Üks lootustandvamaid valdkondi põhimõtteliselt uute arvutussüsteemide arhitektuuride arendamiseks on tihedalt seotud uue põlvkonna arvutite loomisega, mis põhinevad infotöötluse põhimõtetel. tehisnärvivõrgud(NS). Esimesed praktilised tööd tehisnärvivõrkude ja neuroarvutitega algasid juba 40ndatel ja 50ndatel. Närvivõrku mõistetakse tavaliselt kui elementaarsete teabe muundurite kogumit, mida nimetatakse "neuroniteks", mis on teatud viisil üksteisega ühendatud teabevahetuskanalite "sünaptiliste ühenduste" kaudu.

Neuron, sisuliselt on elementaarprotsessor, mida iseloomustavad sisend- ja väljundolekud, edastusfunktsioon (aktiveerimisfunktsioon) ja lokaalne mälu. Neuronite olekud muutuvad töötamise ajal ja moodustavad närvivõrgu lühiajalise mälu. Iga neuron arvutab sünapside kaudu sinna saabuvate signaalide kaalutud summa ja teostab selles mittelineaarse teisenduse. Sünapside kaudu saatmisel korrutatakse signaalid teatud kaaluteguriga. Kaalukoefitsientide jaotus sisaldab teavet, mis on salvestatud närvivõrgu assotsiatiivsesse mällu. Võrgukujunduse põhielement on selle väljaõpe. Närvivõrgu treenimisel ja ümberõpetamisel muutuvad selle kaalukoefitsiendid. Need jäävad aga närvivõrgu toimimise ajal konstantseks, moodustades pikaajalist mälu.

N C võib koosneda ühest kihist, kahest kihist, kolmest või enamast, kuid reeglina ei ole NN-s praktiliste probleemide lahendamiseks vaja rohkem kui kolme kihti.

NN sisendite arv määrab hüperruumi mõõtme, milles sisendsignaale saab esitada tihedalt asetsevate punktide punktide või hüperpiirkondadena. Neuronite arv võrgukihis määrab hüperruumis olevate hüpertasandite arvu. Kaalutud summade arvutamine ja mittelineaarse teisenduse teostamine võimaldavad määrata, kummal pool konkreetset hüpertasandit sisendsignaali punkt hüperruumis asub.

Võtame klassikalise mustrituvastuse probleemi: kindlaks teha, kas punkt kuulub ühte kahest klassist. See probleem lahendatakse loomulikult ühe neuroni abil. See võimaldab hüperruumi jagada kaheks mitte-lõikuvaks ja pesastamata hüperpiirkonnaks. Tegelikkuses moodustavad närvivõrkude abil lahendatud probleemide sisendsignaalid hüperruumis väga pesastatud või ristuvad alad, mida ei saa eraldada ühe neuroni abil. Seda saab teha ainult piirkondade vahele mittelineaarse hüperpinna joonistamisega. Seda saab kirjeldada n-ndat järku polünoomi abil. Kuid võimsusfunktsiooni arvutatakse liiga aeglaselt ja seetõttu on see arvutamisel väga ebamugav. Alternatiivne võimalus on lähendada hüperpinda lineaarsete hüpertasanditega. On selge, et lähenduse täpsus sõltub kasutatavate hüpertasandite arvust, mis omakorda sõltub võrgus olevate neuronite arvust. Seega tekib vajadus võimalikult paljude neuronite riistvaraliseks juurutamiseks võrgus. Neuronite arv võrgu ühes kihis määrab selle eraldusvõime. Ühekihiline närvivõrk ei suuda eraldada lineaarselt sõltuvaid pilte. Seetõttu on oluline osata riistvaras rakendada mitmekihilisi närvivõrke.

JA tehisnärvivõrgud omavad hämmastavaid omadusi. Need ei nõua üksikasjalikku tarkvaraarendust ja avavad võimaluse lahendada probleeme, mille jaoks puuduvad lahendusalgoritmi määravad teoreetilised mudelid või heuristilised reeglid. Sellistel võrkudel on võime kohaneda töötingimuste muutustega, sealhulgas varem ettenägematute tegurite ilmnemisega. Oma olemuselt on NN-d väga kõrge paralleelsuse tasemega süsteemid.

IN neuroarvutid kasutatakse reaalsetes närvivõrkudes läbiviidava infotöötluse põhimõtteid. Need põhimõtteliselt uued ebatavalise arhitektuuriga arvutitööriistad võimaldavad suuremahuliste teabemassiivide suure jõudlusega töötlemist. Erinevalt traditsioonilistest arvutussüsteemidest võimaldavad närvivõrguarvutid sarnaselt närvivõrkudele töödelda diskreetsete ja pidevate signaalide infovooge suurema kiirusega, sisaldavad lihtsaid arvutuselemente ja võimaldavad suure usaldusväärsusega lahendada andmetöötluse infoprobleeme. pakkudes režiimi arvutuskeskkonna eneserestruktureerimiseks sõltuvalt saadud lahendustest.

