അടിസ്ഥാനപരമായി പുതിയ കമ്പ്യൂട്ടിംഗ് സിസ്റ്റം ആർക്കിടെക്ചറുകൾ വികസിപ്പിക്കുന്നതിനുള്ള ഏറ്റവും സാധ്യതയുള്ള മേഖലകളിലൊന്ന്, ഉൾച്ചേർത്ത വിവര പ്രോസസ്സിംഗ് തത്വങ്ങളെ അടിസ്ഥാനമാക്കി ഒരു പുതിയ തലമുറ കമ്പ്യൂട്ടറുകളുടെ സൃഷ്ടിയുമായി അടുത്ത ബന്ധപ്പെട്ടിരിക്കുന്നു. കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ(എൻ. എസ്). 40-കളിലും 50-കളിലും കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളിലും ന്യൂറോ കമ്പ്യൂട്ടറുകളിലും ആദ്യത്തെ പ്രായോഗിക പ്രവർത്തനങ്ങൾ ആരംഭിച്ചു. ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് സാധാരണയായി "ന്യൂറോണുകൾ" എന്ന് വിളിക്കപ്പെടുന്ന പ്രാഥമിക വിവര കൺവെർട്ടറുകളുടെ ഒരു കൂട്ടമായാണ് മനസ്സിലാക്കുന്നത്, അവ വിവര വിനിമയ ചാനലുകൾ "സിനാപ്റ്റിക് കണക്ഷനുകൾ" വഴി പരസ്പരം ഒരു പ്രത്യേക രീതിയിൽ ബന്ധിപ്പിച്ചിരിക്കുന്നു.

ന്യൂറോൺ, സാരാംശത്തിൽ, ഇൻപുട്ട്, ഔട്ട്പുട്ട് അവസ്ഥകൾ, ഒരു ട്രാൻസ്ഫർ ഫംഗ്ഷൻ (ആക്ടിവേഷൻ ഫംഗ്ഷൻ), ലോക്കൽ മെമ്മറി എന്നിവയാൽ സവിശേഷതയുള്ള ഒരു പ്രാഥമിക പ്രോസസ്സറാണ്. പ്രവർത്തന സമയത്ത് ന്യൂറോണുകളുടെ അവസ്ഥ മാറുകയും ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ ഹ്രസ്വകാല മെമ്മറി രൂപപ്പെടുകയും ചെയ്യുന്നു. ഓരോ ന്യൂറോണും സിനാപ്സുകൾ വഴി അതിലേക്ക് എത്തുന്ന സിഗ്നലുകളുടെ ഭാരം കണക്കാക്കുകയും അതിൽ ഒരു നോൺ ലീനിയർ പരിവർത്തനം നടത്തുകയും ചെയ്യുന്നു. സിനാപ്‌സുകളിലുടനീളം അയയ്‌ക്കുമ്പോൾ, സിഗ്നലുകൾ ഒരു നിശ്ചിത വെയ്റ്റിംഗ് ഘടകം കൊണ്ട് ഗുണിക്കുന്നു. വെയ്റ്റിംഗ് കോഫിഫിഷ്യൻ്റുകളുടെ വിതരണത്തിൽ ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ അസോസിയേറ്റീവ് മെമ്മറിയിൽ സംഭരിച്ചിരിക്കുന്ന വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്നു. നെറ്റ്വർക്ക് ഡിസൈനിൻ്റെ പ്രധാന ഘടകം അതിൻ്റെ പരിശീലനമാണ്. ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിനെ പരിശീലിപ്പിക്കുകയും വീണ്ടും പരിശീലിപ്പിക്കുകയും ചെയ്യുമ്പോൾ, അതിൻ്റെ വെയ്റ്റിംഗ് ഗുണകങ്ങൾ മാറുന്നു. എന്നിരുന്നാലും, ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ പ്രവർത്തന സമയത്ത് അവ സ്ഥിരമായി നിലകൊള്ളുന്നു, ഇത് ദീർഘകാല മെമ്മറി രൂപപ്പെടുത്തുന്നു.

എൻ C ഒരു പാളി, രണ്ട് പാളികൾ, മൂന്നോ അതിലധികമോ അടങ്ങിയിരിക്കാം, എന്നിരുന്നാലും, ഒരു ചട്ടം പോലെ, പ്രായോഗിക പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് NN-ൽ മൂന്നിൽ കൂടുതൽ പാളികൾ ആവശ്യമില്ല.

എൻഎൻ ഇൻപുട്ടുകളുടെ എണ്ണം ഹൈപ്പർസ്പേസിൻ്റെ അളവ് നിർണ്ണയിക്കുന്നു, ഇതിൽ ഇൻപുട്ട് സിഗ്നലുകളെ പോയിൻ്റുകളാൽ പ്രതിനിധീകരിക്കാം അല്ലെങ്കിൽ അടുത്ത് ഇടമുള്ള പോയിൻ്റുകളുടെ ഹൈപ്പർ റീജിയണുകൾ. ഒരു നെറ്റ്‌വർക്ക് ലെയറിലെ ന്യൂറോണുകളുടെ എണ്ണം ഹൈപ്പർസ്‌പേസിലെ ഹൈപ്പർപ്ലെയ്‌നുകളുടെ എണ്ണം നിർണ്ണയിക്കുന്നു. വെയ്റ്റഡ് തുകകൾ കണക്കാക്കുകയും ഒരു രേഖീയമല്ലാത്ത പരിവർത്തനം നടത്തുകയും ചെയ്യുന്നത് ഒരു പ്രത്യേക ഹൈപ്പർപ്ലെയിനിൻ്റെ ഏത് വശത്താണ് ഇൻപുട്ട് സിഗ്നൽ പോയിൻ്റ് ഹൈപ്പർസ്‌പെയ്‌സിൽ സ്ഥിതിചെയ്യുന്നതെന്ന് നിർണ്ണയിക്കുന്നത് സാധ്യമാക്കുന്നു.

പാറ്റേൺ തിരിച്ചറിയലിൻ്റെ ക്ലാസിക് പ്രശ്നം നമുക്ക് എടുക്കാം: ഒരു പോയിൻ്റ് രണ്ട് ക്ലാസുകളിൽ ഒന്നിൽ പെട്ടതാണോ എന്ന് നിർണ്ണയിക്കുക. ഒരൊറ്റ ന്യൂറോൺ ഉപയോഗിച്ച് ഈ പ്രശ്നം സ്വാഭാവികമായും പരിഹരിക്കപ്പെടുന്നു. ഇത് ഹൈപ്പർസ്‌പേസിനെ വിഭജിക്കാത്തതും നെസ്റ്റഡ് അല്ലാത്തതുമായ രണ്ട് ഹൈപ്പർ റീജിയണുകളായി വിഭജിക്കാൻ അനുവദിക്കും. വാസ്തവത്തിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച് പരിഹരിക്കുന്ന പ്രശ്‌നങ്ങളിലെ ഇൻപുട്ട് സിഗ്നലുകൾ ഹൈപ്പർസ്‌പേസിൽ ഉയർന്ന നെസ്റ്റഡ് അല്ലെങ്കിൽ വിഭജിക്കുന്ന പ്രദേശങ്ങൾ ഉണ്ടാക്കുന്നു, അവ ഒരൊറ്റ ന്യൂറോൺ ഉപയോഗിച്ച് വേർതിരിക്കാനാവില്ല. പ്രദേശങ്ങൾക്കിടയിൽ ഒരു നോൺ-ലീനിയർ ഹൈപ്പർസർഫേസ് വരച്ചുകൊണ്ട് മാത്രമേ ഇത് ചെയ്യാൻ കഴിയൂ. ഒരു nth ഓർഡർ പോളിനോമിയൽ ഉപയോഗിച്ച് ഇത് വിവരിക്കാം. എന്നിരുന്നാലും, പവർ ഫംഗ്ഷൻ വളരെ സാവധാനത്തിലാണ് കണക്കാക്കുന്നത്, അതിനാൽ ഇത് കമ്പ്യൂട്ടിംഗിന് വളരെ അസൗകര്യമാണ്. ലീനിയർ ഹൈപ്പർപ്ലെയ്‌നുകൾ ഉപയോഗിച്ച് ഹൈപ്പർസർഫേസിനെ ഏകദേശമാക്കുക എന്നതാണ് മറ്റൊരു ഓപ്ഷൻ. ഏകദേശത്തിൻ്റെ കൃത്യത ഉപയോഗിക്കുന്ന ഹൈപ്പർപ്ലെയ്നുകളുടെ എണ്ണത്തെ ആശ്രയിച്ചിരിക്കുന്നു എന്നത് വ്യക്തമാണ്, അത് നെറ്റ്വർക്കിലെ ന്യൂറോണുകളുടെ എണ്ണത്തെ ആശ്രയിച്ചിരിക്കുന്നു. അതിനാൽ നെറ്റ്‌വർക്കിൽ കഴിയുന്നത്ര ന്യൂറോണുകളുടെ ഹാർഡ്‌വെയർ നടപ്പിലാക്കേണ്ടതിൻ്റെ ആവശ്യകത ഉയർന്നുവരുന്നു. നെറ്റ്‌വർക്കിൻ്റെ ഒരു പാളിയിലെ ന്യൂറോണുകളുടെ എണ്ണം അതിൻ്റെ റെസല്യൂഷൻ നിർണ്ണയിക്കുന്നു. ഒരു ഒറ്റ-പാളി ന്യൂറൽ നെറ്റ്‌വർക്കിന് രേഖീയമായി ആശ്രിത ചിത്രങ്ങൾ വേർതിരിക്കാൻ കഴിയില്ല. അതിനാൽ, ഹാർഡ്‌വെയറിൽ മൾട്ടി ലെയർ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ നടപ്പിലാക്കാൻ കഴിയുന്നത് പ്രധാനമാണ്.

ഒപ്പം കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾഅതിശയകരമായ ഗുണങ്ങളുണ്ട്. അവർക്ക് വിശദമായ സോഫ്‌റ്റ്‌വെയർ വികസനം ആവശ്യമില്ല, കൂടാതെ പരിഹാര അൽഗോരിതം നിർണ്ണയിക്കുന്ന സൈദ്ധാന്തിക മോഡലുകളോ ഹ്യൂറിസ്റ്റിക് നിയമങ്ങളോ ഇല്ലാത്ത പ്രശ്നങ്ങൾ പരിഹരിക്കാനുള്ള സാധ്യത തുറക്കുന്നു. അത്തരം നെറ്റ്‌വർക്കുകൾക്ക് മുമ്പ് പ്രതീക്ഷിക്കാത്ത ഘടകങ്ങളുടെ ആവിർഭാവം ഉൾപ്പെടെയുള്ള പ്രവർത്തന സാഹചര്യങ്ങളിലെ മാറ്റങ്ങളുമായി പൊരുത്തപ്പെടാനുള്ള കഴിവുണ്ട്. അവയുടെ സ്വഭാവമനുസരിച്ച്, വളരെ ഉയർന്ന തലത്തിലുള്ള സമാന്തരതയുള്ള സിസ്റ്റങ്ങളാണ് എൻഎൻ.

IN ന്യൂറോ കമ്പ്യൂട്ടറുകൾയഥാർത്ഥ ന്യൂറൽ നെറ്റ്‌വർക്കുകളിൽ നടത്തുന്ന വിവര പ്രോസസ്സിംഗിൻ്റെ തത്വങ്ങൾ ഉപയോഗിക്കുന്നു. ഈ അടിസ്ഥാനപരമായി പുതിയ കമ്പ്യൂട്ടിംഗ് ടൂളുകൾ പാരമ്പര്യേതര ആർക്കിടെക്ചർ ഉപയോഗിച്ച് വലിയ തോതിലുള്ള വിവര ശ്രേണികളുടെ ഉയർന്ന-പ്രകടനം പ്രോസസ്സ് ചെയ്യാൻ അനുവദിക്കുന്നു. പരമ്പരാഗത കമ്പ്യൂട്ടിംഗ് സിസ്റ്റങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് സമാനമായ ന്യൂറൽ നെറ്റ്‌വർക്ക് കമ്പ്യൂട്ടറുകൾ, കൂടുതൽ വേഗതയിൽ വ്യതിരിക്തവും തുടർച്ചയായതുമായ സിഗ്നലുകളുടെ വിവര ഫ്ലോകൾ പ്രോസസ്സ് ചെയ്യുന്നത് സാധ്യമാക്കുന്നു, ലളിതമായ കമ്പ്യൂട്ടിംഗ് ഘടകങ്ങൾ അടങ്ങിയിരിക്കുന്നു, ഉയർന്ന വിശ്വാസ്യതയോടെ ഡാറ്റ പ്രോസസ്സിംഗിലെ വിവര പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ അനുവദിക്കുന്നു. ലഭിച്ച പരിഹാരങ്ങളെ ആശ്രയിച്ച് കമ്പ്യൂട്ടിംഗ് പരിതസ്ഥിതിയുടെ സ്വയം പുനർനിർമ്മാണ രീതി നൽകുന്നു.

