Salah satu bidang yang paling menjanjikan untuk pembangunan seni bina sistem pengkomputeran yang asasnya berkait rapat dengan penciptaan komputer generasi baru berdasarkan prinsip pemprosesan maklumat yang tertanam dalam rangkaian saraf tiruan(NS). Kerja amali pertama pada rangkaian saraf tiruan dan neurokomputer bermula pada tahun 40-an dan 50-an. Rangkaian saraf biasanya difahami sebagai satu set penukar maklumat asas, dipanggil "neuron," yang disambungkan dengan cara tertentu antara satu sama lain melalui saluran pertukaran maklumat "sambungan sinaptik."

Neuron, pada dasarnya, ialah pemproses asas yang dicirikan oleh keadaan input dan output, fungsi pemindahan (fungsi pengaktifan) dan memori tempatan. Keadaan neuron berubah semasa operasi dan membentuk ingatan jangka pendek rangkaian saraf. Setiap neuron mengira jumlah wajaran isyarat yang tiba kepadanya melalui sinaps dan melakukan transformasi tak linear padanya. Apabila dihantar merentasi sinaps, isyarat didarab dengan faktor pemberat tertentu. Taburan pekali pemberat mengandungi maklumat yang disimpan dalam ingatan bersekutu rangkaian saraf. Elemen utama reka bentuk rangkaian ialah latihannya. Apabila melatih dan melatih semula rangkaian saraf, pekali pemberatnya berubah. Walau bagaimanapun, ia kekal berterusan semasa rangkaian saraf berfungsi, membentuk ingatan jangka panjang.

N C boleh terdiri daripada satu lapisan, dua lapisan, tiga atau lebih, bagaimanapun, sebagai peraturan, lebih daripada tiga lapisan dalam NN tidak diperlukan untuk menyelesaikan masalah praktikal.

Bilangan input NN menentukan dimensi ruang hiper, di mana isyarat input boleh diwakili oleh titik atau hyperregions titik jarak rapat. Bilangan neuron dalam lapisan rangkaian menentukan bilangan hyperplanes dalam hyperspace. Mengira jumlah berwajaran dan melakukan transformasi tak linear membolehkan untuk menentukan di sebelah mana pada satah hiper tertentu titik isyarat input terletak dalam ruang besar.

Mari kita ambil masalah klasik pengecaman corak: menentukan sama ada titik tergolong dalam satu daripada dua kelas. Masalah ini diselesaikan secara semula jadi menggunakan neuron tunggal. Ia akan membolehkan hyperspace dibahagikan kepada dua hyperregions tidak bersilang dan tidak bersarang. Realitinya, isyarat input dalam masalah yang diselesaikan menggunakan rangkaian saraf membentuk kawasan yang sangat bersarang atau bersilang dalam ruang hiper, yang tidak boleh dipisahkan menggunakan neuron tunggal. Ini hanya boleh dilakukan dengan melukis hypersurface tak linear antara kawasan. Ia boleh diterangkan menggunakan polinomial tertib ke-n. Walau bagaimanapun, fungsi kuasa dikira terlalu perlahan dan oleh itu sangat menyusahkan untuk pengkomputeran. Pilihan alternatif adalah untuk menganggarkan hiperpermukaan dengan hyperplanes linear. Adalah jelas bahawa ketepatan anggaran bergantung pada bilangan hyperplanes yang digunakan, yang seterusnya, bergantung kepada bilangan neuron dalam rangkaian. Oleh itu keperluan timbul untuk pelaksanaan perkakasan sebanyak mungkin neuron dalam rangkaian. Bilangan neuron dalam satu lapisan rangkaian menentukan resolusinya. Rangkaian saraf satu lapisan tidak boleh memisahkan imej yang bergantung secara linear. Oleh itu, adalah penting untuk dapat melaksanakan rangkaian neural berbilang lapisan dalam perkakasan.

