
x 1 = U # сигнал напряжения
x 2 = R # сигнал сопротивления
# Веса рёбер

w1 = 1 / R w2 = 0

w3 = 1

# Расчет тока по закону Ома

f1 = w1 * x1 + w2 * x2

f2 = f1 * w3

I = f2

# Создание ориентированного графа

graph = nx.DiGraph()

# Добавляем узлы

graph.add_node('Voltage', pos=(0, 1.5), size=1000, color='#ADD8E6') # верхний узел

graph.add_node('Resistance', pos=(0, 0.5), size=1000, color='#ADD8E6') # нижний узел

graph.add_node('Compute', pos=(2, 1), size=1000, color='#DC143C') # вычислительный нейрон

graph.add_node('Current', pos=(4, 1), size=1000, color='#ADFF2F') # выходной узел

# Соединяем узлы и задаём веса рёбер

graph.add_edge('Voltage', 'Compute', weight=f{w1:.2f}')

graph.add_edge('Resistance', 'Compute', weight=f{w2:.2f}')

graph.add_edge('Compute', 'Current', weight=f{w3:.2f}')

# Атрибуты позиций и размеров узлов

positions = nx.get_node_attributes(graph, 'pos')

sizes = list(nx.get_node_attributes(graph, 'size').values())

colors = list(nx.get_node_attributes(graph, 'color').values())

# Границы для рамки

# Рисование

fig, ax = plt.subplots(figsize=(6, 4))

# Чёрная рамка вокруг графа

ax.add_patch(plt.Rectangle((min_x, min_y), max_x - min_x, max_y - min_y, fill=False, edgecolor="black", lw=2))

# Нарисовать узлы

nx.draw_networkx_nodes(graph, positions, node_size=sizes, node_color=colors)

# Нарисовать соединительные линии

nx.draw_networkx_edges(graph, positions, width=2, arrows=True, arrowsize=20)

# Заголовок

plt.suptitle("Нейросеть для расчета тока\nпо закону Ома", fontsize=14, y=0.95)

# Метки около входа

\mathrm{{V}}$', fontsize=14, ha='left', va='center')

# Закон Ома

# Итоговый результат

# Название выхода

# Вывод весов рёбер

labels = nx.get_edge_attributes(graph, 'weight')

nx.draw_networkx_edge_labels(graph, positions, edge_labels=labels, font_size=12)

# Подпись под вычислительным нейроном

# Скрытие осей

# Показ графика

L/= 10 В

ВЫХОД

ВХОД

/=5.00 А

Нейросеть для расчета тока ______ по закону Ома _____

Сумматор

R = 2 Ом

Рисунок 2 - Схема нейросети для расчёта тока по закону Ома

Для расчёта тока с помощью нейросети следует использовать следующую форму записи закона Ома (рисунок 3). Составим программу 3 для её представления.

Программа 3 Форма закона Ома для нейросети

# Формула закона Ома для нейросети
# Online Python

# Изменённая формула

formula_text = r'$\frac{U}{R} = I$'

# Рисуем фигуру с белой рамкой

fig, ax = plt.subplots(figsize=(6, 3), facecolor='w')

# Рамка вокруг текста

rect = plt.Rectangle((0.1, 0.1), 0.8, 0.8, linewidth=2, edgecolor='k', facecolor='none')

ax. add_patch(rect)

# Увеличенный шрифт формулы

# Выключение осей и сетки

# Сохранение пропорций

ax.set_aspect('equal')

# Демонстрация результата plt.show()

Рисунок 3 –Запись закона Ома для нейросети для расчёта тока по закону Ома

Очевидно, что запись закона Ома для нейросети будет справедлива и для величин в комплексной форме (рисунок 4, программа для его представления 4).

Программа 4 Закон Ома для комплексных величин

Закон Ома ля комплексных величин

# Online Python

# Оригинальная формула

formula_text = r'$\frac{U}{Z} = I$'

fig, ax = plt.subplots(figsize=(6, 3), facecolor='w')

# Рамка вокруг текста

rect = plt.Rectangle((0.1, 0.1), 0.8, 0.8, linewidth=2, edgecolor='k', facecolor='none')

ax.add_patch(rect)

# Отображение формулы

# Параметры подчёркивания

y_center = 0.5

line_thickness = 2

# Подчеркнуть U (в числителе — выше центра)

ax.set_aspect('equal')

Рисунок 4 –Запись закона Ома для расчёта комплексного тока

Здесь U – величина комплексного напряжения; Z – величина комплексного 96

сопротивления; I – величина комплексного тока.

Аналогично можно представить и известные формулы определения значений напряжения и сопротивления из закона Ома. То есть мы получаем взаимосвязанные формулы, которые выражают закон Ома для участка электрической цепи (рисунок 5).

Формулы на рисунке 5 демонстрируют разные способы представления зависимостей тока, напряжения и сопротивления в электрических цепях. При этом для задания их в нейросеть практичны формы, когда искомая величина располагается справа исходя из логики решения задачи. Эта логика в следующем выводе:

Мы имеем полное представление о связи трёх величин: напряжение, сопротивление и тока. Каждая величина легко вычисляется, зная значения двух других.