പൊതുവായി പറഞ്ഞാൽ, "ന്യൂറോകമ്പ്യൂട്ടർ" എന്ന പദത്തിൻ്റെ അർത്ഥം നിലവിൽ സാമാന്യം വിശാലമായ കമ്പ്യൂട്ടറുകളെയാണ്. ഔപചാരികമായി, ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് അൽഗോരിതത്തിൻ്റെ ഏത് ഹാർഡ്‌വെയർ നടപ്പിലാക്കലും ഒരു ന്യൂറോകമ്പ്യൂട്ടറായി കണക്കാക്കാം, ഒരു ബയോളജിക്കൽ ന്യൂറോണിൻ്റെ ലളിതമായ മോഡൽ മുതൽ പ്രതീക തിരിച്ചറിയൽ സിസ്റ്റം അല്ലെങ്കിൽ ചലിക്കുന്ന ലക്ഷ്യങ്ങൾ വരെ ഇത് സംഭവിക്കുന്നു. ന്യൂറോകമ്പ്യൂട്ടറുകൾ ഈ വാക്കിൻ്റെ പരമ്പരാഗത അർത്ഥത്തിൽ കമ്പ്യൂട്ടറുകളല്ല. നിലവിൽ, ഒരു പൊതു-ഉദ്ദേശ്യ ന്യൂറോകമ്പ്യൂട്ടറിനെക്കുറിച്ച് സംസാരിക്കാൻ കഴിയുന്ന വികസനത്തിൻ്റെ തലത്തിലേക്ക് സാങ്കേതികവിദ്യ ഇതുവരെ എത്തിയിട്ടില്ല (അതും കൃത്രിമബുദ്ധി ആയിരിക്കും). വെയ്റ്റിംഗ് കോഫിഫിഷ്യൻ്റുകളുടെ നിശ്ചിത മൂല്യങ്ങളുള്ള സിസ്റ്റങ്ങൾ സാധാരണയായി ന്യൂറൽ നെറ്റ്‌വർക്ക് കുടുംബത്തിലെ ഏറ്റവും ഉയർന്ന പ്രത്യേകതയാണ്. പഠന ശൃംഖലകൾ അവ പരിഹരിക്കുന്ന വിവിധ പ്രശ്നങ്ങൾക്ക് കൂടുതൽ വഴക്കമുള്ളതാണ്. അങ്ങനെ, ഒരു ന്യൂറോകമ്പ്യൂട്ടറിൻ്റെ നിർമ്മാണം ഓരോ തവണയും ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ മിക്കവാറും എല്ലാ ഘടകങ്ങളുടെയും ഹാർഡ്‌വെയർ നടപ്പിലാക്കുന്ന മേഖലയിലെ ഗവേഷണ പ്രവർത്തനങ്ങൾക്കായുള്ള വിശാലമായ മേഖലയാണ്.

21-ാം നൂറ്റാണ്ടിൻ്റെ തുടക്കത്തിൽ, കഴിഞ്ഞ നൂറ്റാണ്ടിലെ 40-50 കളിൽ നിന്ന് വ്യത്യസ്തമായി, ന്യൂറോ കമ്പ്യൂട്ടറുകൾ എങ്ങനെ നിർമ്മിക്കാമെന്ന് പഠിക്കാൻ ഒരു വസ്തുനിഷ്ഠമായ പ്രായോഗിക ആവശ്യമുണ്ട്, അതായത്. ദശലക്ഷക്കണക്കിന് സ്ഥിരമോ സമാന്തരമോ ആയ അഡാപ്റ്റീവ് ആയി പരിഷ്‌ക്കരിച്ച കണക്ഷനുകൾ-സിനാപ്‌സുകൾ, ന്യൂറോണുകളുടെ പൂർണ്ണമായി ബന്ധിപ്പിച്ച നിരവധി പാളികൾ എന്നിവയുള്ള ധാരാളം സമാന്തര ഓപ്പറേറ്റിംഗ് ന്യൂറോണുകൾ ഹാർഡ്‌വെയറിൽ നടപ്പിലാക്കേണ്ടത് ആവശ്യമാണ്. അതേ സമയം, സംയോജിത ഇലക്ട്രോണിക്സ് സാങ്കേതികവിദ്യ അതിൻ്റെ ഭൗതിക കഴിവുകളെ ക്ഷീണിപ്പിക്കുന്നതിന് അടുത്താണ്. ട്രാൻസിസ്റ്ററുകളുടെ ജ്യാമിതീയ അളവുകൾ ഇനി ഭൗതികമായി കുറയ്ക്കാൻ കഴിയില്ല: 1 മൈക്രോൺ അല്ലെങ്കിൽ അതിൽ താഴെയുള്ള ക്രമത്തിൻ്റെ സാങ്കേതികമായി കൈവരിക്കാവുന്ന വലുപ്പങ്ങൾക്കൊപ്പം, വലിയ അളവിലുള്ള സജീവ ഘടകങ്ങളുമായി അദൃശ്യമായ ഭൗതിക പ്രതിഭാസങ്ങൾ പ്രത്യക്ഷപ്പെടുന്നു - ക്വാണ്ടം വലുപ്പത്തിലുള്ള ഇഫക്റ്റുകൾ ശക്തമായ പ്രഭാവം ചെലുത്താൻ തുടങ്ങുന്നു. ട്രാൻസിസ്റ്ററുകൾ ട്രാൻസിസ്റ്ററുകളായി പ്രവർത്തിക്കുന്നത് നിർത്തുന്നു.

ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ ഹാർഡ്‌വെയർ നടപ്പിലാക്കുന്നതിന്, ഒരു പുതിയ സ്റ്റോറേജ് മീഡിയം ആവശ്യമാണ്. അത്തരമൊരു പുതിയ വിവര കാരിയർ ആകാം വെളിച്ചം, ഇത് കമ്പ്യൂട്ടേഷണൽ പ്രകടനത്തെ പല ഓർഡറുകളാൽ നാടകീയമായി വർദ്ധിപ്പിക്കും.

ഭാവിയിൽ ഒപ്‌റ്റിക്‌സിനും ഒപ്‌റ്റോഇലക്‌ട്രോണിക്‌സിനും പകരം വയ്ക്കാൻ കഴിയുന്ന ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ ഹാർഡ്‌വെയർ നടപ്പിലാക്കുന്നതിനുള്ള ഒരേയൊരു സാങ്കേതികവിദ്യ നാനോടെക്നോളജി, ശാരീരികമായി സാധ്യമായ പരമാവധി വേഗതയിൽ സബ്‌മോളിക്യുലാർ ക്വാണ്ടം മൂലകങ്ങളുടെ ശാരീരികമായി സാധ്യമായ പരമാവധി സംയോജനം മാത്രമല്ല, ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ ഹാർഡ്‌വെയർ നടപ്പിലാക്കുന്നതിന് ആവശ്യമായ ത്രിമാന ആർക്കിടെക്ചറും നൽകാൻ കഴിവുള്ളതാണ്.

പ്രശ്‌നപരിഹാര അൽഗോരിതത്തിൽ യഥാർത്ഥ പരീക്ഷണാത്മക മെറ്റീരിയൽ ഉപയോഗിച്ച് പഠന പ്രക്രിയ ഉൾപ്പെടുത്തേണ്ടതിൻ്റെ ആവശ്യകതയുമായി ബന്ധപ്പെട്ട ഔപചാരികമല്ലാത്തതും മോശമായി ഔപചാരികമാക്കാവുന്നതുമായ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് ന്യൂറോകമ്പ്യൂട്ടറുകൾ ഫലപ്രദമാണെന്ന് വളരെക്കാലമായി വിശ്വസിക്കപ്പെട്ടു. ഒന്നാമതായി, അത്തരം പ്രശ്നങ്ങളിൽ ഒരു പ്രത്യേക തരം മൂല്യങ്ങൾ എടുക്കുന്ന ഫംഗ്ഷനുകളുടെ ഏകദേശ ചുമതല ഉൾപ്പെടുന്നു, അതായത്. പാറ്റേൺ തിരിച്ചറിയൽ പ്രശ്നം.

നിലവിൽ, ഈ ക്ലാസിലെ പ്രശ്‌നങ്ങളിലേക്ക് ഒരു ക്ലാസ് പ്രശ്‌നങ്ങൾ ചേർക്കുന്നു, ഇത് ചിലപ്പോൾ പരീക്ഷണാത്മക മെറ്റീരിയലിൽ പരിശീലനം ആവശ്യമില്ല, പക്ഷേ ന്യൂറൽ നെറ്റ്‌വർക്ക് ലോജിക്കൽ അടിസ്ഥാനത്തിൽ നന്നായി പ്രതിനിധീകരിക്കുന്നു. ഇതിൽ ഉൾപ്പെടുന്നവ സിഗ്നൽ പ്രോസസ്സിംഗ്, ഇമേജ് പ്രോസസ്സിംഗ് മുതലായവയുടെ സ്വാഭാവിക സമാന്തരത്വം ഉള്ള ജോലികൾ.. ഭാവിയിൽ ന്യൂറോകമ്പ്യൂട്ടറുകൾ മറ്റ് ആർക്കിടെക്ചറുകളേക്കാൾ കൂടുതൽ കാര്യക്ഷമമാകുമെന്ന കാഴ്ചപ്പാട്, പ്രത്യേകിച്ച്, ന്യൂറൽ നെറ്റ്‌വർക്ക് ലോജിക്കൽ അടിസ്ഥാനത്തിൽ പരിഹരിച്ച പൊതു ഗണിതശാസ്ത്ര പ്രശ്‌നങ്ങളുടെ ക്ലാസിൻ്റെ സമീപ വർഷങ്ങളിലെ മൂർച്ചയുള്ള വികാസത്തിലൂടെ സ്ഥിരീകരിക്കാൻ കഴിയും. ഇവയിൽ, മുകളിൽ ലിസ്റ്റുചെയ്തവ കൂടാതെ, ലീനിയർ, നോൺലീനിയർ ബീജഗണിത സമവാക്യങ്ങളും ഉയർന്ന അളവിലുള്ള അസമത്വങ്ങളും പരിഹരിക്കുന്നതിനുള്ള പ്രശ്നങ്ങൾ ഉൾപ്പെടുന്നു; രേഖീയമല്ലാത്ത ഡിഫറൻഷ്യൽ സമവാക്യങ്ങളുടെ സിസ്റ്റങ്ങൾ; ഭാഗിക ഡിഫറൻഷ്യൽ സമവാക്യങ്ങൾ; ഒപ്റ്റിമൈസേഷൻ പ്രശ്നങ്ങളും മറ്റ് പ്രശ്നങ്ങളും.

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് സാധാരണയായി "ന്യൂറോണുകൾ" എന്ന് വിളിക്കുന്ന പ്രാഥമിക വിവര കൺവെർട്ടറുകളുടെ ഒരു കൂട്ടമായാണ് മനസ്സിലാക്കുന്നത്, അവ വിവര കൈമാറ്റ ചാനലുകൾ - "സിനാപ്റ്റിക് കണക്ഷനുകൾ" വഴി പരസ്പരം ബന്ധിപ്പിച്ചിരിക്കുന്നു.

ഇൻപുട്ട്, ഔട്ട്പുട്ട് അവസ്ഥ, ട്രാൻസ്ഫർ ഫംഗ്ഷൻ (ആക്ടിവേഷൻ ഫംഗ്ഷൻ), ലോക്കൽ മെമ്മറി എന്നിവയാൽ സവിശേഷമായ ഒരു പ്രാഥമിക പ്രോസസ്സറാണ് ന്യൂറോൺ.

അരി. 8.1

പ്രവർത്തന സമയത്ത് ന്യൂറോണുകളുടെ അവസ്ഥ മാറുകയും ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ ഹ്രസ്വകാല മെമ്മറി രൂപപ്പെടുകയും ചെയ്യുന്നു. ഓരോ ന്യൂറോണും സിനാപ്സുകൾ വഴി അതിലേക്ക് എത്തുന്ന സിഗ്നലുകളുടെ ഭാരം കണക്കാക്കുകയും അതിൽ ഒരു നോൺ ലീനിയർ പരിവർത്തനം നടത്തുകയും ചെയ്യുന്നു. സിനാപ്‌സുകളിലുടനീളം അയയ്‌ക്കുമ്പോൾ, സിഗ്നലുകൾ ഒരു നിശ്ചിത വെയ്റ്റിംഗ് ഘടകം കൊണ്ട് ഗുണിക്കുന്നു. ഭാരം ഗുണകങ്ങളുടെ വിതരണത്തിൽ ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ അസോസിയേറ്റീവ് മെമ്മറിയിൽ സംഭരിച്ചിരിക്കുന്ന വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്നു. നെറ്റ്വർക്ക് ഡിസൈനിൻ്റെ പ്രധാന ഘടകം അതിൻ്റെ പരിശീലനമാണ്. ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിനെ പരിശീലിപ്പിക്കുകയും വീണ്ടും പരിശീലിപ്പിക്കുകയും ചെയ്യുമ്പോൾ, അതിൻ്റെ വെയ്റ്റിംഗ് ഗുണകങ്ങൾ മാറുന്നു. എന്നിരുന്നാലും, ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ പ്രവർത്തന സമയത്ത് അവ സ്ഥിരമായി നിലകൊള്ളുന്നു, ഇത് ദീർഘകാല മെമ്മറി രൂപപ്പെടുത്തുന്നു.

ഒരു NN-ന് ഒരു പാളി, രണ്ടോ, മൂന്നോ അതിലധികമോ ലെയറുകൾ അടങ്ങിയിരിക്കാം, എന്നിരുന്നാലും, ഒരു ചട്ടം പോലെ, പ്രായോഗിക പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് ഒരു NN-ൽ മൂന്നിൽ കൂടുതൽ പാളികൾ ആവശ്യമില്ല.