DAN rangkaian saraf tiruan mempunyai sifat yang menakjubkan. Mereka tidak memerlukan pembangunan perisian terperinci dan membuka kemungkinan menyelesaikan masalah yang tidak ada model teori atau peraturan heuristik yang menentukan algoritma penyelesaian. Rangkaian sedemikian mempunyai keupayaan untuk menyesuaikan diri dengan perubahan dalam keadaan operasi, termasuk kemunculan faktor yang tidak dijangka sebelum ini. Mengikut sifatnya, NN ialah sistem dengan tahap paralelisme yang sangat tinggi.

DALAM neurokomputer prinsip pemprosesan maklumat yang dijalankan dalam rangkaian neural sebenar digunakan. Alat pengkomputeran yang asasnya baharu dengan seni bina yang tidak konvensional ini membolehkan pemprosesan berprestasi tinggi tatasusunan maklumat berskala besar. Tidak seperti sistem pengkomputeran tradisional, komputer rangkaian saraf, serupa dengan rangkaian saraf, memungkinkan untuk memproses aliran maklumat isyarat diskret dan berterusan dengan kelajuan yang lebih tinggi, mengandungi elemen pengkomputeran mudah dan dengan tahap kebolehpercayaan yang tinggi membolehkan menyelesaikan masalah maklumat pemprosesan data, manakala menyediakan mod penstrukturan semula kendiri persekitaran pengkomputeran dalam bergantung kepada penyelesaian yang diperolehi.

Secara umumnya, istilah "Neurocomputer" pada masa ini bermaksud kelas komputer yang agak luas. Ini berlaku atas sebab mudah bahawa secara rasmi, sebarang pelaksanaan perkakasan algoritma rangkaian saraf boleh dianggap sebagai komputer neuro, daripada model mudah neuron biologi kepada sistem pengecaman aksara atau sasaran bergerak. Neurokomputer bukanlah komputer dalam erti kata konvensional. Pada masa ini, teknologi belum mencapai tahap pembangunan di mana seseorang boleh bercakap tentang komputer neuro tujuan umum (yang juga akan menjadi kecerdasan buatan). Sistem dengan nilai tetap pekali pemberat secara amnya adalah yang paling khusus dalam keluarga rangkaian saraf. Rangkaian pembelajaran lebih fleksibel kepada pelbagai masalah yang mereka selesaikan. Oleh itu, pembinaan neurokomputer adalah setiap kali bidang yang paling luas untuk aktiviti penyelidikan dalam bidang pelaksanaan perkakasan hampir semua elemen rangkaian saraf.

Pada permulaan abad ke-21, tidak seperti 40-50-an abad yang lalu, terdapat keperluan praktikal objektif untuk mempelajari cara membuat neurokomputer, i.e. adalah perlu untuk melaksanakan dalam perkakasan yang agak banyak neuron operasi selari, dengan berjuta-juta sambungan-sinaps yang diubah suai tetap atau selari, dengan beberapa lapisan neuron yang bersambung sepenuhnya. Pada masa yang sama, teknologi elektronik bersepadu hampir meletihkan keupayaan fizikalnya. Dimensi geometri transistor tidak lagi boleh dikurangkan secara fizikal: dengan saiz yang boleh dicapai secara teknologi dari urutan 1 mikron atau kurang, fenomena fizikal muncul yang tidak dapat dilihat dengan saiz besar unsur aktif - kesan saiz kuantum mula mempunyai kesan yang kuat. Transistor berhenti berfungsi sebagai transistor.

Untuk pelaksanaan perkakasan rangkaian saraf, medium storan baharu diperlukan. Pembawa maklumat baharu sedemikian mungkin ringan, yang akan meningkatkan prestasi pengiraan secara mendadak dengan beberapa susunan magnitud.

Satu-satunya teknologi untuk pelaksanaan perkakasan rangkaian saraf yang boleh menggantikan optik dan optoelektronik pada masa hadapan ialah nanoteknologi, mampu menyediakan bukan sahaja tahap maksimum fizikal integrasi unsur kuantum submolekul dengan kelajuan maksimum yang mungkin secara fizikal, tetapi juga seni bina tiga dimensi yang sangat diperlukan untuk pelaksanaan perkakasan rangkaian saraf.