Üldiselt tähendab termin “neuroarvuti” praegu üsna laia klassi arvuteid. See juhtub sel lihtsal põhjusel, et formaalselt võib neuroarvutiks pidada igasugust närvivõrgu algoritmi riistvaralist teostust, alates lihtsast bioloogilise neuroni mudelist kuni märgituvastussüsteemi või liikuvate sihtmärkideni. Neuroarvutid ei ole arvutid selle sõna tavapärases tähenduses. Praegu pole tehnoloogia veel jõudnud sellisele arengutasemele, kus saaks rääkida üldotstarbelisest neuroarvutist (mis oleks ka tehisintellekt). Kaalukoefitsientide fikseeritud väärtustega süsteemid on tavaliselt närvivõrkude perekonnast kõige spetsialiseerunud. Õppevõrgustikud on paindlikumad erinevate probleemide suhtes, mida nad lahendavad. Seega on neuroarvuti ehitamine iga kord kõige laiem valdkond peaaegu kõigi närvivõrgu elementide riistvaralise juurutamise valdkonnas.

21. sajandi alguses on erinevalt eelmise sajandi 40-50ndatest objektiivne praktiline vajadus õppida tegema neuroarvuteid, s.o. riistvarasse on vaja realiseerida üsna palju paralleelselt töötavaid neuroneid, millel on miljoneid fikseeritud või paralleelselt adaptiivselt modifitseeritud ühendusi-sünapsid, mitme täielikult ühendatud neuronikihiga. Samal ajal on integreeritud elektroonikatehnoloogia oma füüsiliste võimaluste ammendumise lähedal. Transistoride geomeetrilisi mõõtmeid ei saa enam füüsiliselt vähendada: tehnoloogiliselt saavutatavate suurustega suurusjärgus 1 mikron või vähem ilmnevad füüsikalised nähtused, mis on suurte aktiivsete elementide korral nähtamatud – kvantsuuruse efektid hakkavad avaldama tugevat mõju. Transistorid lakkavad töötamast transistoridena.

Närvivõrgu riistvaraliseks juurutamiseks on vaja uut andmekandjat. Selline uus infokandja võiks olla valgus, mis suurendab järsult arvutuslikku jõudlust mitme suurusjärgu võrra.

Ainus tehnoloogia närvivõrkude riistvaraliseks juurutamiseks, mis võib tulevikus optikat ja optoelektroonikat asendada, on nanotehnoloogia, mis on võimeline tagama mitte ainult füüsiliselt maksimaalse võimaliku submolekulaarsete kvantelementide integreerimisastme füüsiliselt maksimaalse võimaliku kiirusega, vaid ka kolmemõõtmelise arhitektuuri, mis on nii vajalik närvivõrgu riistvaraliseks rakendamiseks.

Pikka aega arvati, et neuroarvutid on efektiivsed nn mitteformaliseeritavate ja halvasti formaliseeritavate probleemide lahendamisel, mis on seotud vajadusega kaasata probleemide lahendamise algoritmi reaalset katsematerjali kasutades õppeprotsess. Esiteks hõlmasid sellised probleemid ülesannet lähendada teatud funktsioonide vormi, millel on diskreetne väärtuste kogum, st. mustrituvastuse probleem.

Praegu on sellele probleemide klassile lisandumas ülesannete klass, mis mõnikord ei nõua eksperimentaalse materjali koolitust, kuid on hästi esindatud närvivõrgu loogilises baasis. Need sisaldavad ülesanded, millel on signaalitöötluse, pilditöötluse jms loomulik paralleelsus.. Arvamust, et neuroarvutid on tulevikus teistest arhitektuuridest tõhusamad, võib kinnitada eelkõige närvivõrgu loogilisel alusel lahendatavate üldiste matemaatiliste probleemide klassi järsk laienemine viimastel aastatel. Nende hulka kuuluvad lisaks ülalloetletutele ka lineaarsete ja mittelineaarsete algebraliste võrrandite ning kõrgmõõtmeliste võrratuste lahendamise ülesanded; mittelineaarsete diferentsiaalvõrrandite süsteemid; osadiferentsiaalvõrrandid; optimeerimisprobleemid ja muud probleemid.

Närvivõrku mõistetakse tavaliselt elementaarsete teabemuundurite kogumina, mida nimetatakse "neuroniteks", mis on teatud viisil üksteisega ühendatud teabevahetuskanalite - "sünaptiliste ühenduste" kaudu.

Neuron on sisuliselt elementaarne protsessor, mida iseloomustavad sisend- ja väljundolek, ülekandefunktsioon (aktiveerimisfunktsioon) ja lokaalne mälu.

Riis.

8.1.

Neuronite olekud muutuvad töötamise ajal ja moodustavad närvivõrgu lühiajalise mälu. Iga neuron arvutab sünapside kaudu sinna saabuvate signaalide kaalutud summa ja teostab selles mittelineaarse teisenduse. Sünapside kaudu saatmisel korrutatakse signaalid teatud kaaluteguriga. Kaalukoefitsientide jaotus sisaldab teavet, mis on salvestatud närvivõrgu assotsiatiivsesse mällu. Võrgukujunduse põhielement on selle väljaõpe. Närvivõrgu treenimisel ja ümberõpetamisel muutuvad selle kaalukoefitsiendid. Need jäävad aga närvivõrgu toimimise ajal konstantseks, moodustades pikaajalist mälu.