എൻഎസ് ഇൻപുട്ടുകളുടെ എണ്ണം അളവ് നിർണ്ണയിക്കുന്നു ഹൈപ്പർസ്പെയ്സ്, ഇതിൽ ഇൻപുട്ട് സിഗ്നലുകളെ പോയിൻ്റുകളാൽ പ്രതിനിധീകരിക്കാം അല്ലെങ്കിൽ അടുത്ത് ഇടമുള്ള പോയിൻ്റുകളുടെ ഹൈപ്പർ റീജിയണുകൾ. നെറ്റ്‌വർക്ക് ലെയറിലെ ന്യൂറോണുകളുടെ എണ്ണം നിർണ്ണയിക്കുന്നു ഹൈപ്പർപ്ലെയിനുകൾവി ഹൈപ്പർസ്പെയ്സ്. വെയ്റ്റഡ് തുകകൾ കണക്കാക്കുകയും ഒരു രേഖീയമല്ലാത്ത പരിവർത്തനം നടത്തുകയും ചെയ്യുന്നത് ഒരു പ്രത്യേക ഹൈപ്പർപ്ലെയിനിൻ്റെ ഏത് വശത്താണ് ഇൻപുട്ട് സിഗ്നൽ പോയിൻ്റ് സ്ഥിതിചെയ്യുന്നത് എന്ന് നിർണ്ണയിക്കുന്നത് സാധ്യമാക്കുന്നു. ഹൈപ്പർസ്പെയ്സ്.

അരി. 8.2

പാറ്റേൺ തിരിച്ചറിയലിൻ്റെ ക്ലാസിക് പ്രശ്നം നമുക്ക് എടുക്കാം: ഒരു പോയിൻ്റ് രണ്ട് ക്ലാസുകളിൽ ഒന്നിൽ പെട്ടതാണോ എന്ന് നിർണ്ണയിക്കുക. ഒരൊറ്റ ന്യൂറോൺ ഉപയോഗിച്ച് ഈ പ്രശ്നം സ്വാഭാവികമായും പരിഹരിക്കപ്പെടുന്നു. ഇത് നിങ്ങളെ വിഭജിക്കാൻ അനുവദിക്കും ഹൈപ്പർസ്പെയ്സ്രണ്ട് വിഭജനവും നോൺ-നെസ്റ്റഡ് ഹൈപ്പർഡൊമെയ്‌നുകളും. ന്യൂറൽ നെറ്റ്‌വർക്ക് ഫോം ഉപയോഗിച്ച് പരിഹരിച്ച പ്രശ്‌നങ്ങളിൽ ഇൻപുട്ട് സിഗ്നലുകൾ ഹൈപ്പർസ്പെയ്സ്ഒരൊറ്റ ന്യൂറോൺ ഉപയോഗിച്ച് വേർതിരിക്കാനാവാത്ത, വളരെ കൂടുകൂട്ടിയതോ ഓവർലാപ്പുചെയ്യുന്നതോ ആയ പ്രദേശങ്ങൾ. പ്രദേശങ്ങൾക്കിടയിൽ ഒരു നോൺ-ലീനിയർ ഹൈപ്പർസർഫേസ് വരച്ചുകൊണ്ട് മാത്രമേ ഇത് ചെയ്യാൻ കഴിയൂ. ഒരു nth ഓർഡർ പോളിനോമിയൽ ഉപയോഗിച്ച് ഇത് വിവരിക്കാം. എന്നിരുന്നാലും, പവർ ഫംഗ്ഷൻ വളരെ സാവധാനത്തിലാണ് കണക്കാക്കുന്നത്, അതിനാൽ ഇത് കമ്പ്യൂട്ടിംഗിന് വളരെ അസൗകര്യമാണ്. ഒരു ബദൽ ഉപാധി ലീനിയർ ഉപയോഗിച്ച് ഹൈപ്പർസർഫേസിനെ ഏകദേശമാക്കുക എന്നതാണ് ഹൈപ്പർപ്ലെയിനുകൾ. ഏകദേശത്തിൻ്റെ കൃത്യത ഉപയോഗിച്ചതിൻ്റെ എണ്ണത്തെ ആശ്രയിച്ചിരിക്കുന്നുവെന്ന് വ്യക്തമാണ് ഹൈപ്പർപ്ലെയിനുകൾ, അതാകട്ടെ, നെറ്റ്വർക്കിലെ ന്യൂറോണുകളുടെ എണ്ണത്തെ ആശ്രയിച്ചിരിക്കുന്നു. അതിനാൽ നെറ്റ്‌വർക്കിൽ കഴിയുന്നത്ര ന്യൂറോണുകളുടെ ഹാർഡ്‌വെയർ നടപ്പിലാക്കേണ്ടതിൻ്റെ ആവശ്യകത ഉയർന്നുവരുന്നു. നെറ്റ്‌വർക്കിൻ്റെ ഒരു പാളിയിലെ ന്യൂറോണുകളുടെ എണ്ണം അതിൻ്റെ റെസല്യൂഷൻ നിർണ്ണയിക്കുന്നു. ഒരു ഒറ്റ-പാളി ന്യൂറൽ നെറ്റ്‌വർക്കിന് രേഖീയമായി ആശ്രിത ചിത്രങ്ങൾ വേർതിരിക്കാൻ കഴിയില്ല. അതിനാൽ, ഹാർഡ്‌വെയറിൽ മൾട്ടി ലെയർ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ നടപ്പിലാക്കാൻ കഴിയുന്നത് പ്രധാനമാണ്.

അരി. 8.3

കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് അതിശയകരമായ ഗുണങ്ങളുണ്ട്. അവർക്ക് വിശദമായ സോഫ്‌റ്റ്‌വെയർ വികസനം ആവശ്യമില്ല, കൂടാതെ പരിഹാര അൽഗോരിതം നിർണ്ണയിക്കുന്ന സൈദ്ധാന്തിക മോഡലുകളോ ഹ്യൂറിസ്റ്റിക് നിയമങ്ങളോ ഇല്ലാത്ത പ്രശ്നങ്ങൾ പരിഹരിക്കാനുള്ള സാധ്യത തുറക്കുന്നു. അത്തരം നെറ്റ്‌വർക്കുകൾക്ക് മുമ്പ് പ്രതീക്ഷിക്കാത്ത ഘടകങ്ങളുടെ ആവിർഭാവം ഉൾപ്പെടെയുള്ള പ്രവർത്തന സാഹചര്യങ്ങളിലെ മാറ്റങ്ങളുമായി പൊരുത്തപ്പെടാനുള്ള കഴിവുണ്ട്. അവയുടെ സ്വഭാവമനുസരിച്ച്, വളരെ ഉയർന്ന തലത്തിലുള്ള സമാന്തരതയുള്ള സിസ്റ്റങ്ങളാണ് എൻഎൻ.

യഥാർത്ഥ ന്യൂറൽ നെറ്റ്‌വർക്കുകളിൽ നടത്തുന്ന വിവര പ്രോസസ്സിംഗിൻ്റെ തത്വങ്ങൾ ന്യൂറോ കമ്പ്യൂട്ടറുകൾ ഉപയോഗിക്കുന്നു. ഈ അടിസ്ഥാനപരമായി പുതിയ കമ്പ്യൂട്ടിംഗ് ടൂളുകൾ ഒരു പാരമ്പര്യേതര ആർക്കിടെക്ചർ ഉപയോഗിച്ച് വലിയ തോതിലുള്ള വിവര ശ്രേണികളുടെ ഉയർന്ന-പ്രകടന പ്രോസസ്സിംഗ് അനുവദിക്കുന്നു. പരമ്പരാഗത കമ്പ്യൂട്ടിംഗ് സിസ്റ്റങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി, ന്യൂറൽ നെറ്റ്‌വർക്ക് കമ്പ്യൂട്ടറുകൾ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് സമാനമായി, കൂടുതൽ വേഗതയിൽ വ്യതിരിക്തവും തുടർച്ചയായതുമായ സിഗ്നലുകളുടെ വിവര ഫ്ലോകൾ പ്രോസസ്സ് ചെയ്യുന്നത് സാധ്യമാക്കുന്നു, ലളിതമായ കമ്പ്യൂട്ടേഷണൽ ഘടകങ്ങൾ അടങ്ങിയിരിക്കുന്നു, കൂടാതെ ഉയർന്ന അളവിലുള്ള വിശ്വാസ്യതയോടെ ഡാറ്റ പ്രോസസ്സിംഗിലെ വിവര പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ അനുവദിക്കുന്നു, സ്വയം പുനർനിർമ്മാണ രീതി നൽകുന്നു. ലഭിച്ച പരിഹാരങ്ങളെ ആശ്രയിച്ച് കമ്പ്യൂട്ടിംഗ് അന്തരീക്ഷം.

പൊതുവായി പറഞ്ഞാൽ, "ന്യൂറൽ കമ്പ്യൂട്ടർ" എന്ന പദത്തിൻ്റെ അർത്ഥം നിലവിൽ വളരെ വിശാലമായ കമ്പ്യൂട്ടറുകളെയാണ്. ഔപചാരികമായി ഏത് ഹാർഡ്‌വെയർ നടപ്പിലാക്കലും ഒരു ന്യൂറോകമ്പ്യൂട്ടറായി കണക്കാക്കാമെന്ന ലളിതമായ കാരണത്താലാണ് ഇത് സംഭവിക്കുന്നത്. ന്യൂറൽ നെറ്റ്‌വർക്ക് അൽഗോരിതം, ഒരു ലളിതമായ ബയോളജിക്കൽ ന്യൂറോൺ മോഡലിൽ നിന്ന് ഒരു പ്രതീകത്തിലേക്ക് അല്ലെങ്കിൽ ചലിക്കുന്ന ടാർഗെറ്റ് തിരിച്ചറിയൽ സംവിധാനത്തിലേക്ക്. ന്യൂറോകമ്പ്യൂട്ടറുകൾ ഈ വാക്കിൻ്റെ പരമ്പരാഗത അർത്ഥത്തിൽ കമ്പ്യൂട്ടറുകളല്ല. നിലവിൽ, ഒരു പൊതു-ഉദ്ദേശ്യ ന്യൂറോകമ്പ്യൂട്ടറിനെക്കുറിച്ച് സംസാരിക്കാൻ കഴിയുന്ന വികസനത്തിൻ്റെ തലത്തിലേക്ക് സാങ്കേതികവിദ്യ ഇതുവരെ എത്തിയിട്ടില്ല (അതും കൃത്രിമബുദ്ധി ആയിരിക്കും). വെയ്റ്റിംഗ് കോഫിഫിഷ്യൻ്റുകളുടെ നിശ്ചിത മൂല്യങ്ങളുള്ള സിസ്റ്റങ്ങൾ സാധാരണയായി ന്യൂറൽ നെറ്റ്‌വർക്ക് കുടുംബത്തിലെ ഏറ്റവും ഉയർന്ന പ്രത്യേകതയാണ്. പഠന ശൃംഖലകൾ പരിഹരിക്കപ്പെടുന്ന വിവിധ പ്രശ്നങ്ങളുമായി കൂടുതൽ പൊരുത്തപ്പെടുന്നു. പഠന ശൃംഖലകൾ കൂടുതൽ വഴക്കമുള്ളതും വിവിധ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ കഴിവുള്ളതുമാണ്. അങ്ങനെ, ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ മിക്കവാറും എല്ലാ ഘടകങ്ങളുടെയും ഹാർഡ്‌വെയർ നിർവ്വഹണ മേഖലയിലെ ഗവേഷണ പ്രവർത്തനങ്ങൾക്കായുള്ള വിശാലമായ മേഖലയാണ് ഓരോ തവണയും ഒരു ന്യൂറോകമ്പ്യൂട്ടറിൻ്റെ നിർമ്മാണം.

21-ാം നൂറ്റാണ്ടിൻ്റെ തുടക്കത്തിൽ, കഴിഞ്ഞ നൂറ്റാണ്ടിലെ 40-50 കളിൽ നിന്ന് വ്യത്യസ്തമായി, ന്യൂറോ കമ്പ്യൂട്ടറുകൾ എങ്ങനെ സൃഷ്ടിക്കാമെന്ന് പഠിക്കാൻ ഒരു വസ്തുനിഷ്ഠമായ പ്രായോഗിക ആവശ്യമുണ്ട്, അതായത്. ദശലക്ഷക്കണക്കിന് സ്ഥിരമോ സമാന്തരമോ ആയ അഡാപ്റ്റീവ് ആയി പരിഷ്‌ക്കരിച്ച കണക്ഷനുകൾ-സിനാപ്‌സുകൾ, പൂർണ്ണമായി ബന്ധിപ്പിച്ച നിരവധി ന്യൂറോണുകളുടെ പാളികൾ എന്നിവയുള്ള ധാരാളം സമാന്തര ഓപ്പറേറ്റിംഗ് ന്യൂറോണുകൾ ഹാർഡ്‌വെയറിൽ നടപ്പിലാക്കേണ്ടത് ആവശ്യമാണ്.

