Тип шаблона

2.6 Neyrokompyuter tizimlarida xorijiy yutuqlarga umumiy nuqtai

Sun'iy intellekt (AI) elementlaridan foydalangan holda axborotni qayta ishlashning ilg'or vositalari sohasidagi xorijiy ilmiy-texnik adabiyotlarning tahlili neyron tarmoqlarni yaratish va apparat ta'minotini joriy etishga qaratilgan tadqiqot va ishlanmalarning yanada rivojlanishidan dalolat beradi. Bu holatni ikkita ob'ektiv sabab bilan izohlash mumkin. Birinchidan, keng jabhada olib borilgan tadqiqotlar NPS an'anaviy kompyuter texnologiyasiga asoslangan dasturiy ta'minotda amalga oshirilgan bo'lsa ham, neyrointellektdan foydalanish samarali natijalarga erishish imkonini beradigan bir qator amaliy yo'nalishlarni aniqladi. Ikkinchidan, raqamli va analog mikroelektronika sohasidagi yutuqlar neyrochiplarni yaratish haqiqatini ta'minladi, bu esa NPS-ga xos bo'lgan parallel va taqsimlangan axborotni qayta ishlash imkoniyatlarini to'liq amalga oshirish imkonini beradi.

Loral Space Information System shaxsiy kompyuterlar uchun tezlatkich sifatida foydalaniladigan o'zining ishlab chiqilgan neyro-emulator NET (Neural Emulation Tool) ni ishlab chiqadi. Emulyator ikkita modifikatsiyada ishlab chiqarilgan - soprotsessor va .net xotira - protsessorda Texas Instruments kompaniyasining to'rtta 32-bitli suzuvchi nuqtali signal protsessorli TMS 320C30 chiplari mavjud. U turli xil .net neyron tarmoq paradigmalarini amalga oshiradi - xotira bitta chipda tuzilgan [15].
Zamonaviy ko'p protsessorli kompyuterda NPSni amalga oshirishning odatiy misoli ishda tasvirlangan. Computing Surfase transputer kompyuterida xatolarni orqaga yoyish usuli bilan o'rgatiladigan ko'p qatlamli NPS amalga oshirildi. Kompyuterda har bir tugunda 4 MB xotiraga ega 32 ta transputer mavjud edi. NPSni amalga oshirishda ulanishlarning simmetriyasi bilan transputer tugunlari bo'ylab neyronlarning bir xil taqsimlanishi ta'minlandi. Natijada, neyronlarning umumiy soni 5040 tagacha, ulanishlar esa 5 644 800 tagacha bo'lgan 1,8 million kommutatsiya ulanishi/s gacha bo'lgan uch qatlamli NPS simulyatsiya tezligini olish mumkin bo'ldi.
Ish NTT ning ixtisoslashtirilgan AAP-2 uyali protsessorida 256 neyron va 131072 ulanishga ega uch qatlamli NPSni amalga oshirishni tavsiflaydi. AAP-2 protsessorida 65536 protsessor elementi mavjud. Har bir protsessor elementi bir bitli ALU, 144 bitli registr fayli va 8 Kb mahalliy xotiraning birikmasidir. NPSni o'qitishda 18 million havolani almashtirish tezligi ko'rsatildi, bu yuqori samarali IBM-3090 asosiy kompyuteriga qaraganda 45 baravar tezroq. Shuni ta'kidlash kerakki, simulyatsiya qilingan tarmoq hajmi mahalliy xotira miqdori bilan chegaralangan.
Intel Nestor bilan birgalikda NI1000 VLSI [14] ni ishlab chiqdi, u Parzen oynasi algoritmlarini amalga oshiradigan ehtimoliy NPS va NPSlar asosida tanib olish muammolarini echishga qaratilgan. VLSI sekundiga 5 bitli ma'lumotlar va 160 million vergul operatsiyalari bilan 40 MGts taktli chastotada yoki 20 milliard qisqa operatsiyalarda 40 ming tasvir/s tezlikda tanib olish imkonini beradi. Tasvir o'lchami 256 gacha va vektor elementining bir oz kengligi 5 bit bo'lgan vektor bilan ifodalanadi. Ushbu neyrochipning xarakteristikalari hozirda NPS ilovalarining ushbu sinfida rekord darajada.