Untuk masa yang lama, dipercayai bahawa neurokomputer berkesan untuk menyelesaikan apa yang dipanggil masalah tidak formal dan kurang boleh diformalkan yang berkaitan dengan keperluan untuk memasukkan proses pembelajaran menggunakan bahan eksperimen sebenar dalam algoritma untuk menyelesaikan masalah. Pertama sekali, masalah sedemikian termasuk tugas menghampiri bentuk fungsi tertentu yang mengambil set nilai diskret, i.e. masalah pengecaman corak.

Pada masa ini, kelas masalah sedang ditambah ke kelas masalah ini, yang kadangkala tidak memerlukan latihan mengenai bahan eksperimen, tetapi diwakili dengan baik dalam asas logik rangkaian saraf. Ini termasuk tugas dengan keselarian semula jadi yang jelas bagi pemprosesan isyarat, pemprosesan imej, dsb.. Pandangan bahawa pada masa hadapan neurokomputer akan menjadi lebih cekap daripada seni bina lain boleh disahkan, khususnya, oleh pengembangan mendadak dalam beberapa tahun kebelakangan ini kelas masalah matematik umum diselesaikan dalam asas logik rangkaian saraf. Ini, sebagai tambahan kepada yang disenaraikan di atas, termasuk masalah menyelesaikan persamaan algebra linear dan bukan linear dan ketaksamaan dimensi tinggi; sistem persamaan pembezaan tak linear; persamaan pembezaan separa; masalah pengoptimuman dan masalah lain.

Rangkaian saraf biasanya difahami sebagai satu set penukar maklumat asas, dipanggil "neuron," yang disambungkan dengan cara tertentu antara satu sama lain melalui saluran pertukaran maklumat—"sambungan sinaptik."

Neuron pada asasnya ialah pemproses asas yang dicirikan oleh keadaan input dan output, fungsi pemindahan (fungsi pengaktifan) dan memori tempatan.

nasi. 8.1.

Keadaan neuron berubah semasa operasi dan membentuk ingatan jangka pendek rangkaian saraf. Setiap neuron mengira jumlah wajaran isyarat yang tiba kepadanya melalui sinaps dan melakukan transformasi tak linear padanya. Apabila dihantar merentasi sinaps, isyarat didarab dengan faktor pemberat tertentu. Taburan pekali berat mengandungi maklumat yang disimpan dalam ingatan bersekutu rangkaian saraf. Elemen utama reka bentuk rangkaian ialah latihannya. Apabila melatih dan melatih semula rangkaian saraf, pekali pemberatnya berubah. Walau bagaimanapun, ia kekal berterusan semasa rangkaian saraf berfungsi, membentuk ingatan jangka panjang.

NN boleh terdiri daripada satu lapisan, dua, tiga atau lebih lapisan, bagaimanapun, sebagai peraturan, lebih daripada tiga lapisan dalam NN tidak diperlukan untuk menyelesaikan masalah praktikal.

Bilangan input NS menentukan dimensi ruang hiper, di mana isyarat input boleh diwakili oleh titik atau hyperregions titik jarak rapat. Bilangan neuron dalam lapisan rangkaian menentukan bilangannya hyperplanes V ruang hiper. Mengira jumlah berwajaran dan melakukan transformasi tak linear memungkinkan untuk menentukan di sebelah mana pada hyperplane tertentu titik isyarat input terletak di ruang hiper.

nasi. 8.2.