അതേ സമയം, ഇൻ്റഗ്രേറ്റഡ് ഇലക്ട്രോണിക്സ് സാങ്കേതികവിദ്യയുടെ ഭൗതിക കഴിവുകൾ പരിധിയില്ലാത്തതല്ല. ട്രാൻസിസ്റ്ററുകളുടെ ജ്യാമിതീയ അളവുകൾ ഇനി ഭൗതികമായി കുറയ്ക്കാൻ കഴിയില്ല: 1 മൈക്രോൺ അല്ലെങ്കിൽ അതിൽ താഴെയുള്ള ക്രമത്തിൻ്റെ സാങ്കേതികമായി കൈവരിക്കാവുന്ന വലുപ്പങ്ങൾക്കൊപ്പം, വലിയ അളവിലുള്ള സജീവ ഘടകങ്ങളുമായി അദൃശ്യമായ ഭൗതിക പ്രതിഭാസങ്ങൾ പ്രത്യക്ഷപ്പെടുന്നു - ക്വാണ്ടം വലുപ്പത്തിലുള്ള ഇഫക്റ്റുകൾ ശക്തമായ പ്രഭാവം ചെലുത്താൻ തുടങ്ങുന്നു. ട്രാൻസിസ്റ്ററുകൾ ട്രാൻസിസ്റ്ററുകളായി പ്രവർത്തിക്കുന്നത് നിർത്തുന്നു.

ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ ഹാർഡ്‌വെയർ നടപ്പിലാക്കുന്നതിന്, ഒരു പുതിയ സ്റ്റോറേജ് മീഡിയം ആവശ്യമാണ്. അത്തരം ഒരു പുതിയ വിവര കാരിയർ ഭാരം കുറഞ്ഞതായിരിക്കാം, അത് ഒരാളെ കുത്തനെ, നിരവധി ക്രമങ്ങളാൽ വർദ്ധിപ്പിക്കാൻ അനുവദിക്കും. പ്രകടനംകണക്കുകൂട്ടലുകൾ.

ഭാവിയിൽ ഒപ്‌റ്റിക്‌സിനും ഒപ്‌റ്റോഇലക്‌ട്രോണിക്‌സിനും പകരം വയ്ക്കാൻ കഴിയുന്ന NS-ൻ്റെ ഹാർഡ്‌വെയർ നടപ്പിലാക്കുന്നതിനുള്ള ഒരേയൊരു സാങ്കേതികവിദ്യ നാനോടെക്‌നോളജിയാണ്, ഇതിന് ഭൗതികമായി സാധ്യമായ പരമാവധി വേഗതയിൽ സബ്‌മോളിക്യുലാർ ക്വാണ്ടം മൂലകങ്ങളുടെ ഭൗതികമായി സാധ്യമായ പരമാവധി സംയോജനം മാത്രമല്ല, ത്രിമാന വാസ്തുവിദ്യയും നൽകാൻ കഴിയും. NS-ൻ്റെ ഹാർഡ്‌വെയർ നടപ്പിലാക്കുന്നതിന് അത് ആവശ്യമാണ്.

വിളിക്കപ്പെടുന്നവ പരിഹരിക്കുന്നതിൽ ന്യൂറോകമ്പ്യൂട്ടറുകൾ ഫലപ്രദമാണെന്ന് വളരെക്കാലമായി വിശ്വസിക്കപ്പെട്ടു അനൗപചാരികവും മോശമായി ഔപചാരികമാക്കാവുന്നതുമായ ജോലികൾപ്രശ്നം പരിഹരിക്കുന്നതിനുള്ള അൽഗോരിതത്തിൽ യഥാർത്ഥ പരീക്ഷണാത്മക മെറ്റീരിയൽ ഉപയോഗിച്ച് പഠന പ്രക്രിയ ഉൾപ്പെടുത്തേണ്ടതിൻ്റെ ആവശ്യകതയുമായി ബന്ധപ്പെട്ടതാണ്. ഒന്നാമതായി, അത്തരം പ്രശ്നങ്ങളിൽ ഒരു പ്രത്യേക തരം മൂല്യങ്ങൾ എടുക്കുന്ന ഫംഗ്ഷനുകളുടെ ഏകദേശ ചുമതല ഉൾപ്പെടുന്നു, അതായത്, പാറ്റേൺ തിരിച്ചറിയൽ പ്രശ്നം.

നിലവിൽ, ഈ ക്ലാസിലെ പ്രശ്‌നങ്ങളിലേക്ക് ഒരു ക്ലാസ് പ്രശ്‌നങ്ങൾ ചേർക്കുന്നു, ഇത് ചിലപ്പോൾ പരീക്ഷണാത്മക മെറ്റീരിയലിൽ പരിശീലനം ആവശ്യമില്ല, പക്ഷേ ന്യൂറൽ നെറ്റ്‌വർക്ക് ലോജിക്കൽ അടിസ്ഥാനത്തിൽ നന്നായി പ്രതിനിധീകരിക്കുന്നു. സിഗ്നൽ പ്രോസസ്സിംഗ്, ഇമേജ് പ്രോസസ്സിംഗ് മുതലായവയിൽ സ്വാഭാവികമായ സമാന്തരത്വം ഉള്ള ജോലികൾ ഇതിൽ ഉൾപ്പെടുന്നു. ഭാവിയിൽ ന്യൂറോ കമ്പ്യൂട്ടറുകൾ മറ്റ് ആർക്കിടെക്ചറുകളെ അപേക്ഷിച്ച് കൂടുതൽ കാര്യക്ഷമമാകുമെന്ന കാഴ്ചപ്പാട്, പ്രത്യേകിച്ചും, സമീപ വർഷങ്ങളിലെ വർഗ്ഗത്തിൻ്റെ കുത്തനെയുള്ള വികാസത്തിലൂടെ സ്ഥിരീകരിക്കാൻ കഴിയും. ന്യൂറൽ നെറ്റ്‌വർക്ക് ലോജിക്കൽ അടിസ്ഥാനത്തിൽ പരിഹരിച്ച പൊതു ഗണിത പ്രശ്നങ്ങൾ. ഇവയിൽ, മുകളിൽ ലിസ്റ്റുചെയ്തവ കൂടാതെ, ലീനിയർ, നോൺലീനിയർ ബീജഗണിത സമവാക്യങ്ങളും ഉയർന്ന അളവിലുള്ള അസമത്വങ്ങളും പരിഹരിക്കുന്നതിനുള്ള പ്രശ്നങ്ങൾ ഉൾപ്പെടുന്നു; രേഖീയമല്ലാത്ത ഡിഫറൻഷ്യൽ സമവാക്യങ്ങളുടെ സിസ്റ്റങ്ങൾ; ഭാഗിക ഡിഫറൻഷ്യൽ സമവാക്യങ്ങൾ; ഒപ്റ്റിമൈസേഷൻ പ്രശ്നങ്ങളും മറ്റ് പ്രശ്നങ്ങളും.

ആഗോള ആധിപത്യം കൈവരിക്കുന്നത് രണ്ട് പ്രധാന തന്ത്രങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: വിവര മേന്മയും സാങ്കേതിക മികവും. രണ്ടാമത്തേതിനെ സംബന്ധിച്ചിടത്തോളം, വ്യാവസായികാനന്തര സമൂഹത്തിൻ്റെ ഒരു പുതിയ സാമൂഹിക-സാമ്പത്തിക രൂപീകരണത്തിലേക്കുള്ള മാറ്റം ജനിതകശാസ്ത്രം, ബയോ എഞ്ചിനീയറിംഗ്, നാനോ ടെക്നോളജി, ന്യൂറോ ഇൻഫോർമാറ്റിക്സ് തുടങ്ങിയ സാങ്കേതിക വിദ്യകളെ മുൻനിരയിലേക്ക് കൊണ്ടുവരുന്നു.

മസ്തിഷ്ക പ്രവർത്തനത്തിൻ്റെ തത്വങ്ങളെയും സംവിധാനങ്ങളെയും അടിസ്ഥാനമാക്കിയുള്ള ന്യൂറോ ഇൻഫോർമാറ്റിക്‌സിന് സാങ്കേതികവും വിവരപരവുമായ മികവ് നൽകാൻ കഴിയും. ആയുധങ്ങളുടെയും സൈനിക ഉപകരണങ്ങളുടെയും വാഗ്ദാനമായ സംഭവവികാസങ്ങളിൽ ഇന്ന് ന്യൂറോകമ്പ്യൂട്ടറുകൾ ഏറ്റവും പ്രധാനപ്പെട്ട സ്ഥലങ്ങളിൽ ഒന്നാണ് എന്നത് യാദൃശ്ചികമല്ല.

ന്യൂറോപ്രോസസർ ക്രിസ്റ്റലുകളിൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വിവിധ മോഡലുകളുടെ നിരവധി അറിയപ്പെടുന്ന നടപ്പാക്കലുകൾ ഉണ്ട്. ചിലത് നന്നായി പ്രവർത്തിക്കുന്നു, മറ്റുള്ളവർ മോശമാണ്, എന്നാൽ അവയ്‌ക്കെല്ലാം പൊതുവായ ഒരു കാര്യമുണ്ട് - മനുഷ്യ മസ്തിഷ്കത്തിൻ്റെ രഹസ്യങ്ങളിലേക്ക് തുളച്ചുകയറാനുള്ള ആഗ്രഹം.

ഇൻ്റലിൻ്റെ ഉൽപ്പന്ന കാറ്റലോഗുകളിൽ, DARPA (ഡിഫൻസ് അഡ്വാൻസ്ഡ് റിസർച്ച് പ്രോജക്ട് ഏജൻസി) കമ്മീഷൻ ചെയ്ത രണ്ട് സംഭവവികാസങ്ങൾ വേറിട്ടുനിൽക്കുന്നു: അനലോഗ് ന്യൂറോപ്രോസസർ i80170NX, ഡിജിറ്റൽ ഒന്ന് - i80160NC അല്ലെങ്കിൽ Ni1000.

ന്യൂറോപ്രോസസറുകൾ ഒരു പുതിയ തലമുറ കമ്പ്യൂട്ടിംഗ് സാങ്കേതികവിദ്യയുടെ ഹൃദയമാണ് - ന്യൂറോ കമ്പ്യൂട്ടറുകൾ. അത്തരം യന്ത്രങ്ങളുടെ പ്രവർത്തനത്തിൻ്റെ അടിസ്ഥാനം മനുഷ്യൻ്റെ നാഡീവ്യവസ്ഥയും മസ്തിഷ്കവും ഉപയോഗിച്ച് വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്ന രീതികളുടെ മാതൃകയാണ്. 1943-ൽ അമേരിക്കൻ ശാസ്ത്രജ്ഞരായ W. McCulloch, W. Pitts എന്നിവർ ന്യൂറോണുകൾ - നാഡീവ്യവസ്ഥയുടെ കോശങ്ങൾ - ഏറ്റവും ലളിതമായ ലോജിക്കൽ ഉപകരണങ്ങളായി കണക്കാക്കപ്പെടുന്ന ഒരു ലേഖനം പ്രസിദ്ധീകരിച്ചപ്പോൾ ഈ ദിശ ആരംഭിച്ചതായി വിശ്വസിക്കപ്പെടുന്നു.

McCulloch, Pitts എന്നിവരുടെ കൃത്രിമ ന്യൂറോൺ ഒരു ബയോളജിക്കൽ ന്യൂറോണിൻ്റെ ഗുണങ്ങളെ ആദ്യ ഏകദേശമായി അനുകരിക്കുന്നു. അത്തരമൊരു കൃത്രിമ ന്യൂറോണിൻ്റെ ഇൻപുട്ടിന് നിരവധി സിഗ്നലുകൾ ലഭിക്കുന്നു, അവ ഓരോന്നും മറ്റൊരു ന്യൂറോണിൻ്റെ ഔട്ട്പുട്ടാണ്. ഓരോ ഇൻപുട്ട് സിഗ്നലും ന്യൂറോണിൻ്റെ ഔട്ട്പുട്ട് സിഗ്നലിൻ്റെ മൂല്യത്തിലേക്ക് ഈ സിഗ്നൽ നൽകിയ സംഭാവനയെ പ്രതിഫലിപ്പിക്കുന്ന ഒരു നിശ്ചിത ഗുണകം കൊണ്ട് ഗുണിക്കുന്നു. ന്യൂറോണിന് ലഭിക്കുന്ന സിഗ്നലുകൾ അവയുടെ അനുബന്ധ ഗുണകങ്ങളാൽ ഗുണിച്ചാൽ സംഗ്രഹിച്ചിരിക്കുന്നു, മൊത്തം സിഗ്നൽ ഒരു നിശ്ചിത പരിധിയേക്കാൾ കൂടുതലാണെങ്കിൽ, ന്യൂറോൺ സജീവമാവുകയും അതുമായി ബന്ധപ്പെട്ട ന്യൂറോണുകളിലേക്ക് ഒരൊറ്റ പ്രേരണ പുറപ്പെടുവിക്കുകയും ചെയ്യുന്നു. ന്യൂറോൺ ഇൻപുട്ടുകളിലെ വെയ്റ്റിംഗ് കോഫിഫിഷ്യൻ്റുകളുടെ മൂല്യങ്ങൾ അതിനനുസരിച്ച് മാറ്റുന്നതിലൂടെ, നിങ്ങൾക്ക് നെറ്റ്‌വർക്ക് ഔട്ട്‌പുട്ടിൽ ആവശ്യമായ മൂല്യം നേടാനാകും. ഭാരം ഗുണകങ്ങൾ ക്രമീകരിക്കുന്ന പ്രക്രിയയെ ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലനം എന്ന് വിളിക്കുന്നു. മാനുഷിക പഠനവുമായി സാമ്യമുള്ളതിനാൽ, ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് ഒരു അധ്യാപകനുമായി അല്ലെങ്കിൽ സ്വതന്ത്രമായി സ്വയം-ഓർഗനൈസേഷൻ വഴി പരിശീലിപ്പിക്കാം.