Amerikaning Intel kompaniyasi ETANN (80170NX) ixtisoslashtirilgan analog neyrochipini ishlab chiqdi va tijorat maqsadida ishlab chiqardi. Bu elektr bilan qayta dasturlashtiriladigan analog NPS bo'lib, og'irliklar va boshqa parametrlarni dasturlash uchun imkoniyatlarga ega. Chip 208 pinli PGA paketiga o'rnatilgan.
Hosildorlikning asosiy o'sishi NPS ning og'irlik koeffitsientlari bilan kirish signallarini parallel analog ko'paytirishdan foydalanish orqali ta'minlanadi. To'g'ridan-to'g'ri signal tarqalishi bilan NPSni amalga oshirishda maksimal ishlashga erishiladi - 2 million ulanish / s.
ETANN shunga o'xshash ishlanmalardan bitta chip tomonidan amalga oshirilgan etarlicha katta hajmdagi NPS arxitekturasining to'liqligi va uning o'rganish algoritmini qisman amalga oshirishi bilan ajralib turadi. Ushbu uchta asosiy komponentning barchasi neyrochipni turli sohalarda keng ko'lamli ilovalar bilan ta'minlaydi. LFda EEPROM (CHMOS) texnologiyasidan foydalanish uning yuqori unumdorligini, kam quvvat sarfini, LPS parametrlarida sezilarli o'zgarishlarsiz og'irlik koeffitsientlarini uzoq muddat saqlashni va keng ko'lamli ilovalarni ta'minlaydi.
Neyrochipning arxitekturasini ko'rib chiqing. Analog LF 80170NX ichida 64 ta analog qo'shuvchi neyronlar mavjud. LF ning kirish va chiqishida 80 x 60 o'lchamli sinaptik elementlarning matritsalari mavjud. Ular NPS kirish signallarini saqlangan og'irlik koeffitsientlari bilan ko'paytirishni ta'minlaydi. Yagona kristall tomonidan amalga oshirilgan NPSning maksimal o'lchami 64. Ushbu tarmoqdagi kirish signallarining maksimal mumkin bo'lgan soni har bir neyron uchun 128 tani tashkil qiladi. 14 x 64 matritsalar neyronlarning dastlabki siljishlarini belgilash uchun ishlatiladi. Neyrochipda ba'zi o'rganish algoritmlarini amalga oshirish uchun o'rnatilgan vositalar mavjud. Raqamli signallarni aralash muhitda qayta ishlash uchun LF dan foydalanish mumkin.
Formulab Neoronetics Corporation (G'arbiy Pert, Avstraliya) tezligi mavjud shaxsiy kompyuterlar (ShK)nikidan ancha yuqori bo'lgan neyrokompyuterni ishlab chiqdi [3]. Intuitiv vizual interfeys tufayli miya faoliyatini taqlid qiluvchi va foydalanuvchi tomonidan o'rgatiladigan yangi mashina (Rixter Paradigma kompyuteri) uchun dasturlash oddiy va tezdir.
896 RISC protsessoriga ega kompyuter neyron tarmoq texnologiyasiga asoslangan ilovalarni Pentium/166 protsessoriga asoslangan mashinadan 180 marta tezroq ishlaydi. Kompyuter yangi ob'ektga xos arxitektura va manzillash tizimidan foydalanadi, bu tizimning tezligini, moslashuvchanligini va xatolarga chidamliligini ta'minlaydi.
Kompyuter bilan birgalikda displey ekranidagi kataklarni oddiygina ulash orqali dasturlar yaratish imkonini beruvchi Richter Paradigm View dasturi (dasturiy ta'minot) ishlab chiqilgan. Dastur yozish bosqichlari biologik miyada sodir bo'ladigan qaror qabul qilish jarayonini taqlid qiladi. Bu barcha kerakli ma'lumotlarni hisobga olishi mumkin, hatto ba'zi ma'lumotlar to'liq bo'lmasa yoki etishmayotgan bo'lsa ham, shuningdek, qarama-qarshi va tushunarsiz.