Этот вывод справедлив для искусственного интеллекта, когда исходные зависимости известны заранее и следует решить задачу, заключающуюся в поиске значения одной величины по известным двум другим. То есть вопрос, на который отвечает искусственный интеллект, или нейросеть в следующем: каков результат, решение задачи? При этом ИИ пользуется набором известных алгоритмов, методов решения, имеющихся зависимостей.

Что же с естественным интеллектом? Здесь форма представления не так однозначна. В процессе обучения мы можем, а иногда, может быть это и рационально, пользоваться также формой, в которой искомая величина располагается справа. Это в том случае, когда, например, хотим пояснить слушателям, что воздействие приложенного напряжения заданного значения на проводник с известным сопротивлением приведёт к появлению в проводнике тока с силой, которую можно рассчитать. Здесь всё логично – приложили напряжение, сила тока будет обратно пропорциональна сопротивлению. В принципе, решая конкретные задачи, мы пользуемся именно такой формой.

Но если мы хотим научить человека размышлять, показав ему подход к этому размышлению, мы подсознательно представляем формулу так, что искомая величина располагается слева, то есть традиционно. При этом мы как бы задаём изначальный вопрос, которым задавался и Георг Ом, разрабатывая свой закон: «А от чего зависит сила тока в проводнике?». Мы ищем ответ на этот вопрос, приходя к выводу, что сила тока зависит от приложенного напряжения и сопротивления проводника. То есть если мы говорим о разнице естественного и искусственного интеллекта, то мы говорим прежде всего о подходах к познанию. В природе человеческого познания интерес, любопытство: «От чего это зависит? Как это устроено?...», причём не имеется порой исходных зависимостей, методов и алгоритмов, но есть аналоги, сопоставления, эксперименты, наблюдения, другие методы, позволяющие так, или иначе находить эти ответы, получать зависимости, алгоритмы решений и т.п.

В природе ИИ набор известных сведений и задача: «найти ответ, используя весь имеющийся набор информации». И если нет в этой информации подходящих алгоритмов решения, или необходимых сведений, то нет и верного ответа. Хотя ответ при этом может появиться, но правильность его может оценить только человек, понимающий в теме и могущий интуитивно усомниться в выданном машиной ответе.

То есть, образно мы можем представить человеко-машинное взаимодействие в виде следующей формы формулы закона Ома (рисунок 6).

ЕИ ИИ

/ = = /учение) = A

\ R/ ^(значение) /

В формуле первые скобки – естественный интеллект (ЕИ), ставящий вопросы, вторые скобки – искусственный интеллект (ИИ), решающий задачи. При этом человек, решающий конкретную задачу, например, получающий конкретное значение силы тока, если он знает закон Ома, то пользуется фактически алгоритмом и формой представления информации, показанной во второй скобке.

Приведённые рассуждения можно проецировать и на подходы к образованию в целом. Например, подготовка к ЕГЭ в основном предполагает подходы, характерные для обучения ИИ, то есть для ответа на задания надо располагать знаниями предмета в части конкретных сведений и алгоритмов решения задач. Пользуясь ими, требуется найти правильный ответ. Такой подход, прежде всего, требует развития памяти, хранящей эти сведения (например, путём зубрёжки). Если же стоит задача подготовки человека, способного искать решения творчески, то следует, прежде всего, пользоваться формой представления, указанной в первой скобке. То есть порождать любопытство, развивать интерес к собственному поиску решений. «А вдруг сила тока зависит не только от напряжения и сопротивления, а от чего-то ещё? И сопротивление от чего зависит? Вдруг от температуры? Вдруг от какой-то загадочной связи с соседней линией, проводником?» Только так рождаются новые законы…

Заключение.

Подача материала при обучении и решении конкретных задач может быть различной и может влиять на ожидаемый результат.

На примере форм представления закона Ома для участка сети показана разница между подходами к познанию естественного и искусственного интеллекта. Естественный интеллект, человек прежде всего задаётся вопросами, не имея заранее известного алгоритма решения, закономерности, ищет сперва не решение, а именно алгоритм, зависимость, чтобы потом на их основе найти ответ. Он изучает и собирает новые сведения. В основе ЕИ лежит

любопытство. Поэтому в традиционных формах записи формул, выражающих закономерности, исторически закрепилось написание искомой величины слева (для народов, читающих слева направо), а алгоритм решения – справа (для народов, читающих слева направо).

Для искусственного интеллекта характерно следующее. Его обучают на базе уже известных знаний, зависимостей и алгоритмов и дают задачу поиска ответов исходя их этих сведений. Задача может заключаться в непосредственном решении, в поиске комбинаций решений. Но принципиально именно то, что решение ищется на основе исходной известной информации. Поэтому форма написания, например, закона Ома, для нейросети логична такая, что слева записываются исходные данные, а справа – искомая величина.

В практике обучения людей следует пользоваться обоими формами представления информации в зависимости от того, требуется поиск новых ответов, или решение конкретной задачи, обучение известным зависимостям.

Для приближения возможностей ИИ к возможностям ЕИ следует также искать новые формы обучения ИИ, разрабатывать, прежде всего, алгоритмы любопытства. Но следует также разработать и алгоритмы совести, боли, страха, ответственности и даже сна и смерти, как и всех других человеческих качеств [10, 11], что станет залогом возможности сосуществования человека естественного и человека искусственного.