NN võib koosneda ühest kihist, kahest, kolmest või enamast kihist, kuid reeglina ei ole NN-s praktiliste probleemide lahendamiseks vaja rohkem kui kolme kihti. NS-sisendite arv määrab mõõtme, milles sisendsignaale saab esitada tihedalt asetsevate punktide punktide või hüperpiirkondadena. Neuronite arv võrgukihis määrab arvu hüperlennukid V hüperruum. Kaalutud summade arvutamine ja mittelineaarse teisenduse teostamine võimaldavad määrata, kummal pool konkreetset hüpertasandit sisendsignaali punkt asub hüperruum.

Riis.

8.2. Võtame klassikalise mustrituvastuse probleemi: kindlaks teha, kas punkt kuulub ühte kahest klassist. See probleem lahendatakse loomulikult ühe neuroni abil. See võimaldab teil jagada hüperruum hüperruum kaheks mitteühendatud ja mittepesastatud hüperdomeeniks. Sisendsignaalid moodustuvad närvivõrkude abil lahendatud ülesannetes väga pesastatud või kattuvad piirkonnad, mida ei saa eraldada ühe neuroniga. Seda saab teha ainult piirkondade vahele mittelineaarse hüperpinna joonistamisega. Seda saab kirjeldada n-ndat järku polünoomi abil. Kuid võimsusfunktsiooni arvutatakse liiga aeglaselt ja seetõttu on see arvutamisel väga ebamugav. Alternatiivne võimalus on lähendada hüperpinda lineaarselt hüperlennukid hüperlennukid. On selge, et lähenduse täpsus sõltub kasutatud arvust

, mis omakorda sõltub neuronite arvust võrgus. Seega tekib vajadus võimalikult paljude neuronite riistvaraliseks juurutamiseks võrgus. Neuronite arv võrgu ühes kihis määrab selle eraldusvõime. Ühekihiline närvivõrk ei suuda eraldada lineaarselt sõltuvaid pilte. Seetõttu on oluline osata riistvaras rakendada mitmekihilisi närvivõrke.

Riis.

8.3. Kunstlikel närvivõrkudel on hämmastavad omadused. Need ei nõua üksikasjalikku tarkvaraarendust ja avavad võimaluse lahendada probleeme, mille jaoks puuduvad lahendusalgoritmi määravad teoreetilised mudelid või heuristilised reeglid. Sellistel võrkudel on võime kohaneda töötingimuste muutustega, sealhulgas varem ettenägematute tegurite ilmnemisega. Oma olemuselt on NN-d väga kõrge paralleelsuse tasemega süsteemid. Sarnaselt närvivõrkudele võimaldavad suurema kiirusega töödelda diskreetsete ja pidevate signaalide infovooge, sisaldavad lihtsaid arvutuselemente ja võimaldavad suure usaldusväärsusega lahendada andmetöötluse infoprobleeme, pakkudes samas režiimi eneserekonstrueerimiseks. arvutuskeskkond sõltuvalt saadud lahendustest.

Üldiselt tähendab mõiste “närviarvuti” praegu üsna laia klassi arvuteid. See juhtub sel lihtsal põhjusel, et formaalselt võib kõiki riistvararakendusi pidada neuroarvutiteks. närvivõrgu algoritm, alates lihtsast bioloogilisest neuronimudelist kuni tegelase või liikuva sihtmärgi tuvastamise süsteemini. Neuroarvutid ei ole arvutid selle sõna tavapärases tähenduses. Praegu pole tehnoloogia veel jõudnud sellisele arengutasemele, kus saaks rääkida üldotstarbelisest neuroarvutist (mis oleks ka tehisintellekt). Kaalukoefitsientide fikseeritud väärtustega süsteemid on tavaliselt närvivõrkude perekonnast kõige spetsialiseerunud. Õppevõrgustikud on rohkem kohandatud erinevatele lahendatavatele probleemidele. Õppevõrgustikud on paindlikumad ja suudavad lahendada mitmesuguseid probleeme. Seega on neuroarvuti ehitamine iga kord kõige laiem valdkond peaaegu kõigi närvivõrgu elementide riistvaralise juurutamise valdkonnas.

21. sajandi alguses on erinevalt eelmise sajandi 40-50ndatest objektiivne praktiline vajadus õppida looma neuroarvuteid, s.t. riistvarasse on vaja realiseerida üsna palju paralleelselt töötavaid neuroneid, millel on miljoneid fikseeritud või paralleelselt adaptiivselt modifitseeritud ühendusi-sünapsid, mitme täielikult ühendatud neuronikihiga.

Samas ei ole integreeritud elektroonikatehnoloogia füüsilised võimalused piiramatud. Transistoride geomeetrilisi mõõtmeid ei saa enam füüsiliselt vähendada: tehnoloogiliselt saavutatavate suurustega suurusjärgus 1 mikron või vähem ilmnevad füüsikalised nähtused, mis on suurte aktiivsete elementide korral nähtamatud – kvantsuuruse efektid hakkavad avaldama tugevat mõju. Transistorid lakkavad töötamast transistoridena.

NN-i riistvaraliseks juurutamiseks on vaja uut andmekandjat. Selline uus infokandja võiks olla kerge, mis võimaldaks järsult, mitme suurusjärgu võrra, tõusta esitus arvutused.