Mari kita ambil masalah klasik pengecaman corak: menentukan sama ada titik tergolong dalam satu daripada dua kelas. Masalah ini diselesaikan secara semula jadi menggunakan neuron tunggal. Ia akan membolehkan anda membahagikan ruang hiper menjadi dua hiperdomain berpisah dan tidak bersarang. Isyarat input dalam masalah yang diselesaikan menggunakan bentuk rangkaian saraf ruang hiper kawasan yang sangat bersarang atau bertindih yang tidak boleh dipisahkan menggunakan satu neuron. Ini hanya boleh dilakukan dengan melukis hypersurface tak linear antara kawasan. Ia boleh diterangkan menggunakan polinomial tertib ke-n. Walau bagaimanapun, fungsi kuasa dikira terlalu perlahan dan oleh itu sangat menyusahkan untuk pengkomputeran. Pilihan alternatif adalah untuk menganggarkan hypersurface secara linear hyperplanes. Adalah jelas bahawa ketepatan anggaran bergantung pada bilangan yang digunakan hyperplanes, yang, seterusnya, bergantung kepada bilangan neuron dalam rangkaian. Oleh itu keperluan timbul untuk pelaksanaan perkakasan sebanyak mungkin neuron dalam rangkaian. Bilangan neuron dalam satu lapisan rangkaian menentukan resolusinya. Rangkaian saraf satu lapisan tidak boleh memisahkan imej yang bergantung secara linear. Oleh itu, adalah penting untuk dapat melaksanakan rangkaian neural berbilang lapisan dalam perkakasan.

nasi. 8.3.

Rangkaian saraf tiruan mempunyai sifat yang menakjubkan. Mereka tidak memerlukan pembangunan perisian terperinci dan membuka kemungkinan menyelesaikan masalah yang tidak ada model teori atau peraturan heuristik yang menentukan algoritma penyelesaian. Rangkaian sedemikian mempunyai keupayaan untuk menyesuaikan diri dengan perubahan dalam keadaan operasi, termasuk kemunculan faktor yang tidak dijangka sebelum ini. Mengikut sifatnya, NN ialah sistem dengan tahap paralelisme yang sangat tinggi.

Neurokomputer menggunakan prinsip pemprosesan maklumat yang dijalankan dalam rangkaian neural sebenar. Alat pengkomputeran yang asasnya baharu dengan seni bina yang tidak konvensional ini membolehkan pemprosesan berprestasi tinggi tatasusunan maklumat berskala besar. Tidak seperti sistem pengkomputeran tradisional, komputer rangkaian saraf, serupa dengan rangkaian saraf, memungkinkan untuk memproses aliran maklumat isyarat diskret dan berterusan dengan kelajuan yang lebih tinggi, mengandungi elemen pengiraan mudah dan dengan tahap kebolehpercayaan yang tinggi membolehkan menyelesaikan masalah maklumat pemprosesan data, sambil menyediakan mod pembinaan semula kendiri persekitaran pengkomputeran bergantung kepada penyelesaian yang diperolehi.

Secara umumnya, istilah "komputer saraf" pada masa ini bermaksud kelas komputer yang agak luas. Ini berlaku atas sebab mudah bahawa secara rasmi sebarang pelaksanaan perkakasan boleh dianggap sebagai komputer neuro. algoritma rangkaian saraf, daripada model neuron biologi mudah kepada watak atau sistem pengecaman sasaran bergerak. Neurokomputer bukanlah komputer dalam erti kata konvensional. Pada masa ini, teknologi belum mencapai tahap pembangunan di mana seseorang boleh bercakap tentang komputer neuro tujuan umum (yang juga akan menjadi kecerdasan buatan). Sistem dengan nilai tetap pekali pemberat secara amnya adalah yang paling khusus dalam keluarga rangkaian saraf. Rangkaian pembelajaran lebih disesuaikan dengan pelbagai masalah yang diselesaikan. Rangkaian pembelajaran lebih fleksibel dan mampu menyelesaikan pelbagai masalah. Oleh itu, pembinaan neurokomputer adalah setiap kali bidang yang paling luas untuk aktiviti penyelidikan dalam bidang pelaksanaan perkakasan hampir semua elemen rangkaian saraf.

Pada permulaan abad ke-21, tidak seperti 40-50-an abad yang lalu, terdapat keperluan praktikal yang objektif untuk mempelajari cara mencipta neurokomputer, i.e. adalah perlu untuk melaksanakan dalam perkakasan yang agak banyak neuron operasi selari, dengan berjuta-juta sambungan-sinaps yang diubah suai tetap atau selari, dengan beberapa lapisan neuron yang bersambung sepenuhnya.