നിർദ്ദിഷ്ട ന്യൂറോൺ മോഡലിൻ്റെ ലാളിത്യം മനുഷ്യ മസ്തിഷ്കത്തിൻ്റെ രഹസ്യങ്ങൾ തുളച്ചുകയറാൻ ശ്രമിച്ച നിരവധി ഗവേഷകർക്ക് പ്രചോദനമായി.

1950-കളുടെ അവസാനത്തിൽ, അമേരിക്കൻ എഫ്. റോസൻബ്ലാറ്റ്, ഒരു ബയോളജിക്കൽ ന്യൂറോണിൻ്റെ പ്രവർത്തനം വിശദീകരിക്കാൻ ശ്രമിച്ചു, അതിൻ്റെ മാതൃക - ഒരു പെർസെപ്ട്രോൺ നിർദ്ദേശിച്ചു. 60-കളുടെ തുടക്കത്തിൽ, ഗണിതശാസ്ത്രജ്ഞനായ ആർ. ബ്ലോക്ക് തിരിച്ചറിയൽ സിദ്ധാന്തം രൂപപ്പെടുത്തി, റേഡിയോ എഞ്ചിനീയർ ബി. വിഡ്രോ ആദ്യമായി കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്ക് വികസിപ്പിക്കുകയും നടപ്പിലാക്കുകയും ചെയ്തു, ഇത് സാഹിത്യത്തിൽ "അഡലിൻ" എന്നറിയപ്പെടുന്നു. ചിത്രങ്ങൾ തിരിച്ചറിയാൻ അവളെ പഠിപ്പിക്കുന്ന ഒരു അൽഗോരിതം അദ്ദേഹം സൃഷ്ടിച്ചു.

എന്നിരുന്നാലും, 80-കളുടെ പകുതി വരെ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് കൂടുതൽ വികസനം ലഭിച്ചില്ല. പരിശീലനവും സിദ്ധാന്തവും തമ്മിലുള്ള കാലതാമസവും സാങ്കേതികവിദ്യയുടെ അപൂർണതയും സ്വാധീനം ചെലുത്തി. ഉപയോഗിച്ച സോഫ്‌റ്റ്‌വെയർ മോഡലുകൾക്ക് ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ എല്ലാ ഗുണങ്ങളും വെളിപ്പെടുത്താൻ കഴിഞ്ഞില്ല, മാത്രമല്ല അവയുടെ ഹാർഡ്‌വെയർ നടപ്പിലാക്കുന്നതിന് അന്നത്തെ സാങ്കേതികവിദ്യയുടെ നിലവാരം കണക്കിലെടുക്കുമ്പോൾ ഭീമമായ ചിലവ് ആവശ്യമാണ്. പരമ്പരാഗത വലിയ കമ്പ്യൂട്ടറുകൾ (മെയിൻഫ്രെയിമുകൾ) കൂടുതൽ പ്രതീക്ഷ നൽകുന്നതായി കണക്കാക്കപ്പെട്ടിരുന്നു, എന്നാൽ വളരെ സങ്കീർണ്ണമായ ജോലികളുടെ എണ്ണത്തിലെ ദ്രുതഗതിയിലുള്ള വളർച്ച കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളിലേക്ക് വീണ്ടും തിരിയാൻ ഞങ്ങളെ നിർബന്ധിച്ചു.

കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ കഴിവുകളിൽ ഗൌരവമായി താൽപ്പര്യം പ്രകടിപ്പിച്ച ആദ്യത്തെ കമ്പ്യൂട്ടർ വ്യവസായ ഭീമന്മാരിൽ ഒരാളാണ് ഇൻ്റൽ. 1988 ലാണ് ഈ വിഷയത്തിൻ്റെ പ്രവർത്തനം ആരംഭിച്ചത്. അടുത്ത വർഷം, i80170NX ന്യൂറോപ്രോസസറിൻ്റെ ആദ്യത്തെ പ്രവർത്തന മാതൃക അവതരിപ്പിച്ചു. ഒരു വർഷത്തിനുശേഷം, ഇൻ്റൽ (നെസ്റ്ററുമായി ചേർന്ന് DARPA-യുടെ സാമ്പത്തിക പിന്തുണയോടെ) Ni1000 ഡിജിറ്റൽ ന്യൂറോചിപ്പ് വികസിപ്പിക്കാൻ തുടങ്ങി, അത് 1993-ൽ i80160NC ആയി പ്രഖ്യാപിക്കപ്പെട്ടു.

i80170NX ETANN (ഇലക്‌ട്രിക്കലി ട്രെയ്‌നബിൾ അനലോഗ് ന്യൂറൽ നെറ്റ്‌വർക്ക്) ന്യൂറൽ നെറ്റ്‌വർക്ക് പ്രോസസർ പാറ്റേൺ തിരിച്ചറിയൽ പ്രശ്‌നങ്ങൾ പരിഹരിക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്ന ഒരു അദ്വിതീയ ചിപ്പാണ്. 64 ബയോളജിക്കൽ ന്യൂറോണുകളുടെ പ്രവർത്തനത്തെ പ്രോസസർ അനുകരിക്കുന്നു. ഓരോ പ്രോസസർ ന്യൂറോണിനും 128 സിനാപ്സുകൾ (ഇൻപുട്ടുകൾ) ഉണ്ട്. അതാകട്ടെ, ഓരോ സിനാപ്‌സും പ്രോസസർ ഇൻപുട്ടിലേക്ക് കണക്റ്റുചെയ്‌തിരിക്കുന്ന ചില ഉപകരണത്തിലൂടെ ഈ കണക്ഷൻ്റെ ശക്തിയെ സൂചിപ്പിക്കുന്ന ഒരു കോഫിഫിഷ്യൻ്റ് സജ്ജീകരിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു, ഇത് W. McCulloch ഉം W. Pitts ഉം നിർദ്ദേശിച്ച മോഡലുമായി പൂർണ്ണമായും പൊരുത്തപ്പെടുന്നു. പ്രോസസറിൻ്റെ ഇൻപുട്ടിലും ഔട്ട്പുട്ടിലുമുള്ള ഡാറ്റ അനലോഗ് ആണ്, എന്നാൽ നിയന്ത്രണ പ്രവർത്തനങ്ങൾ, ക്രമീകരണം, വായന ഭാരം ഗുണകങ്ങൾ എന്നിവ ഡിജിറ്റൽ ആണ്.

CMOS, TTL മൈക്രോ സർക്യൂട്ടുകൾ എന്നിവയ്‌ക്കൊപ്പം ഓപ്പറേറ്റിംഗ് സിഗ്നൽ ലെവലിൻ്റെ കാര്യത്തിൽ ന്യൂറോചിപ്പ് പൂർണ്ണമായും പൊരുത്തപ്പെടുന്നു. ന്യൂറോണിലേക്കുള്ള ഇൻപുട്ട് സിഗ്നൽ 0 മുതൽ 2.8 V വരെ വ്യത്യാസപ്പെടാം. -2.5 മുതൽ 2.5 V വരെയുള്ള വോൾട്ടേജിൽ സിനാപ്സ് വെയിറ്റുകളും പ്രതിനിധീകരിക്കുന്നു. ലൈസൻസുള്ള ഇൻ്റൽ സാങ്കേതികവിദ്യ ഉപയോഗിച്ചാണ് പ്രോസസർ നിർമ്മിക്കുന്നത് - CHMOS III EEPROM.

ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ ഉയർന്ന സമാന്തര ആർക്കിടെക്ചർ സ്വഭാവവും നിരവധി പ്രോസസർ ഡിസൈൻ സവിശേഷതകളും സെക്കൻഡിൽ 2 ബില്ല്യൺ പ്രവർത്തനങ്ങളുടെ വേഗത കൈവരിക്കുന്നത് സാധ്യമാക്കി! പിസികൾക്കായുള്ള ന്യൂറൽ ആക്സിലറേറ്റർ ബോർഡിൻ്റെ ഹൃദയമാണ് i80170NX. എട്ട് പ്രോസസറുകളുള്ള അത്തരമൊരു ബോർഡിൻ്റെ പ്രകടനം സെക്കൻഡിൽ 16 ബില്ല്യൺ പ്രവർത്തനങ്ങളാണ്! അടുത്ത കാലം വരെ, അത്തരം പ്രകടനം സൂപ്പർ കമ്പ്യൂട്ടറുകളുടെ മാത്രം സ്വഭാവമായിരുന്നു!

പ്രോസസ്സറിൻ്റെ സംക്ഷിപ്ത സാങ്കേതിക വിശദാംശങ്ങൾ ഇപ്രകാരമാണ്:

• ഉൽപ്പാദനക്ഷമത 2 ബില്യൺ op./s;
• സെക്കൻഡിൽ 300 ആയിരം 128-ബിറ്റ് ഇമേജുകൾ തിരിച്ചറിയാൻ കഴിയും;
• മോഡലുകൾ 64 ന്യൂറോണുകൾ;
• ഹോപ്‌ഫീൽഡ് ന്യൂറൽ നെറ്റ്‌വർക്ക്, മൾട്ടിലെയർ പെർസെപ്‌ട്രോൺ, മാഡലൈൻ III മോഡലുകൾ എന്നിവ പിന്തുണയ്ക്കുന്നു.

i80170NX-ൽ ആപ്ലിക്കേഷനുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള എളുപ്പം ശക്തമായ വികസന ഉപകരണങ്ങളുടെ സാന്നിധ്യം ഉറപ്പാക്കുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ രൂപകൽപ്പനയ്‌ക്കായി, iNNTS (ഇൻ്റൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് ട്രെയിനിംഗ് സിസ്റ്റം), EMB (ETANN മൾട്ടി-ചിപ്പ് ബോർഡ്) പാക്കേജ് വിതരണം ചെയ്യുന്നു. കാലിഫോർണിയ സയൻ്റിഫിക് സോഫ്റ്റ്‌വെയറിൽ നിന്നുള്ള iBrainMaker അല്ലെങ്കിൽ NeuroDynamX-ൽ നിന്നുള്ള iDynaMind എന്ന കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ മോഡലിംഗ് ചെയ്യുന്നതിനും പഠിക്കുന്നതിനുമുള്ള പ്രോഗ്രാമുകളിലൊന്നും പാക്കേജിൽ ഉൾപ്പെടുന്നു. രണ്ട് പ്രോഗ്രാമുകൾക്കും നല്ല ഉപയോക്തൃ ഇൻ്റർഫേസ് ഉണ്ട്, കൂടാതെ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ ഗുണങ്ങളും കഴിവുകളും പ്രകടിപ്പിക്കാൻ ഉപയോഗിക്കാനും കഴിയും. ന്യൂറൽ നെറ്റ്‌വർക്ക് മോഡലുകൾ സ്വതന്ത്രമായി വികസിപ്പിക്കാൻ തീരുമാനിക്കുന്ന അതേ വിഭാഗം ഉപയോക്താക്കൾക്ക്, ന്യൂറോചിപ്പ് - ട്രെയിനിംഗ് സിസ്റ്റം ഇൻ്റർഫേസ് ലിബ് (TSIL) നിയന്ത്രിക്കുന്നതിനുള്ള പ്രവർത്തനങ്ങളുടെ ഒരു മുഴുവൻ ലൈബ്രറിയും ഉണ്ട്.

കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ മേഖലയിലെ മറ്റൊരു ഇൻ്റൽ വികസനം i80160NC പ്രോസസറാണ്. i80170NX-ൽ നിന്നുള്ള പ്രധാന വ്യത്യാസം അത് പൂർണ്ണമായും ഡിജിറ്റൽ ആണ് എന്നതാണ്.

i80160NC-യുടെ സാങ്കേതിക ഡാറ്റ:

• ആന്തരിക മെമ്മറി: 1 ആയിരം 256-ബിറ്റ് ചിത്രങ്ങൾ;
• മെമ്മറി തരം: ഫ്ലാഷ് EPROM;
• ക്ലാസുകളുടെ പരമാവധി എണ്ണം: 64;
• തിരിച്ചറിയൽ വേഗത: 33 MHz ആവൃത്തിയിൽ സെക്കൻഡിൽ 33 ആയിരം ചിത്രങ്ങൾ.
• i80170NX പോലെ, i80160NC പ്രൊസസറും ഒരു പിസിക്കായി ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് ആക്‌സിലറേറ്റർ ബോർഡിൽ വിതരണം ചെയ്യുന്നു. ബോർഡിൻ്റെ സവിശേഷതകൾ ഇപ്രകാരമാണ്:
• ISA സിസ്റ്റം ബസ്;
• പ്രവർത്തന ആവൃത്തി 33 MHz;
• ബസ് വേഗത 2 Mbit/s;
• പവർ 8 W.

ഇനിപ്പറയുന്ന സോഫ്റ്റ്‌വെയർ പിന്തുണയ്ക്കുന്നു:

• എംഎസ് വിൻഡോസ് 3.1;
• MS Excel 4.0;
• MS വിഷ്വൽ C++, Borland C++.
• ഇനിപ്പറയുന്ന ആപ്ലിക്കേഷൻ ഡെവലപ്‌മെൻ്റ് ടൂളുകൾ ബോർഡിനൊപ്പം നൽകിയിട്ടുണ്ട്:
• Ni1000 അസംബ്ലർ;
• Ni1000 എമുലേറ്റർ ലിബ്.;
• Ni1000 ഹാർഡ്‌വെയർ ലിബ്.