Rixter paradigma kompyuteri real vaqtda turli xil muammolarni hal qilish uchun moslashtirilishi mumkinligi sababli, u ekspert tizimi yoki neyron tarmog'idan ko'proq narsadir. Tizimni protsessorlar sonini ko'paytirish orqali kengaytirish mumkin.
Yangi texnologiyaning muhim komponenti Richter Paradigm Neurocard platasidir.
Agar siz uni shaxsiy kompyuterga o'rnatsangiz yoki tashqi portga ulasangiz, shaxsiy kompyuter haqiqiy "fikrlash" mashinasiga aylanadi.
Korporatsiya rahbariyati, boshlang'ich narxi pastligi sababli:
Rixter Paradigma kompyuteri - 3000 dollar;
Richter Paradigm View taxtalari - 300 dollar;
Richter Paradigm Neyrocard dasturi - 90 dollar;
"fikrlash" qobiliyatiga ega bo'lgan yangi mashina (ishlab chiqish uchun 14 yildan ortiq vaqt kerak bo'lgan) katta talabga ega bo'ladi.
Siemens Nixdorf ishlanmalaridan biri bu Synaps1 ixtisoslashtirilgan kompyuteri bo'lib, uni ishlab chiquvchilar juda jasorat bilan NC deb atashgan [4]. Kengaytirilgan ko'p protsessorli arxitektura, xotira arxitekturasi, eng intensiv hisoblash operatsiyalarini bajaradigan signal protsessorlaridan foydalanish tufayli ishlab chiquvchilar sekundiga bir necha milliard ulanishga (ko'paytirish va qo'shimchalar) teng bo'lgan kompyuter unumdorligiga erishishga muvaffaq bo'lishdi. Ushbu jihatlar tufayli klassik axborot texnologiyalari doirasidan tashqariga chiqadigan keng ko'lamli ilovalarni amalga oshirish, jumladan, inson miyasi va sezgi organlari faoliyatini modellashtirish, optimallashtirish va boshqarishning murakkab masalalarini hal qilish, o'z-o'zini o'rganish va ekspert tizimlarini ishlab chiqish, ya'ni NPS zamonaviy nazariyasi muammolarini tashkil etuvchi vazifalar.
Synaps1 apparat va dasturiy vositalari neyron tarmog'ini loyihalashdagi muammolarni hal qilishga, shuningdek quvvatni oshirish va tashqi "sezgi" qurilmalarni ulashning me'moriy qobiliyatiga qaratilgan bo'lib, ushbu hisoblash tizimini tayyorlangan ixtisoslashtirilgan hisoblash tizimlarining alohida sinfiga ajratish imkonini beradi. har qanday, hatto eng murakkab NPClarni tez prototiplash, kontseptsiyalarni sinab ko'rish va neyroimitatsiyalarni yaratish, tayyor tijorat mahsulotiga ishlanmalarni olib kelish uchun.
Yuqoridagi ma'lumotlar bugungi kunda integratsiyalashgan raqamli mikroelektronika asosida neyrokompyuter vositalarini yaratish haqiqatini tasdiqlaydi, bu esa neyron tarmoq hisoblash paradigmalari asosida keng ko'lamli amaliy muammolar yechimlarini topishga qaratilgan nazariy tadqiqotlarni rivojlantirish uchun qo'shimcha turtki beradi.

Xulosa

Sun'iy neyron tarmoqlar chiziqli bo'lmagan ob'ektlarni modellashtirish va aniqlash uchun universal va samarali vosita bo'lib xizmat qiladi. Ularning yordami bilan hozirgi vaqtda tanib olish, tasniflash va optimallashtirishning murakkab muammolari muvaffaqiyatli hal qilinmoqda. Murakkab va simulyatsiya qilinmagan dinamikaga ega bo'lgan ko'paytiriladigan chiziqli bo'lmagan ob'ektlar uchun optimal (aniqrog'i, suboptimal) boshqaruv algoritmlarini sintez qilish uchun sun'iy neyron tarmoqlaridan va birinchi navbatda ko'p qatlamli tarmoqlardan foydalanish istiqbolli. Zamonaviy nochiziqli boshqaruv nazariyasi tushunchalari, usullari va matematik apparatlarini o'rgatish mumkin bo'lgan sun'iy neyron tarmoqlar nazariyasi bilan uyg'unlashtirish murakkab dinamik tizimlarning, shu jumladan hozirgi vaqtda sun'iy intellekt elementlari bo'lgan tizimlar deb ataladigan sinfning tarkibiy sintezi uchun keng istiqbollarni ochadi. .