Pada masa yang sama, keupayaan fizikal teknologi elektronik bersepadu tidak terhad. Dimensi geometri transistor tidak lagi boleh dikurangkan secara fizikal: dengan saiz yang boleh dicapai secara teknologi dari urutan 1 mikron atau kurang, fenomena fizikal muncul yang tidak dapat dilihat dengan saiz besar unsur aktif - kesan saiz kuantum mula mempunyai kesan yang kuat. Transistor berhenti berfungsi sebagai transistor.

Untuk pelaksanaan perkakasan NN, medium storan baharu diperlukan. Pembawa maklumat baharu sedemikian mungkin ringan, yang membolehkan seseorang meningkat secara mendadak, dengan beberapa urutan magnitud, prestasi pengiraan.

Satu-satunya teknologi untuk pelaksanaan perkakasan NS yang boleh menggantikan optik dan optoelektronik pada masa hadapan ialah nanoteknologi, yang boleh menyediakan bukan sahaja tahap maksimum fizikal integrasi unsur kuantum submolekul dengan kelajuan maksimum yang mungkin secara fizikal, tetapi juga seni bina tiga dimensi. sangat diperlukan untuk pelaksanaan perkakasan NS.

Untuk masa yang lama dipercayai bahawa neurokomputer berkesan dalam menyelesaikan apa yang dipanggil tugas tidak formal dan kurang formalizable berkaitan dengan keperluan untuk memasukkan proses pembelajaran menggunakan bahan eksperimen sebenar dalam algoritma untuk menyelesaikan masalah. Pertama sekali, masalah sedemikian termasuk tugas menghampiri bentuk fungsi tertentu yang mengambil set nilai diskret, iaitu, masalah pengecaman corak.

Pada masa ini, kelas masalah sedang ditambah ke kelas masalah ini, yang kadangkala tidak memerlukan latihan mengenai bahan eksperimen, tetapi diwakili dengan baik dalam asas logik rangkaian saraf. Ini termasuk tugas dengan keselarian semula jadi yang ketara dalam pemprosesan isyarat, pemprosesan imej, dan lain-lain. Pandangan bahawa pada masa hadapan neurokomputer akan menjadi lebih cekap daripada seni bina lain boleh disahkan, khususnya, dengan pengembangan mendadak dalam beberapa tahun kebelakangan ini kelas masalah matematik am diselesaikan dalam asas logik rangkaian saraf. Ini, sebagai tambahan kepada yang disenaraikan di atas, termasuk masalah menyelesaikan persamaan algebra linear dan bukan linear dan ketaksamaan dimensi tinggi; sistem persamaan pembezaan tak linear; persamaan pembezaan separa; masalah pengoptimuman dan masalah lain.

Mencapai penguasaan global adalah berdasarkan dua strategi utama: keunggulan maklumat dan keunggulan teknologi. Bagi yang terakhir, peralihan kepada pembentukan sosio-ekonomi baharu masyarakat pasca industri membawa kepada teknologi seperti genetik dan biokejuruteraan, nanoteknologi dan neuroinformatik.

Neuroinformatik, berdasarkan prinsip dan mekanisme fungsi otak, boleh memberikan keunggulan teknologi dan maklumat. Bukan kebetulan bahawa hari ini neurokomputer menduduki salah satu tempat paling penting di antara perkembangan senjata dan peralatan ketenteraan yang menjanjikan.

Terdapat beberapa pelaksanaan yang diketahui bagi pelbagai model rangkaian saraf dalam kristal neuropemproses. Sesetengah bekerja lebih baik, yang lain lebih teruk, tetapi mereka semua mempunyai satu persamaan - keinginan untuk menembusi rahsia otak manusia.

Dalam katalog produk Intel, dua perkembangan menonjol, ditugaskan oleh DARPA (Defense Advanced Research Projects Agency): neuropemproses analog i80170NX dan yang digital - i80160NC atau Ni1000.