Ainus NS-i riistvaralise juurutamise tehnoloogia, mis võib tulevikus asendada optikat ja optoelektroonikat, on nanotehnoloogia, mis suudab tagada mitte ainult füüsiliselt maksimaalse võimaliku submolekulaarsete kvantelementide integreerimise astme füüsiliselt maksimaalse võimaliku kiirusega, vaid ka kolmemõõtmelise arhitektuuri. nii vajalik NS-i riistvaraliseks juurutamiseks.

Pikka aega arvati, et neuroarvutid on tõhusad nn vormistamatud ja halvasti vormistatavad ülesanded seotud vajadusega kaasata ülesande lahendamise algoritmi reaalset katsematerjali kasutades õppeprotsess. Esiteks hõlmasid sellised probleemid ülesannet lähendada teatud funktsioonide vormi, millel on diskreetne väärtuste kogum, st mustrituvastuse probleem.

Praegu on sellele probleemide klassile lisandumas ülesannete klass, mis mõnikord ei nõua eksperimentaalse materjali koolitust, kuid on hästi esindatud närvivõrgu loogilises baasis. Nende hulka kuuluvad ülesanded, millel on selgelt väljendunud loomulik paralleelsus signaalitöötluses, pilditöötluses jne. Seisukohta, et neuroarvutid on tulevikus teistest arhitektuuridest tõhusamad, võib kinnitada eelkõige arvutiklassi järsu laienemisega viimastel aastatel. närvivõrgu loogilisel alusel lahendatavad üldmatemaatikaülesanded. Nende hulka kuuluvad lisaks ülalloetletutele ka lineaarsete ja mittelineaarsete algebraliste võrrandite ning kõrgmõõtmeliste võrratuste lahendamise ülesanded; mittelineaarsete diferentsiaalvõrrandite süsteemid; osadiferentsiaalvõrrandid; optimeerimisprobleemid ja muud probleemid.

Globaalse domineerimise saavutamine põhineb kahel peamisel strateegial: informatsiooni paremus ja tehnoloogiline paremus. Viimase osas toob üleminek postindustriaalse ühiskonna uuele sotsiaal-majanduslikule formatsioonile esiplaanile sellised tehnoloogiad nagu geneetika ja biotehnoloogia, nanotehnoloogia ja neuroinformaatika.

Neuroinformaatika, mis põhineb aju toimimise põhimõtetel ja mehhanismidel, suudab pakkuda nii tehnoloogilist kui ka informatsioonilist üleolekut. Pole juhus, et tänapäeval on neuroarvutid relvade ja sõjavarustuse paljutõotavate arenduste seas üks olulisemaid kohti.

Neuroprotsessori kristallides on teada mitmeid erinevaid närvivõrkude mudelite rakendusi. Mõned töötavad paremini, teised halvemini, kuid neid kõiki ühendab üks joon – soov tungida inimaju saladustesse.

Inteli tootekataloogides paistavad silma kaks DARPA (Defense Advanced Research Projects Agency) tellitud arendust: analoogne neuroprotsessor i80170NX ja digitaalne – i80160NC või Ni1000.

Neuroprotsessorid on uue põlvkonna arvutustehnoloogia – neuroarvutite – süda. Selliste masinate toimimise aluseks on inimese närvisüsteemi ja aju teabe töötlemise viiside modelleerimine. Arvatakse, et see suund sai alguse 1943. aastal, mil Ameerika teadlased W. McCulloch ja W. Pitts avaldasid artikli, milles neuroneid – närvisüsteemi rakke – peeti kõige lihtsamateks loogilisteks vahenditeks.

McCullochi ja Pittsi tehisneuron jäljendab esmalt bioloogilise neuroni omadusi. Sellise tehisneuroni sisend võtab vastu palju signaale, millest igaüks on teise neuroni väljund. Iga sisendsignaal korrutatakse teatud koefitsiendiga, mis peegeldab selle signaali panust neuroni väljundsignaali väärtusesse. Neuronile vastuvõetud ja neile vastavate koefitsientidega korrutatud signaalid summeeritakse ja kui kogusignaal on suurem kui teatud lävi, aktiveerub neuron ja väljastab ühe impulsi temaga seotud neuronitele. Kui muudate vastavalt neuronite sisendite kaalumiskoefitsiente väärtusi, saate võrgu väljundis vajaliku väärtuse. Kaalukoefitsientide kohandamise protsessi nimetatakse närvivõrgu treeninguks. Analoogiliselt inimese õppimisega saab närvivõrku treenida koos õpetajaga või iseseisvalt, iseorganiseerumise teel.

Kavandatava neuronimudeli lihtsus inspireeris paljusid teadlasi, kes püüdsid tungida inimaju saladustesse.

1950. aastate lõpus pakkus ameeriklane F. Rosenblatt, püüdes selgitada bioloogilise neuroni toimimist, selle mudeli – pertseptroni. 60ndate alguses sõnastas matemaatik R. Blok äratundmisteoreemi ning raadioinsener B. Widrow töötas välja ja rakendas esimese tehisnärvivõrgu, mida kirjanduses tuntakse kui "Adaline". Ta lõi ka algoritmi, mis õpetab teda pilte ära tundma.