Avtomatik boshqaruvning zamonaviy nazariyasi nuqtai nazaridan, MNS dan ob'ektlarni boshqaruvchi sifatida foydalanish boshqaruv tizimining analitik sintezi murakkabligi yoki murakkabligi tufayli juda mashaqqatli vazifaga aylangan tez-tez uchraydigan holatlarda yuzaga keladigan vazifalarga mos keladi. ishlatiladigan ob'ektning matematik modelining ishonchsizligi. Agar ob'ekt ko'paytmali bog'langan va chiziqli bo'lmaganlarni o'z ichiga olgan bo'lsa va uning ishlashi uning dinamik xususiyatlarining vaqtning nazoratsiz o'zgarishi bilan birga bo'lsa, bunday vaziyat muqarrar.
Sun'iy neyron tarmoqlar nazariyasi holati va ularni qo'llash ko'plab ishlarda aks ettirilgan va asosan chet elda amalga oshirilgan: ilmiy va amaliy xarakterdagi tijorat dasturiy ta'minotida. Ularning katta qismi avtomatik boshqaruv tarmoqlaridan foydalanish bo'yicha ishlardir. Ularning aksariyati robotlar va manipulyatorlarning harakatini boshqarish uchun MNS dan foydalanishga bag'ishlangan. Bunday hollarda ob'ekt statik tenglamalar bilan tavsiflanadi va tarmoq, qoida tariqasida, harakat traektoriyalarining berilgan sinflari uchun o'qitiladi.
Mahalliy va xorijiy nashrlarning sharhlaridan kelib chiqqan holda, sun'iy neyron tarmoqlardan foydalangan holda dinamik ob'ektlarni boshqarish muammolariga kamroq e'tibor beriladi. Buni ma'lum darajada neyron tarmoqlarni real vaqtda o'qitish uchun standart algoritmlardan foydalanishda mutaxassislar duch keladigan muammolar bilan izohlash mumkin, ya'ni. dinamik boshqaruv ob'ektlarida jarayonlar tezligida. Boshqa tomondan, neyron tarmoqlarni boshqarish tizimlarining tarkibiy sintezining hozirgi holati boshqaruv mutaxassislari boshqaruv muammolarini hal qilish uchun MNS dan foydalanish bilan ochiladigan imkoniyatlardan hali ham etarli darajada xabardor emasligi natijasidir. Shu bilan birga, sun'iy neyron tarmoqlar bo'yicha mutaxassislarning tadqiqotlarida dinamik ob'ektlarni boshqarish sohasidagi ilovalarning o'zi ahamiyatsiz o'rin egallaydi. So'nggi yillarda bu sohadagi vaziyat yaxshi tomonga o'zgara boshladi: dinamik tizimlarni boshqarish uchun neyron tarmoqlardan foydalanishga bag'ishlangan turli darajadagi konferentsiyalarda nashr etilgan ishlar va ma'ruzalar soni sezilarli darajada oshdi.
Sun'iy neyron tarmoqlari va, xususan, to'g'ridan-to'g'ri tarqalishning ko'p qatlamli tarmoqlari to'liq bo'lmagan ma'lumotlar sharoitida chiziqli bo'lmagan ob'ektlarda boshqaruv harakatlarini shakllantirish uchun kuchli vosita bo'lib xizmat qiladi. Shu ma'noda, chiziqli dinamik tizimlarda boshqarish uchun neyron tarmoqlaridan foydalanish mumkin bo'lsa-da, lekin neyron vositalaridan (neyrokontrollerlar va neyrokompyuterlar) haqiqatan ham samarali foydalanish birinchi navbatda chiziqli bo'lmagan ob'ektlarni boshqarish uchun ko'rinadi. Shu bilan birga, chiziqli bo'lmagan neyron tarmoq boshqaruvchisi yordamida chiziqli bo'lmagan ob'ektni boshqarish juda murakkab dinamik tizimni hosil qiladi, uning sintezi va tahlili tanlangan maqsadli sharoitlarda noan'anaviy yondashuv va usullarni talab qiladi.