ഒരു പ്രൊസസർ ഉപയോഗിക്കാതെ തന്നെ ആപ്ലിക്കേഷൻ കോഡ് ഡീബഗ് ചെയ്യാൻ Ni1000 എമുലേറ്റർ പ്രോഗ്രാം നിങ്ങളെ അനുവദിക്കുന്നു, ഡീബഗ്ഗിംഗ് പ്രക്രിയ പൂർത്തിയാക്കിയ ശേഷം, ഉടൻ തന്നെ ഹാർഡ്‌വെയറിൽ പ്രവർത്തിക്കാൻ തുടരുക.

i80170NX, i80160NC പ്രോസസറുകളുടെ പ്രധാന സവിശേഷതകൾ പട്ടികയിൽ നൽകിയിരിക്കുന്നു. 1.

Ni1000 പ്രോസസർ പാറ്റേൺ തിരിച്ചറിയൽ ജോലികൾക്കായുള്ള ഒരു കോപ്രോസസർ ഓപ്ഷനായി വികസിപ്പിച്ചെടുത്തു, കൂടാതെ ഉയർന്ന പ്രകടനമുള്ള പോർട്ടബിൾ സ്കാനറുകളിലേക്ക് സംയോജിപ്പിക്കാൻ ഉദ്ദേശിച്ചുള്ളതാണ്. ന്യൂറൽ നെറ്റ്‌വർക്ക് സാങ്കേതികവിദ്യയുടെ ഉപയോഗം ഈ ക്ലാസിലെ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിൽ കാര്യമായ ഫലങ്ങൾ കൈവരിക്കുന്നത് സാധ്യമാക്കി. അതിനാൽ, ചില പ്രശ്നങ്ങൾ 2-5 മടങ്ങ് വേഗത്തിൽ പരിഹരിക്കാൻ AMD29000, i80860 RISC പ്രോസസറുകൾ നിങ്ങളെ അനുവദിക്കുകയാണെങ്കിൽ, i80160NC ഉപയോഗിച്ച് സമാനമായ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനുള്ള വേഗത 100-ഉം 1000 മടങ്ങും വർദ്ധിക്കും! അത്തരം പ്രകടനം ഏറ്റവും സങ്കീർണ്ണമായ പ്രശ്നം പരിഹരിക്കുന്നതിന് ഈ ക്ലാസ് പ്രോസസ്സറുകൾ ഉപയോഗിക്കുന്നത് സാധ്യമാക്കി - ഫിംഗർപ്രിൻ്റ് തിരിച്ചറിയൽ.

ഡെവലപ്പർമാർക്കും കമ്പ്യൂട്ടർ ഉപയോക്താക്കൾക്കും വിപണിയിൽ പ്രോസസറുകളുടെ ഒരു ശക്തമായ കുടുംബത്തിൻ്റെ രൂപം എന്താണ് വാഗ്ദാനം ചെയ്യുന്നത്? ഇപ്പോൾ വളരെ ഉയർന്ന സങ്കീർണ്ണതയുടെ നിരവധി പ്രശ്നങ്ങൾ ഉണ്ട്. കാലാവസ്ഥാ പ്രവചനം, വായു പിണ്ഡത്തിൻ്റെ ചലനം കണക്കിലെടുത്ത് അറ്റ്ലാൻ്റിക്കിലുടനീളം എയർ ട്രാഫിക് നിയന്ത്രണം, ആണവ സ്ഫോടനങ്ങളുടെ കമ്പ്യൂട്ടർ മോഡലിംഗ് എന്നിവയും മറ്റു പലതും ഇതിൽ ഉൾപ്പെടുന്നു. അടുത്തിടെ വരെ, സൂപ്പർ കമ്പ്യൂട്ടറുകളിൽ അത്തരം പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ അവർ ശ്രമിച്ചു, എന്നാൽ അത്തരം ഉപകരണങ്ങളുടെ വില വളരെ ശ്രദ്ധേയമാണ്. ചിത്രത്തിൽ. വിവിധ സൂപ്പർ കമ്പ്യൂട്ടറുകളുടെ വിലയും പ്രകടനവും അനുസരിച്ച് അവയുടെ സ്ഥാനം ചിത്രം 2 കാണിക്കുന്നു. i80160NC ആണ് തർക്കമില്ലാത്ത നേതാവ് എന്ന് വ്യക്തമായി കാണാം. ഇത് ക്രേ, സൈബർ തുടങ്ങിയ രാക്ഷസന്മാരെ വളരെ പിന്നിലാക്കുന്നു.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സംവിധാനങ്ങൾ വികസിപ്പിക്കുന്നവർക്കായി പുതിയ ചക്രവാളങ്ങൾ തുറക്കുന്നു. അത്തരം പ്രോസസറുകളുടെ രൂപം അർത്ഥമാക്കുന്നത് ഇമേജ് തിരിച്ചറിയൽ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിലെ ഒരു വഴിത്തിരിവാണ്, അതിനാൽ കൈയെഴുത്ത് വാചകം, സംഭാഷണം മുതലായവ തിരിച്ചറിയുക. അതിനാൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച് ജാപ്പനീസ് ഭാഷയിൽ നിന്ന് ഇംഗ്ലീഷിലേക്ക് ഒരേസമയം വിവർത്തനം ചെയ്യാൻ കഴിയുമെന്ന് ജാപ്പനീസ് വിദഗ്ധർ തെളിയിച്ചിട്ടുണ്ട്.

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ മോഡലിംഗ് ചെയ്യുന്നതിൽ ഇൻ്റൽ സ്പെഷ്യലിസ്റ്റുകൾക്ക് കൈവരിച്ച നാഴികക്കല്ല് ചിത്രത്തിൽ കാണിച്ചിരിക്കുന്നതിന് സമാനമായ ഒരു ഡയഗ്രം ഉപയോഗിച്ച് പ്രതിനിധീകരിക്കാം. 3, ജീവജാലങ്ങളുടെ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഇൻ്റൽ പ്രോസസ്സറുകൾ ഉപയോഗിച്ച് അനുകരിച്ചവയും താരതമ്യം ചെയ്യുന്നു.

ന്യൂറോപ്രോസസറിൻ്റെ ഡെവലപ്പർമാർ തമാശയായി അവരുടെ തലച്ചോറിനെ "സൂപ്പർസോണിക് സ്ലഗ്" എന്നല്ലാതെ മറ്റൊന്നുമല്ല വിളിക്കുന്നത്.

മനുഷ്യൻ്റെ ബൗദ്ധിക കഴിവുകളെ മറികടക്കുന്നതിനോ കുറഞ്ഞത് തുല്യമാക്കുന്നതിനോ കഴിവുള്ള ഒരു കമ്പ്യൂട്ടിംഗ് യന്ത്രം സൃഷ്ടിക്കുക എന്ന മനുഷ്യൻ്റെ സ്വപ്നം വളരെ അകലെയാണ്. അതേസമയം, കൃത്രിമ മസ്തിഷ്കം ഒരു ഡെസ്‌ക്‌ടോപ്പ് കമ്പ്യൂട്ടറിൻ്റെ ഹൃദയമായി മാറുന്ന നിമിഷത്തെ കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള ഇൻ്റലിൻ്റെ പ്രവർത്തനം കൂടുതൽ അടുപ്പിച്ചുവെന്ന് നമുക്ക് ആത്മവിശ്വാസത്തോടെ പറയാൻ കഴിയും.

ഇൻ്റൽ പ്രോസസ്സറുകൾ പുറത്തിറങ്ങിയതിനുശേഷം, ന്യൂറോ കമ്പ്യൂട്ടറുകളുടെ നിരവധി മോഡലുകൾ ലോകത്ത് പ്രത്യക്ഷപ്പെട്ടു; അവയിൽ ചിലത് പട്ടികയിൽ കാണാം. 2.

ഇന്നുവരെ, വിവിധ ആക്സിലറേറ്റർ ബോർഡുകളും പ്രത്യേക ന്യൂറോകമ്പ്യൂട്ടറുകളും വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. മനുഷ്യ പ്രവർത്തനത്തിൻ്റെ വിവിധ മേഖലകളിൽ ഇതിനകം തന്നെ ന്യൂറൽ കമ്പ്യൂട്ടറുകൾ ഉപയോഗിക്കുന്നു. അമേരിക്കയിൽ, ന്യൂറൽ നെറ്റ്‌വർക്ക് അടിസ്ഥാനമാക്കി വിമാന യാത്രക്കാരുടെ ലഗേജിൽ പ്ലാസ്റ്റിക് സ്‌ഫോടകവസ്തുക്കൾ കണ്ടെത്താനുള്ള സംവിധാനമുണ്ട്. ഡാറ്റ നെറ്റ്‌വർക്കുകളിലെ സ്വിച്ചിംഗ് സിസ്റ്റങ്ങളിൽ ന്യൂറൽ പ്രോസസറുകൾ ഉപയോഗിക്കുന്ന വിഷയത്തിൽ വളരെയധികം ശ്രദ്ധ ചെലുത്തുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച് ഫിംഗർപ്രിൻ്റ് തിരിച്ചറിയൽ സംവിധാനങ്ങളുണ്ട്. ന്യൂറൽ പ്രോസസറുകളുടെ വിജയകരമായ ഉപയോഗത്തിൻ്റെ മറ്റ് പല കേസുകളും സാഹിത്യം വിവരിക്കുന്നു.

കമ്പ്യൂട്ടർ സാങ്കേതികവിദ്യയുടെ പുതിയ റൗണ്ട് വികസനത്തിൻ്റെ ഒരു സവിശേഷത, കമ്പ്യൂട്ടർ സയൻസിൻ്റെ ലോകത്ത് അത് അടിസ്ഥാനപരമായ മാറ്റങ്ങൾ കൊണ്ടുവരുന്നു എന്നതാണ്. സമൂഹത്തിൽ അടുത്ത തലമുറ കമ്പ്യൂട്ടർ സാങ്കേതികവിദ്യ സ്ഥാപിക്കുന്നതോടെ, ഒരു പ്രോഗ്രാമറുടെ പ്രൊഫഷൻ്റെ ആവശ്യമില്ല, കൂടാതെ ന്യൂറോകമ്പ്യൂട്ടർ പരിശീലനത്തിലെ ഒരു സ്പെഷ്യലിസ്റ്റ് അവൻ്റെ സ്ഥാനം ഏറ്റെടുക്കും. ഓരോ പുതിയ കംപ്യൂട്ടറിൻ്റെയും കമ്മീഷൻ ചെയ്യുന്നതിനു മുമ്പായി അതിൻ്റെ പരിശീലനവും ഉണ്ടായിരിക്കും. സൈബർ സൈക്കോളജിസ്റ്റുകളുടെയും ന്യൂറൽ കമ്പ്യൂട്ടർ അധ്യാപകരുടെയും ആവശ്യം ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിനാൽ, കമ്പ്യൂട്ടർ സയൻസിൻ്റെയും കമ്പ്യൂട്ടർ സാങ്കേതികവിദ്യയുടെയും വികാസത്തിലെ ഒരു വഴിത്തിരിവിലാണ് ഞങ്ങൾ ജീവിക്കുന്നത്, ഇൻ്റലിൻ്റെ ന്യൂറൽ പ്രോസസ്സറുകൾ - ന്യൂറൽ കമ്പ്യൂട്ടറുകളുടെ കാലഘട്ടത്തിൻ്റെ ആദ്യ അടയാളങ്ങൾ - അത് വന്നതിൽ ഒരു പ്രധാന പങ്ക് വഹിച്ചിട്ടുണ്ട്.

സാഹിത്യം

1. എ. താക്കൂർ തുടങ്ങിയവർ., DARPA പ്രോഗ്രാം അവലോകനം, ഡിസംബർ. 1991, വാഷിംഗ്ടൺ, ഡി.സി.
2. എം. ഹോളർ, എസ്. ടാം, എച്ച്. കാസ്ട്രോ, ആർ. ബെൻസൺ, 10240 "ഫ്ലോട്ടിംഗ് ഗ്രേറ്റ്" സിനാപ്‌സുകളുള്ള "ഇലക്‌ട്രിക്കലി ട്രെയിനബിൾ ആർട്ടിഫിഷ്യൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് (ETANN)," ന്യൂറൽ നെറ്റ്‌വർക്കുകളെക്കുറിച്ചുള്ള ഇൻ്റർനാഷണൽ ജോയിൻ്റ് കോൺഫറൻസ്, ജൂൺ 1989, വാഷിംഗ്ടൺ, ഡി.സി.
3. ഇൻ്റൽ, i80170NX ഇലക്ട്രിക്കലി ട്രെയിനബിൾ അനലോഗ് ന്യൂറൽ നെറ്റ്‌വർക്ക്, ഇൻ്റൽ കോർപ്പറേഷൻ, ജൂൺ 1991.
4. സ്റ്റാൻലി, ജീനെറ്റ്, ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ ആമുഖം, കാലിഫോർണിയ സയൻ്റിഫിക് സോഫ്റ്റ്‌വെയർ, 1990.
5. ഇൻ്റൽ, 80170NX ന്യൂറൽ നെറ്റ്‌വർക്ക് ടെക്നോളജി & ആപ്ലിക്കേഷൻ, ഇൻ്റൽ കോർപ്പറേഷൻ, 1992.