Kuid kuni 80ndate keskpaigani ei arenenud närvivõrgud edasi. Praktika ja teooria vaheline mahajäämus ning tehnoloogia ebatäiuslikkus avaldasid mõju. Kasutatud tarkvaramudelid ei suutnud paljastada kõiki närvivõrkude eeliseid ning nende riistvaralise juurutuse loomine nõudis tollast tehnoloogiataset arvestades tohutuid kulutusi. Perspektiivikamaks peeti traditsioonilisi suuri arvuteid (peaarvuteid), kuid väga keeruliste ülesannete arvu kiire kasv sundis taas pöörduma tehisnärvivõrkude poole.

Intel oli üks esimesi arvutitööstuse hiiglasi, kes tundis tõsist huvi tehisnärvivõrkude võimaluste vastu. Töö selle teemaga algas 1988. aastal. Järgmisel aastal esitleti i80170NX neuroprotsessori esimest töötavat näidist. Aasta hiljem alustas Intel (koos Nestoriga ja DARPA rahalise toega) digitaalse neurokiibi Ni1000 väljatöötamist, mis kuulutati 1993. aastal välja kui i80160NC.

Neuraalvõrgu protsessor i80170NX ETANN (elektriliselt treenitav analoogneurvõrk) on ainulaadne kiip, mis on loodud mustrituvastusprobleemide lahendamiseks. Protsessor emuleerib 64 bioloogilise neuroni tööd. Igal protsessori neuronil on 128 sünapsi (sisendit). Iga sünaps on omakorda ühendatud protsessori sisendiga mõne seadme kaudu, mis võimaldab määrata selle ühenduse tugevust iseloomustava koefitsiendi, mis on täielikult kooskõlas W. McCullochi ja W. Pittsi pakutud mudeliga. Andmed protsessori sisendis ja väljundis on analoogsed, kuid juhtimisfunktsioonid, seadistus ja kaalukoefitsientide lugemine on digitaalsed.

Neurokiip ühildub töösignaali tasemete osas täielikult CMOS ja TTL mikroskeemidega. Neuronile suunatav sisendsignaal võib varieeruda vahemikus 0 kuni 2,8 V. Sünapsi kaalud on esindatud ka pingega vahemikus -2,5 kuni 2,5 V. Protsessor on toodetud litsentsitud Inteli tehnoloogiaga - CHMOS III EEPROM.

Närvivõrkudele iseloomulik ülimalt paralleelne arhitektuur ja mitmed protsessori disainifunktsioonid võimaldasid saavutada kiiruse 2 miljardit operatsiooni sekundis! i80170NX on personaalarvutite närvikiirendi plaadi süda. Sellise kaheksa protsessoriga tahvli jõudlus on 16 miljardit toimingut sekundis! Kuni viimase ajani oli selline jõudlus iseloomulik ainult superarvutitele!

Protsessori tehnilised üksikasjad on järgmised:

• tootlikkus 2 miljardit op./s;
• võimeline tuvastama 300 tuhat 128-bitist pilti sekundis;
• modelleerib 64 neuronit;
• toetab Hopfieldi närvivõrgu, mitmekihilise perceptroni ja Madaline III mudeleid.

Rakenduste loomise lihtsuse i80170NX-l tagab võimsate arendustööriistade olemasolu. Närvivõrkude kujundamiseks on kaasas pakett iNNTS (Intel Neural Network Training System) ja EMB (ETANN Multi-Chip Board). Pakett sisaldab ka ühte tehisnärvivõrkude modelleerimise ja uurimise programmidest iBrainMaker California Scientific Software'ilt või iDynaMind firmalt NeuroDynamX. Mõlemal programmil on hea kasutajaliides ning neid saab kasutada närvivõrkude omaduste ja võimaluste demonstreerimiseks. Sama kategooria kasutajate jaoks, kes otsustavad iseseisvalt välja töötada närvivõrgu mudelid, on neurokiibi juhtimiseks terve hulk funktsioone - Training System Interface Lib (TSIL).

Teine Inteli arendus kunstlike närvivõrkude valdkonnas on i80160NC protsessor. Selle peamine erinevus i80170NX-st on see, et see on täielikult digitaalne.

i80160NC tehnilised andmed:

• sisemälu: 1 tuhat 256-bitist pilti;
• mälu tüüp: Flash EPROM;
• maksimaalne klasside arv: 64;
• tuvastuskiirus: 33 tuhat pilti sekundis sagedusel 33 MHz.
• Sarnaselt i80170NX-ga tarnitakse i80160NC protsessorit arvuti närvivõrgu kiirendiplaadile. Tahvli omadused on järgmised:
• ISA süsteemisiin;
• töösagedus 33 MHz;
• siini kiirus 2 Mbit/s;
• võimsus 8W.

Toetatud on järgmine tarkvara:

• MS Windows 3.1;
• MS Excel 4.0;
• MS Visual C++, Borland C++.
• Tahvliga on kaasas järgmised rakenduste arendustööriistad:
• Ni1000 monteerija;
• Ni1000 emulaator Lib.;
• Ni1000 Riistvara Lib.

Programm Ni1000 Emulator võimaldab teil siluda rakenduse koodi ilma protsessorit kasutamata ja pärast silumisprotsessi lõpetamist alustada kohe riistvaraga töötamist.

i80170NX ja i80160NC protsessorite peamised omadused on toodud tabelis. 1.