Lug'at

No p / p	tushuncha	Ta'rif
1	Avtoassotsiativ tarmoq	chiqishda kirish ma'lumotlarini ishlab chiqarishga o'rgatilgan ko'p qatlamli oldinga neyron tarmoq.
2	Neyron tarmoq arxitekturasi	neyron tarmoqning (neyronlarning) alohida elementlarini tashkil qilish va ulash usuli.
3	Kohonen o'rganish algoritmi	Sinapslarni oldingi iteratsiyadagi qiymatlari asosida sozlaydigan nazoratsiz o'rganish algoritmi.
4	Assotsiativ xotira	neyron tarmoqning bir oz o'zgartirilgan tasvirni tiklash xususiyati, masalan, shovqin bilan yoki asl tasvirning faqat muhim qismini o'z ichiga olgan.
5	Chiqish yulduzi (Outstar, Outstar)	Grossberg tomonidan taklif qilingan va ko'plab neyron tarmoqlar modellarida foydalanilgan neyron tarmoqlarining bir qismi. Og'irliklar guruhini boshqaradigan neyrondan iborat.
6	Neyron tarmoq	neyronlarning soddalashtirilgan funktsional modellari bo'lgan bir hil protsessor elementlaridan qurilgan hisoblash yoki mantiqiy sxema.
7	Neyrobionika	yanada ilg'or texnik qurilmalar va texnologik jarayonlarni yaratish maqsadida miyaning tuzilishi va faoliyati tamoyillaridan foydalanish imkoniyatlarini o'rganuvchi ilmiy yo'nalish.
8	Neyrokibernetika	neyronlar va neyron shakllanishlarning tashkil etilishi va faoliyatining asosiy qonuniyatlarini o'rganadigan ilmiy yo'nalish. Neyrokibernetikaning asosiy usuli matematik modellashtirish bo'lib, fiziologik eksperiment ma'lumotlari modellarni yaratish uchun manba sifatida ishlatiladi.
9	Neyrokompyuter	neyron tarmoqlarga asoslangan kompyuter.
10	Xotira va o'rganishning neyron modellari	neyron tarmoqlar modellari, ularning xotira izlarini shakllantirish va yozib olingan ma'lumotlarni ajratib olish qobiliyatini o'rganishga qaratilgan.
o'n bir	Hamming tarmog'i (Xamming masofasi minimal tasniflagichi)	Assotsiativ xotira neyron tarmog'i, uning printsipi kirish vektoridan tarmoqqa ma'lum bo'lgan barcha namuna vektorlarigacha bo'lgan Hamming masofasini hisoblashga asoslangan.
12	Xopfild tarmog'i (kontent-manzilli assotsiativ xotira, Xopfild modeli)	har biri boshqa barcha neyronlar bilan sinapslar orqali bog'langan, shuningdek, bitta kirish va bitta chiqishga ega bo'lgan bir neyron qatlamidan iborat neyron tarmoq.
13	Sinaps - neyron tarmoqlarda	rasmiy neyronlar o'rtasidagi aloqa. Neyronning chiqish signali sinapsga kiradi, u uni boshqa neyronga uzatadi. Murakkab sinapslar xotiraga ega bo'lishi mumkin.
14	Adder - neyron tarmoqlarda	neyronlardan sinapslar orqali keladigan signallarni jamlaydigan blok. Umuman olganda, yig'uvchi signallarni o'zgartirishi va ularni neyronlarga yoki sinapslar orqali ham yuborishi mumkin.
15	Adaptiv rezonans nazariyasi (adaptiv rezonans nazariyasi, ART)	barqarorlik-plastiklik dilemmasini yechishga qaratilgan modellarni o'rganuvchi Grossberg va Carpenter nazariyasi, ya'ni. mavjud bilimlarni yo'q qilmasdan yangi bilimlarni o'rgatish.
16	rasmiy neyron	neyron tarmoqlarda - ishlov berish elementi, kirish ma'lumotlarini qabul qiluvchi va ularni berilgan funktsiya va parametrlarga muvofiq o'zgartiruvchi ma'lumotlar konvertori. Rasmiy neyron diskret vaqt bilan ishlaydi.