സെർജി ഗ്രിനിയേവ്

iCover ബ്ലോഗിൻ്റെ പേജുകളിലേക്ക് ഞങ്ങളുടെ വായനക്കാരെ ഞങ്ങൾ സ്വാഗതം ചെയ്യുന്നു! ഫെബ്രുവരി ആദ്യം സാൻഫ്രാൻസിസ്കോയിൽ നടന്ന ഇൻ്റർനാഷണൽ സോളിഡ് സ്റ്റേറ്റ് സർക്യൂട്ട് കോൺഫറൻസിൽ (ISSCC-2016), MIT (മസാച്യുസെറ്റ്‌സ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ടെക്നോളജി) യിൽ നിന്നുള്ള ഒരു കൂട്ടം ഡെവലപ്പർമാർ പുതിയ തലമുറ ഐറിസ് ചിപ്പിൻ്റെ പ്രവർത്തന പ്രോട്ടോടൈപ്പ് പ്രദർശിപ്പിച്ചു. ന്യൂറൽ നെറ്റ്‌വർക്ക് അൽഗോരിതങ്ങളുടെ കഴിവുകൾ കുറഞ്ഞ പവർ ഉപകരണങ്ങളുടെ വിശാലമായ ശ്രേണിയിൽ പുനർനിർമ്മിക്കാൻ അനുവദിക്കുന്ന പരിഹാരം.

നമ്മുടെ സ്‌മാർട്ട്‌ഫോണുകളിലോ ടാബ്‌ലെറ്റുകളിലോ കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് ശരിയായ വികസനം ലഭിക്കാത്തതിൻ്റെ വസ്തുനിഷ്ഠമായ കാരണങ്ങളിലൊന്ന് മതിയായ ശക്തിയുടെ ഒതുക്കമുള്ള പവർ ഉറവിടത്തിൻ്റെ അഭാവമാണ്. എല്ലാത്തിനുമുപരി, മസ്തിഷ്കം പോലെയുള്ള, "മസ്തിഷ്കം പോലെയുള്ള" കൃത്രിമ ഇൻ്റലിജൻസ് സിസ്റ്റങ്ങൾ, ആധുനിക സാങ്കേതികവിദ്യകളാൽ പ്രതിനിധീകരിക്കുന്ന രൂപത്തിലെങ്കിലും, അവിശ്വസനീയമായ തുക ഉപയോഗിക്കുന്ന ശക്തമായ മൾട്ടി-കോർ പ്രോസസ്സറുകളെ അവയുടെ പ്രവർത്തനത്തെ ആശ്രയിച്ചിരിക്കുന്നു. നമ്മുടെ തലച്ചോറുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഊർജ്ജം. ഉപയോക്തൃ ക്ലാസ് ഉപകരണങ്ങളുടെ തലത്തിൽ അത്തരം പരിഹാരങ്ങൾ സങ്കൽപ്പിക്കാൻ കഴിഞ്ഞിരുന്നില്ല, കുറഞ്ഞത് അടുത്ത കാലം വരെ. അതേസമയം, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ “മിനിയേറ്ററൈസേഷൻ” എന്ന ആശയം വളരെക്കാലമായി ഡവലപ്പർമാരുടെ മനസ്സിനെ ആവേശഭരിതരാക്കുന്നു, അത് മാറുന്നതുപോലെ, ഇതിനകം തന്നെ വ്യക്തമായ ഫലം പുറപ്പെടുവിക്കുന്നു.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഗവേഷണത്തിൻ്റെ ആദ്യനാളുകൾ മുതൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ശാസ്ത്രീയ ശ്രദ്ധാകേന്ദ്രമായിരുന്നു, എന്നാൽ 1970-കളിൽ അവ ഒരു പരിധിവരെ മറന്നുപോയി. കഴിഞ്ഞ ദശകത്തിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ ഉപയോഗവുമായി ബന്ധപ്പെട്ട സാങ്കേതികവിദ്യകൾ "ഡീപ് ലേണിംഗ്" പ്രോഗ്രാമുകളുടെ തലത്തിൽ പഠിച്ചിട്ടുണ്ട്.

"ആഴത്തിലുള്ള പഠനത്തിന് ഒബ്ജക്റ്റ് റെക്കഗ്നിഷൻ, സ്പീച്ച് റെക്കഗ്നിഷൻ, അല്ലെങ്കിൽ ഫേഷ്യൽ റെക്കഗ്നിഷൻ എന്നിങ്ങനെ നിരവധി ആപ്ലിക്കേഷനുകൾ ഉണ്ട്," പുതിയ ചിപ്പ് വികസിപ്പിച്ച ഗ്രൂപ്പ് ഇലക്ട്രിക്കൽ എഞ്ചിനീയറിംഗിൻ്റെയും കമ്പ്യൂട്ടർ സയൻസിൻ്റെയും എംഐടി അസിസ്റ്റൻ്റ് പ്രൊഫസറായ വിവിയെൻ സെയും ഇമ്മാനുവൽ ഇ ലാൻഡ്‌സ്‌മാനും ശ്രദ്ധിക്കുക. “ഇപ്പോൾ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ വളരെ സങ്കീർണ്ണവും പ്രധാനമായും ശക്തമായ ചിപ്പുകളിൽ പ്രവർത്തിക്കുന്നതുമാണ്. നിങ്ങളുടെ മൊബൈൽ ഫോണിലേക്കോ ഉൾച്ചേർത്ത ഉപകരണത്തിലേക്കോ ഈ പ്രവർത്തനം കൊണ്ടുവരാൻ കഴിയുമെന്ന് സങ്കൽപ്പിക്കുക, തുടർന്ന് Wi-Fi കണക്ഷൻ ഉപയോഗിക്കാതെ തന്നെ ധാരാളം വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുക. നിങ്ങളുടെ സ്മാർട്ട്‌ഫോണിൽ വലിയ അളവിലുള്ള ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നത് നെറ്റ്‌വർക്കുമായുള്ള ഡാറ്റാ കൈമാറ്റം കാരണം സംഭവിക്കുന്ന കാലതാമസം ഒഴിവാക്കും, ഇത് നിരവധി ആപ്ലിക്കേഷനുകൾ കൂടുതൽ കാര്യക്ഷമമായി പ്രവർത്തിക്കാൻ അനുവദിക്കും. കൂടാതെ, നിർദ്ദിഷ്ട പരിഹാരം രഹസ്യാത്മക വിവരങ്ങൾക്ക് ഒരു പുതിയ ഗുണനിലവാര പരിരക്ഷ നൽകും.

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ സാധാരണയായി മൾട്ടി-കോർ ഗ്രാഫിക്സ് പ്രോസസ്സിംഗ് യൂണിറ്റുകളിൽ (ജിപിയു) നടപ്പിലാക്കുന്നു. സാൻഫ്രാൻസിസ്കോയിൽ നടന്ന ഇൻ്റർനാഷണൽ കോൺഫറൻസിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ള ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് അൽഗോരിതം നടപ്പിലാക്കാൻ രൂപകൽപ്പന ചെയ്ത പുതിയ 168-കോർ ചിപ്പ് എംഐടി ഗവേഷകർ അവതരിപ്പിച്ചു. ഒരു മൊബൈൽ ജിപിയുവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ (ഏത് എന്ന് വ്യക്തമാക്കിയിട്ടില്ല), പ്രോസസർ 10 മടങ്ങ് കൂടുതൽ കാര്യക്ഷമത പ്രകടിപ്പിച്ചു, പ്രോസസ്സിംഗിനായി ക്ലൗഡിലേക്ക് ഡാറ്റ അയയ്‌ക്കേണ്ട ആവശ്യമില്ലാതെ തന്നെ ശക്തമായ AI അൽഗോരിതങ്ങൾ പ്രാദേശികമായി പ്രവർത്തിപ്പിക്കാൻ ഉപയോക്താവിൻ്റെ മൊബൈൽ ഉപകരണത്തെ അനുവദിക്കുന്നു. വികസനത്തിൻ്റെ പ്രധാന പോയിൻ്റുകൾ 2016 ഫെബ്രുവരി 3 ലെ എംഐടി പത്രക്കുറിപ്പിൽ പ്രതിഫലിക്കുന്നു.

ഡെവലപ്പർമാർ "ഐറിസ്" എന്ന് വിളിക്കുന്ന പുതിയ ചിപ്പിന് ഇൻ്റർനെറ്റ് ഓഫ് തിംഗ്സ്, ധരിക്കാവുന്ന ഇലക്ട്രോണിക്സ്, സെൽഫ്-ഡ്രൈവിംഗ് വാഹനങ്ങൾ, നിർമ്മാണ ഉപകരണങ്ങൾ, കാർഷിക മേഖലകളിൽ പോലും നിലവിലുള്ള പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനും ഏകോപിപ്പിക്കുന്നതിനും സഹായിക്കുന്ന വിപുലമായ പ്രയോഗം കണ്ടെത്താനാകും. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച്, മൊബൈൽ ഉപകരണങ്ങൾക്ക് പ്രാദേശിക തലത്തിൽ തീരുമാനങ്ങൾ എടുക്കാൻ കഴിയും, ഇൻറർനെറ്റിൽ നിന്നുള്ള ഒരു കൂട്ടം "റോ" ഡാറ്റയേക്കാൾ, പ്രവർത്തനത്തിനുള്ള വഴികാട്ടിയായി ഉപയോക്താവിന് റെഡിമെയ്ഡ് ഫലം നൽകുന്നു. കൂടാതെ, തീർച്ചയായും, പ്രാദേശിക ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ ആപ്ലിക്കേഷനുകളിലൊന്ന് വൈവിധ്യമാർന്ന ആവശ്യങ്ങൾക്കായി സ്വയംഭരണ റോബോട്ടുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള അവയുടെ ഉപയോഗമാണ്.

ഭിന്നിപ്പിച്ച് ഭരിക്കുക

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് സാധാരണയായി ഒരു മൾട്ടി-ലെയർ ഘടനയുണ്ട്, ഓരോ ലെയറിലും ധാരാളം പ്രോസസ്സിംഗ് നോഡുകൾ അടങ്ങിയിരിക്കുന്നു. പ്രോസസ്സിംഗിൻ്റെ പ്രാരംഭ ഘട്ടത്തിൽ, ഡാറ്റ എത്തുകയും താഴത്തെ പാളിയുടെ നോഡുകൾക്കിടയിൽ വിതരണം ചെയ്യുകയും ചെയ്യുന്നു. ഓരോ നോഡും സ്വീകരിച്ച ഡാറ്റ പ്രോസസ്സ് ചെയ്ത ശേഷം, അടുത്ത ലെയറിൻ്റെ നോഡുകളിലേക്ക് പ്രോസസ്സിംഗിനായി ഫലം കൈമാറും. അവസാന പാളിയുടെ ഔട്ട്പുട്ടിൽ, പ്രശ്നം പരിഹരിക്കുന്നതിൻ്റെ ഫലം രൂപം കൊള്ളുന്നു. അതനുസരിച്ച്, വിവരിച്ച അൽഗോരിതം ഉപയോഗിച്ച് വലിയ തോതിലുള്ള പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് കാര്യമായ കമ്പ്യൂട്ടിംഗ് ഉറവിടങ്ങൾ ആവശ്യമാണ്.

ഡെവലപ്പർമാർ തന്നെ ചിപ്പിനായി ആദ്യം സജ്ജീകരിച്ച ആവശ്യകതകൾ അവയെ വളരെ കർശനമായ ചട്ടക്കൂടിനുള്ളിൽ സ്ഥാപിച്ചു: ഒരു വശത്ത്, പരിഹാരം ഊർജ്ജ കാര്യക്ഷമമായിരിക്കണം, മറുവശത്ത്, അത് ലളിതമായ വിവരങ്ങളുടെ ബ്ലോക്കുകൾ ഉപയോഗിച്ച് പ്രവർത്തിക്കണം. അവസാനമായി, ചിപ്പിന് നിലവിലുള്ള ജോലികൾ കണക്കിലെടുത്ത് വ്യത്യസ്ത തരം ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ അനുകരിക്കാൻ കഴിയണം. ഈ ആവശ്യകതകളെല്ലാം ഐറിസ് പ്രോസസറിൽ വിജയകരമായി നടപ്പിലാക്കി.

എംഐടി ലബോറട്ടറിയിൽ വികസിപ്പിച്ചെടുത്ത ചിപ്പ്, ഇതിനകം രൂപീകരിച്ച ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കാണ്, ഇത് 168-കോർ പ്രൊസസറിൻ്റെ തലത്തിൽ പ്രാദേശികവൽക്കരിച്ചു, ഭാവിയിൽ ഇത് മൊബൈൽ ഉപകരണങ്ങളിലേക്ക് നിർമ്മിക്കാൻ കഴിയും.

കോറുകളും ബാഹ്യ മെമ്മറി ബാങ്കുകളും തമ്മിലുള്ള ആശയവിനിമയത്തിൻ്റെ ആവൃത്തി കുറയ്ക്കുക എന്നതാണ് ഐറിസിൻ്റെ കാര്യക്ഷമതയുടെ താക്കോൽ, ഉയർന്ന വൈദ്യുതി ഉപഭോഗവും സമയച്ചെലവുമായി ബന്ധപ്പെട്ട ഒരു പ്രവർത്തനമാണിത്. പരമ്പരാഗത ജിപിയു കോറുകൾ ഒരു പൊതു മെമ്മറി ബാങ്ക് പങ്കിടുമ്പോൾ, ഓരോ ഐറിസ് കോറിനും അതിൻ്റേതായ മെമ്മറി ഉണ്ട്. കൂടാതെ, അയൽ കോറുകളിലേക്ക് അയയ്ക്കുന്നതിന് മുമ്പ് ഡാറ്റ ഒരു കംപ്രഷൻ നടപടിക്രമത്തിന് വിധേയമാകുന്നു.