Ni1000 protsessor töötati välja mustrituvastusülesannete kaasprotsessori valikuna ja see oli mõeldud integreerimiseks suure jõudlusega kaasaskantavatesse skanneritesse. Närvivõrgu tehnoloogia kasutamine on võimaldanud saavutada märkimisväärseid tulemusi selle klassi probleemide lahendamisel. Seega, kui AMD29000 ja i80860 RISC protsessorid võimaldavad mõne probleemi 2-5 korda kiiremini lahendada, siis i80160NC kasutamisel võib sarnaste probleemide lahendamise kiirus tõusta 100 ja isegi 1000 korda! Selline jõudlus võimaldas selle klassi protsessoreid kasutada kõige keerulisema probleemi - sõrmejälgede tuvastamise - lahendamiseks.

Mida lubab nii võimsa protsessorite perekonna turule ilmumine arendajatele ja arvutikasutajatele? Nüüd on mitmeid väga keerukaid probleeme. Nende hulka kuuluvad ilmaennustamine, üle Atlandi ookeani lennujuhtimine õhumasside liikumist arvesse võttes, tuumaplahvatuste arvutimodelleerimine ja palju muud. Kuni viimase ajani üritasid nad selliseid probleeme lahendada superarvutites, kuid selliste seadmete maksumus on väga muljetavaldav. Joonisel fig. Joonis 2 näitab erinevate superarvutite asukohta sõltuvalt nende maksumusest ja jõudlusest. On selgelt näha, et i80160NC on vaieldamatu liider. See jätab sellised koletised nagu Cray ja Cyber ​​kaugele maha.

Tehisintellektisüsteemide arendajatele avanevad uued horisondid. Selliste protsessorite ilmumine tähendab läbimurret pildituvastuse ja seega ka käsitsi kirjutatud teksti, kõne jms äratundmise probleemide lahendamisel. Nii on Jaapani spetsialistid näidanud, et närvivõrke kasutades on võimalik teostada sünkroontõlget jaapani keelest inglise keelde.

Verstaposti, mille Inteli spetsialistid jõudsid närvivõrkude modelleerimisel saavutada, võib kujutada joonisel fig. 3, mis võrdleb elusorganismide ja Inteli protsessorite abil simuleeritud närvivõrke.

Neuroprotsessori arendajad nimetavad oma vaimusünnitust naljaga pooleks vaid "ülehelikiirusel nälkjaks".

Inimese unistus luua arvutusmasin, mis ületaks või vähemalt võrduks inimese intellektuaalsed võimed, jääb väga kaugeks. Samas võime kindlalt väita, et Inteli töö kunstlike närvivõrkude loomisel on toonud lähemale hetke, mil tehisajust saab lauaarvuti süda.

Alates Inteli protsessorite väljalaskmisest on maailmas ilmunud palju neuroarvutite mudeleid, mõned neist leiate tabelist. 2.

Praeguseks on välja töötatud suur hulk erinevaid kiirendusplaate ja spetsiaalseid neuroarvuteid. Neuraalarvuteid kasutatakse juba erinevates inimtegevuse valdkondades. USA-s on närvivõrgul põhinev süsteem lennureisijate pagasis leiduvate plastlõhkeainete tuvastamiseks. Palju tähelepanu pööratakse närviprotsessorite kasutamise küsimusele andmevõrkude kommutatsioonisüsteemides. On olemas närvivõrke kasutavad sõrmejälgede tuvastamise süsteemid. Kirjanduses kirjeldatakse palju teisi närviprotsessorite eduka kasutamise juhtumeid.

Arvutitehnoloogia uue arenguvooru iseloomulik tunnus on see, et see toob arvutiteaduse maailma põhjalikud muutused. Arvutitehnoloogia järgmise põlvkonna juurdumisega ühiskonnas kaob vajadus programmeerija eriala järele ning tema koha võtab vastu neuroarvuti koolituse spetsialist. Iga uue arvuti kasutuselevõtule eelneb selle väljaõpe. Võimalik, et tekib vajadus küberpsühholoogide ja närviarvutite koolitajate järele. Seega elame arvutiteaduse ja arvutitehnoloogia arengus pöördepunktis ning Inteli närviprotsessorid – esimesed märgid närviarvutite ajastust – on mänginud selle saabumises olulist rolli.

Kirjandus

1. A. Thakoor et al., DARPA Program Review, dets. 1991, Washington, D.C.
2. M. Holler, S. Tam, H. Castro, R. Benson, "An Electrically Trainable Artificial Neural Network (ETANN) with 10240 "Floating Grate" Synapses, International Joint Conference on Neural Networks, juuni 1989, Washington, D.C.
3. Intel, i80170NX elektriliselt treenitav analoognärvivõrk, Intel Corp., juuni 1991.
4. Stanly, Jeanette, Sissejuhatus närvivõrkudesse, California teadustarkvara, 1990.
5. Intel, 80170NX närvivõrgu tehnoloogia ja rakendus, Intel Corp., 1992.

Sergei Grinjajev

Ootame oma lugejaid iCoveri ajaveebi lehtedele! Veebruari alguses San Franciscos toimunud rahvusvahelisel tahkisahelate konverentsil (ISSCC-2016) demonstreeris MIT-i (Massachusettsi Tehnoloogiainstituut) arendajate rühm uue põlvkonna Eyerissi kiibi töötavat prototüüpi, mis loodi kontseptuaalsena. lahendus, mis võimaldab taasluua närvivõrgu algoritmide võimalused paljudes väikese energiatarbega seadmetes.