സിസ്റ്റം മെമ്മറി ബസിൻ്റെ രൂപത്തിൽ "ഇടനിലക്കാരനെ" മറികടന്ന്, പരസ്പരം നേരിട്ട് "ആശയവിനിമയം" നടത്താനുള്ള കോറുകളുടെ കഴിവാണ് നടപ്പിലാക്കിയ അൽഗോരിതത്തിൻ്റെ മറ്റൊരു നേട്ടം. കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ (CNN) പ്രവർത്തനത്തെ അനുകരിക്കുന്നതിനുള്ള ഒരു നിർണായക സവിശേഷതയാണിത്. ഇമേജ്, സ്പീച്ച് തിരിച്ചറിയൽ എന്നിവയ്ക്ക് ആവശ്യമായ എല്ലാ കംപ്യൂട്ടേഷണൽ ജോലികളും നെറ്റ്‌വർക്ക് ഉറവിടങ്ങൾ ആക്‌സസ് ചെയ്യാതെ തന്നെ ഐറിസിൽ പ്രാദേശികമായി നടപ്പിലാക്കുന്നു, ഇത് ബാഹ്യ നെറ്റ്‌വർക്കിൻ്റെ അഭാവത്തിൽ പോലും ഉപകരണത്തെ കാര്യക്ഷമമായി പ്രവർത്തിക്കാൻ അനുവദിക്കുന്നു.

അവസാനമായി, Eyeriss-ൻ്റെ മറ്റൊരു നേട്ടം, പരിഹരിക്കപ്പെടേണ്ട ഒരു പ്രശ്നത്തിൻ്റെ ചട്ടക്കൂടിനുള്ളിൽ കോറുകൾക്കിടയിൽ വ്യക്തിഗത കമ്പ്യൂട്ടിംഗ് ജോലികളുടെ "സ്മാർട്ട്" വിതരണത്തിൻ്റെ തത്വമാണ്. അതിൻ്റെ ലോക്കൽ മെമ്മറിയിൽ, നോഡുകൾ പ്രോസസ്സ് ചെയ്ത ഡാറ്റ മാത്രമല്ല, നോഡുകളെ വിവരിക്കുന്ന ഡാറ്റയും കേർണൽ സംഭരിച്ചിരിക്കണം. ഡാറ്റ പ്രോസസ്സിംഗ് പ്രക്രിയയുടെ പരമാവധി പ്രകടനം ഉറപ്പാക്കുന്നതിനും, പ്രധാന മെമ്മറിയിൽ നിന്ന് പരമാവധി ഡാറ്റ ഉപയോഗിച്ച് ഐറിസ് ലോഡ് ചെയ്യുന്നതിനും, രണ്ട് തരത്തിലുള്ള ഡാറ്റയും വിതരണം ചെയ്യുന്നതിനുള്ള അൽഗോരിതം തത്സമയം ഇതിനായി പ്രത്യേകം രൂപകൽപ്പന ചെയ്ത ഒരു ചിപ്പ് ഉപയോഗിച്ച് ഒപ്റ്റിമൈസ് ചെയ്യുന്നു. , നിലവിലെ ന്യൂറൽ നെറ്റ്‌വർക്കിൻ്റെ സവിശേഷതകൾ കണക്കിലെടുക്കുന്നു.

സാൻഫ്രാൻസിസ്കോയിൽ നടന്ന ഇൻ്റർനാഷണൽ സോളിഡ് സ്റ്റേറ്റ് സർക്യൂട്ട് കോൺഫറൻസിൽ, ഡെവലപ്മെൻ്റ് ടീം, "ഉപയോക്താവ്" ലെവൽ ഐറിസ് ചിപ്പിൻ്റെ കഴിവുകൾ ഉപയോഗിച്ച്, ഒരു പ്രാദേശിക ന്യൂറൽ നെറ്റ്‌വർക്കിനുള്ളിൽ ഒരു പാറ്റേൺ തിരിച്ചറിയൽ അൽഗോരിതം നടപ്പിലാക്കുന്നത് പ്രകടമാക്കി. പത്രക്കുറിപ്പിൽ സൂചിപ്പിച്ച സമാനമായ ഒരു ചുമതല നേരത്തെ നടപ്പിലാക്കിയിരുന്നു, എന്നാൽ ഏറ്റവും ആധുനിക ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ സർക്കാർ പദ്ധതികളുടെ തലത്തിൽ സൃഷ്ടിച്ചു.

“ഈ ജോലി പ്രധാനമാണ്, കാരണം ആഴത്തിലുള്ള പഠന പ്രോസസ്സറുകൾക്ക് ആവശ്യമായ ശക്തിയും ഒപ്റ്റിമൈസേഷൻ പ്രകടനവും നൽകാനും ക്ലൗഡിൽ നിന്ന് മൊബൈൽ ഉപകരണങ്ങളിലേക്ക് സങ്കീർണ്ണമായ കമ്പ്യൂട്ടിംഗ് കൊണ്ടുവരാനും കഴിയുമെന്ന് ഇത് തെളിയിക്കുന്നു,” സാംസങ്ങിൻ്റെ മൊബൈൽ പ്രോസസർ ഇന്നൊവേഷൻസ് ലാബിൻ്റെ സീനിയർ വൈസ് പ്രസിഡൻ്റ് മൈക്ക് പോളി പറഞ്ഞു. "ഒരു നൂതനമായ ഹാർഡ്‌വെയർ സൊല്യൂഷനുകൾക്ക് പുറമേ, AlexNet, Caffe എന്നിവയുടെ സ്റ്റാൻഡേർഡ് നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചർ ഉപയോഗിച്ച് ആപ്ലിക്കേഷൻ ഡെവലപ്പർമാർക്ക് എംബഡഡ് കേർണൽ എങ്ങനെ ഉപയോഗപ്രദമാക്കാമെന്ന് MIT ഗവേഷണം വ്യക്തമായി തെളിയിക്കുന്നു."

എംഐടി ലബോറട്ടറി അടിസ്ഥാനമാക്കിയുള്ള ഒരു യൂണിറ്റ് സൃഷ്ടിക്കുന്നത് മുതൽ ഐറിസ് പ്രോജക്റ്റിനുള്ള ധനസഹായം ഭാഗികമായി നൽകിയത് അമേരിക്കൻ പ്രതിരോധ ഏജൻസിയായ DARPA ആണ്. ശ്രദ്ധേയമായ എഡിറ്റോറിയൽ മെറ്റീരിയലുമായി പ്രോസസറിൻ്റെ പ്രഖ്യാപനത്തോട് ആദ്യമായി പ്രതികരിച്ചത് പ്രശസ്ത സൈനിക അനലിസ്റ്റ് പാട്രിക് ടക്കറാണെന്നതിൽ അതിശയിക്കാനില്ല. യുഎസ് സൈനികരുടെ മൊബൈൽ ഉപകരണങ്ങളിൽ ഇൻസ്റ്റാൾ ചെയ്ത പുതിയ ഐറിസ് പ്രോസസറുകൾ, ഒരു പൊതു നെറ്റ്‌വർക്കിലേക്ക് കണക്റ്റുചെയ്യാതെ തന്നെ വലിയ അളവിലുള്ള വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നതുമായി ബന്ധപ്പെട്ട സങ്കീർണ്ണമായ കമ്പ്യൂട്ടിംഗ് പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ പ്രാപ്തനാകുമെന്ന് അദ്ദേഹത്തിൻ്റെ അഭിപ്രായത്തിൽ.

അതിനാൽ, അഫ്ഗാനിസ്ഥാന് മുകളിലൂടെ പറക്കുന്ന ഡ്രോണുകളിൽ നിന്ന് 1,500 മണിക്കൂർ വരെ എച്ച്ഡി വീഡിയോയും 1,500 അൾട്രാ ഹൈ-റെസല്യൂഷൻ ഫോട്ടോഗ്രാഫുകളും യുഎസ് വ്യോമസേനയ്ക്ക് നിലവിൽ ലഭിക്കുന്നു. മാത്രമല്ല, ഗൈഡഡ് മിസൈലുകൾക്കായുള്ള ലോഞ്ചറുമായി ഒരു തീവ്രവാദിയിൽ നിന്ന് ഒരു വടിയുമായി പർവത പാതയിലൂടെ നടക്കുന്ന ഒരു കർഷകനെ തിരിച്ചറിയാൻ നിലവിലുള്ള കമ്പ്യൂട്ടർ സോഫ്റ്റ്വെയറിന് കഴിയാത്തതിനാൽ, ഈ അനന്തമായ വിവരങ്ങളുടെ പ്രവാഹങ്ങളെല്ലാം പഴയ രീതിയിലുള്ള രീതിയിൽ ഓപ്പറേറ്റർമാർ ദൃശ്യപരമായി വിശകലനം ചെയ്യേണ്ടതുണ്ട്. . അത്തരം പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന്, പ്രാതിനിധ്യ പഠനത്തെ അടിസ്ഥാനമാക്കിയുള്ള മെഷീൻ ലേണിംഗ് രീതികൾ തുടക്കത്തിൽ സൃഷ്ടിക്കാൻ തുടങ്ങി.

ആളില്ലാ സൈനിക ഡ്രോണുകളിൽ ഇൻസ്റ്റാൾ ചെയ്യാൻ ഐറിസ് പ്രോസസറുകൾ അനുയോജ്യമാണ്, കാരണം വിമാനത്തിൽ നേരിട്ട് ആഴത്തിലുള്ള പഠന സാങ്കേതികവിദ്യകൾ ഉപയോഗിച്ച് ചിത്രങ്ങളുടെയും വീഡിയോകളുടെയും ഇൻ്റലിജൻ്റ് പ്രോസസ്സിംഗ് അവ അനുവദിക്കും. ഈ സാഹചര്യത്തിൽ, സ്‌ക്രീൻ ചെയ്‌ത ഉപയോഗപ്രദമായ ഡാറ്റ, പ്രവർത്തന വിവരങ്ങൾ വിശകലനം ചെയ്യുന്നതിനുള്ള കേന്ദ്രത്തെ മറികടന്ന് നിർദ്ദിഷ്ട പ്രദേശത്ത് പ്രവർത്തിക്കുന്ന കോംബാറ്റ് യൂണിറ്റുകളിലേക്ക് നേരിട്ട് അയയ്ക്കാം.

ചെറു വിവരണം

പരീക്ഷണങ്ങൾക്കിടയിൽ, ഐറിസ് ചിപ്പ് ആധുനിക മൊബൈൽ ഗ്രാഫിക്സ് ചിപ്പുകളേക്കാൾ പത്തിരട്ടി ഊർജ്ജ ദക്ഷത പ്രകടമാക്കി. അതേസമയം, അതിൻ്റെ സഹായത്തോടെ കോംപാക്റ്റ് വലുപ്പമുള്ള ഉപകരണങ്ങളിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് അൽഗോരിതങ്ങളുടെ പ്രവർത്തനം ഉറപ്പാക്കുന്നത് സാങ്കേതികമായി സാധ്യമാണ് - സ്മാർട്ട്‌ഫോണുകളും ടാബ്‌ലെറ്റുകളും മുതൽ ധരിക്കാവുന്ന ഇലക്ട്രോണിക്സ് വരെ. ചിപ്പിന് ഭൂരിഭാഗം കണക്കുകൂട്ടലുകളും പ്രാദേശികമായി നിർവഹിക്കാൻ കഴിയുമെന്നതിനാൽ, അത്തരം ഒരു പ്രോസസറിനായുള്ള ഡാറ്റാ എക്സ്ചേഞ്ച് സമയത്ത് നെറ്റ്‌വർക്കുകൾ സൃഷ്ടിക്കുന്ന കാലതാമസം കുറയ്ക്കുന്നു. ഐറിസിനെ അടിസ്ഥാനമാക്കി, എല്ലാത്തരം “സ്‌മാർട്ട് ഉപകരണങ്ങളും” മാത്രമല്ല, തീരുമാനമെടുക്കുന്നതിൽ ഒരു പരിധിവരെ സ്വാതന്ത്ര്യമുള്ള റോബോട്ടുകളും സൃഷ്ടിക്കാൻ കഴിയും.

MIT ഡെവലപ്പർമാർ ഇതുവരെ നിർദ്ദിഷ്ട സമയ ഇടവേളകൾക്ക് പേര് നൽകിയിട്ടില്ല, ഈ സമയത്ത് ഐറിസിന് ഒരു വാണിജ്യ ഉൽപ്പന്നമായി മാറാനും ഉപഭോക്തൃ തലത്തിൽ അതിൻ്റെ കഴിവുകൾ പൂർണ്ണമായി വെളിപ്പെടുത്താനും കഴിയും. വികസനത്തിലെ പ്രമുഖ എൻവിഡിയ സ്പെഷ്യലിസ്റ്റുകളുടെ പങ്കാളിത്തവും സാംസങ്ങിൽ നിന്നുള്ള ഉത്തരവാദിത്തമുള്ള ഗവേഷകരുടെ താൽപ്പര്യവും ചില ശുഭാപ്തിവിശ്വാസം പ്രചോദിപ്പിക്കുന്നു.