Üks objektiivsetest põhjustest, miks tehisnärvivõrgud pole meie nutitelefonides või tahvelarvutites korralikku arendust saanud, on piisava võimsusega kompaktse toiteallika puudumine. Sõltuvad ju nn ajulaadsed, “ajulaadsed” tehisintellektisüsteemid, vähemalt sellisel kujul, nagu neid kaasaegsed tehnoloogiad esindavad, oma töös võimsatest mitmetuumalistest protsessoritest, mis tarbivad uskumatult palju. energiat võrreldes meie ajuga. Selliseid lahendusi kasutajaklassi seadmete tasemel ei osatud vähemalt viimase ajani ette kujutada. Samas on tehisintellekti “miniaturiseerimise” idee arendajate meeli erutanud juba päris pikka aega ja kannab, nagu selgub, juba üsna käegakatsutavaid vilju.

Närvivõrgud on olnud teadusliku tähelepanu keskpunktis tehisintellekti uurimise algusaegadest peale, kuid 1970. aastatel unustati need mõnevõrra. Viimasel kümnendil on närvivõrkude kasutamisega seotud tehnoloogiaid uuritud “sügavõppe” programmide tasemel.

"Sügaval õppimisel on palju rakendusi, nagu objektituvastus, kõnetuvastus või näotuvastus," märgivad Vivienne Sze ja Emanuel E. Landsman, MIT elektrotehnika ja arvutiteaduse dotsent, kelle rühm töötas välja uue kiibi. "Nüüd on närvivõrgud üsna keerulised ja töötavad peamiselt võimsatel kiipidel. Kujutage ette, et saate selle funktsiooni tuua oma mobiiltelefoni või sisseehitatud seadmesse ja seejärel töödelda tohutul hulgal teavet ilma Wi-Fi-ühendust kasutamata. Suurte andmemahtude töötlemine nutitelefonis väldib andmevahetusest võrguga tekkivat viivitust, mis omakorda võimaldab paljudel rakendustel palju tõhusamalt töötada. Lisaks pakub pakutav lahendus konfidentsiaalse teabe kaitse uue kvaliteedi.

Närvivõrke rakendatakse tavaliselt mitmetuumalistel graafikaprotsessoritel (GPU). San Franciscos toimunud rahvusvahelisel konverentsil esitlesid MIT-i teadlased uut 168-tuumalist kiipi, mis on loodud närvivõrkudel põhinevate tehisintellekti algoritmide rakendamiseks. Võrreldes mobiilse GPU-ga (pole täpsustatud, milline) demonstreeris protsessor 10 korda suuremat efektiivsust, mis võimaldab kasutaja mobiilseadmega võimsaid tehisintellekti algoritme kohapeal käivitada, ilma et oleks vaja andmeid töötlemiseks pilve saata. Arengu põhipunktid on kajastatud MITi 3. veebruari 2016 pressiteates.

Uus kiip, mida arendajad nimetavad "Eyeriss", võib leida laialdast rakendust asjade Internetis, kantavas elektroonikas, isejuhtivates sõidukites, tootmisseadmetes ja isegi põllumajanduses, aidates lahendada ja koordineerida praegusi probleeme. Kui tehisintellekti algoritmid on pardal, saavad mobiilseadmed teha otsuseid kohalikul tasandil, pakkudes kasutajale tegevusjuhisena valmis tulemuse, mitte Internetist pärit "toorete" andmete kogumit. Ja loomulikult on kohalike närvivõrkude üks rakendusi nende kasutamine autonoomsete robotite loomisel väga erinevatel eesmärkidel.

Jaga ja valitse

Närvivõrkudel on tavaliselt mitmekihiline struktuur ja iga kiht sisaldab suurt hulka töötlemissõlmi. Töötlemise algfaasis saabuvad andmed ja jaotatakse need alumise kihi sõlmede vahel. Pärast iga sõlme poolt vastuvõetud andmete töötlemist edastatakse tulemus töötlemiseks järgmise kihi sõlmedesse. Viimase kihi väljundis moodustub ülesande lahendamise tulemus. Sellest tulenevalt nõuab suuremahuliste probleemide lahendamine kirjeldatud algoritmi abil märkimisväärseid arvutusressursse.

Algselt arendajate endi poolt kiibile seatud nõuded asetasid need üsna rangetesse raamidesse: ühest küljest peab lahendus olema energiasäästlik, teisalt toimima lihtsate infoplokkidega. Lõpuks peab kiip suutma simuleerida erinevat tüüpi närvivõrke, võttes arvesse talle antud hetkelisi ülesandeid. Kõik need nõuded rakendati edukalt Eyerissi protsessoris.

MIT laboris välja töötatud kiip on juba moodustunud närvivõrk, lokaliseeritud 168-tuumalise protsessori tasemele, mida saab tulevikus sisse ehitada ka mobiilseadmetesse.

Eyerissi tõhususe võti on tuumade ja väliste mälupankade vahelise sidesageduse minimeerimine, mis on seotud suure energiatarbimise ja ajakuluga. Kui traditsioonilistel GPU tuumadel on ühine mälupank, siis igal Eyerissi tuumal on oma mälu. Lisaks läbivad andmed enne naabertuumadesse saatmist tihendusprotseduuri.

Rakendatud algoritmi teine ​​eelis on südamike võime üksteisega otse "suhelda", möödudes süsteemimälu siini kujul olevast "vahendajast". See on kriitiline funktsioon konvolutsioonilise närvivõrgu (CNN) toimimise simuleerimiseks. Kõik pildi- ja kõnetuvastuseks vajalikud arvutustööd tehakse Eyerissis lokaalselt, ilma võrguressurssidele ligipääsuta, mis võimaldab seadmel tõhusalt töötada ka välise võrgu puudumisel.

Lõpuks on Eyerissi teine ​​eelis ka üksikute arvutusülesannete “targa” jaotamise põhimõte tuumade vahel ühe lahendatava probleemi raames. Kernel peab oma kohalikku mällu salvestama mitte ainult sõlmede poolt töödeldud andmeid, vaid ka sõlmede endid kirjeldavaid andmeid. Andmetöötlusprotsessi maksimaalse jõudluse tagamiseks, samuti Eyerissi põhimälust maksimaalse andmemahuga koormamiseks optimeerib mõlemat tüüpi andmete jaotamise algoritmi spetsiaalselt selleks otstarbeks loodud kiip reaalajas. , võttes arvesse praeguse närvivõrgu omadusi.

San Franciscos toimunud rahvusvahelisel tahkisahelate konverentsil demonstreeris arendusmeeskond, kasutades "kasutaja" tasemel Eyerissi kiibi võimalusi, mustrituvastusalgoritmi rakendamist kohalikus närvivõrgus. Sarnane pressiteates märgitud ülesanne viidi ellu varem, kuid loodud kõige kaasaegsemate närvivõrkude valitsusprojektide tasemel.

"See töö on oluline, sest see näitab, kui hästi sisseehitatud süvaõppeprotsessorid suudavad pakkuda vajalikku võimsust ja optimeerimisjõudlust ning tuua keeruka andmetöötluse pilvest mobiilseadmetesse," ütles Samsungi mobiilsete protsessorite uuenduste labori vanem asepresident Mike Polley. "Lisaks uuenduslikele riistvaralahendustele näitavad MIT-i uuringud selgelt, kuidas manustatud kerneli saab AlexNeti ja Caffe standardset võrguarhitektuuri kasutades rakenduste arendajatele kasulikuks muuta."

Eyerissi projekti, alustades MIT laboris asuva üksuse loomisega, rahastas osaliselt Ameerika kaitseagentuur DARPA. Pole üllatav, et esimene, kes reageeris protsessori teadaandele muljetavaldava toimetuse materjaliga, oli kuulus sõjaväeanalüütik Patrick Tucker. Tema hinnangul suudavad USA sõdurite mobiilseadmetele paigaldatud uued Eyerissi protsessorid lahendada keerulisi andmetöötlusprobleeme, mis on seotud kolossaalsete teabehulkade töötlemisega ilma ühisesse võrku ühendamata.

Seega saavad USA õhujõud Afganistani kohal hõljuvatelt droonidelt praegu iga päev kuni 1500 tundi HD-videot ja kuni 1500 ülikõrge eraldusvõimega fotot. Pealegi peavad kogu seda lõputut infovoogu operaatorid vanamoodsalt visuaalselt analüüsima, kuna olemasolev arvutitarkvara ei suuda eristada pulgaga mööda mägiteed kõndivat talupoega juhitavate rakettide kanderakettiga terroristist. . Selliste probleemide lahendamiseks hakati esialgu looma esitusõppel põhinevaid masinõppe meetodeid.

Eyerissi protsessorid sobivad ideaalselt mehitamata sõjalistele droonidele paigaldamiseks, kuna need võimaldavad süvaõppetehnoloogiate abil intelligentselt töödelda mitmesuguseid pilte ja videoid otse lennuki pardal. Sel juhul saaks välja sõelutud kasulikud andmed saata otse määratud piirkonnas tegutsevatele lahinguüksustele, minnes operatiivinfo analüüsi keskusest mööda.

Lühikokkuvõte

Katsete käigus demonstreeris Eyerissi kiip energiatõhususe taset kümme korda kõrgemat kui tänapäevaste mobiilsete graafikakiipide oma. Samas osutub tema abiga tehnoloogiliselt võimalikuks tagada tehisintellekti algoritmide toimimine kompaktsete mõõtmetega seadmetes - nutitelefonidest ja tahvelarvutitest kantava elektroonikani. Võrkude tekitatud viivitused sellise protsessori andmevahetuse ajal on minimeeritud, kuna kiip suudab teha enamiku arvutustest kohapeal. Eyerissi baasil on võimalik luua mitte ainult kõikvõimalikke “nutiseadmeid”, vaid ka roboteid, millel on otsuste tegemisel teatav iseseisvus.

MIT-i arendajad ei ole veel nimetanud konkreetseid ajavahemikke, mille jooksul Eyeriss suudab muutuda kommertstooteks ja oma võimeid tarbija tasandil täielikult paljastada. NVIDIA juhtivate spetsialistide kaasamine arendusse ja Samsungi vastutustundlike teadlaste suur huvi inspireerib teatud optimismi.