Neuropemproses ialah nadi kepada teknologi pengkomputeran generasi baharu - neurokomputer. Asas untuk berfungsinya mesin tersebut adalah memodelkan cara maklumat diproses oleh sistem saraf dan otak manusia. Adalah dipercayai bahawa arah ini bermula pada tahun 1943, apabila saintis Amerika W. McCulloch dan W. Pitts menerbitkan artikel di mana neuron - sel-sel sistem saraf - dianggap sebagai peranti logik yang paling mudah.

Neuron tiruan McCulloch dan Pitts meniru, kepada anggaran pertama, sifat neuron biologi. Input neuron buatan tersebut menerima banyak isyarat, setiap satunya adalah keluaran neuron lain. Setiap isyarat input didarab dengan pekali tertentu yang mencerminkan sumbangan yang dibuat oleh isyarat ini kepada nilai isyarat keluaran neuron. Isyarat yang diterima oleh neuron dan didarab dengan pekali sepadannya disimpulkan, dan jika jumlah isyarat lebih besar daripada ambang tertentu, neuron diaktifkan dan mengeluarkan satu impuls kepada neuron yang berkaitan dengannya. Dengan menukar nilai pekali pemberat pada input neuron dengan sewajarnya, anda boleh mendapatkan nilai yang diperlukan pada output rangkaian. Proses melaraskan pekali berat dipanggil latihan rangkaian saraf. Dengan analogi dengan pembelajaran manusia, rangkaian saraf boleh dilatih dengan guru atau secara bebas, melalui organisasi diri.

Kesederhanaan model neuron yang dicadangkan memberi inspirasi kepada banyak penyelidik yang berusaha untuk menembusi rahsia otak manusia.

Pada akhir 1950-an, F. Rosenblatt Amerika, cuba menjelaskan operasi neuron biologi, mencadangkan modelnya - perceptron. Pada awal 60-an, ahli matematik R. Blok merumuskan teorem pengecaman, dan jurutera radio B. Widrow membangunkan dan melaksanakan rangkaian saraf tiruan pertama, yang dikenali dalam kesusasteraan sebagai "Adaline." Dia juga mencipta algoritma yang mengajarnya mengenali imej.

Walau bagaimanapun, sehingga pertengahan 80-an, rangkaian saraf tidak menerima pembangunan lanjut. Jeda antara amalan dan teori serta ketidaksempurnaan teknologi memberi kesan. Model perisian yang digunakan tidak dapat mendedahkan semua kelebihan rangkaian saraf, dan penciptaan pelaksanaan perkakasan mereka memerlukan kos yang besar memandangkan tahap teknologi pada masa itu. Komputer besar tradisional (kerangka utama) dianggap lebih menjanjikan, tetapi pertumbuhan pesat dalam bilangan tugas yang sangat kompleks memaksa kami beralih semula kepada rangkaian saraf tiruan.

Intel adalah salah satu gergasi industri komputer pertama yang berminat dengan keupayaan rangkaian neural buatan. Kerja mengenai topik ini bermula pada tahun 1988. Pada tahun berikutnya, sampel kerja pertama neuropemproses i80170NX telah dibentangkan. Setahun kemudian, Intel (bersama-sama dengan Nestor dan dengan sokongan kewangan daripada DARPA) mula membangunkan neurochip digital Ni1000, yang diumumkan pada tahun 1993 sebagai i80160NC.

Pemproses rangkaian saraf i80170NX ETANN (Electrically Trainable Analog Neural Network) ialah cip unik yang direka untuk menyelesaikan masalah pengecaman corak. Pemproses meniru kerja 64 neuron biologi. Setiap neuron pemproses mempunyai 128 sinaps (input). Sebaliknya, setiap sinaps disambungkan ke input pemproses melalui beberapa peranti yang membolehkan anda menetapkan pekali yang mencirikan kekuatan sambungan ini, yang selaras sepenuhnya dengan model yang dicadangkan oleh W. McCulloch dan W. Pitts. Data pada input dan output pemproses adalah analog, tetapi fungsi kawalan, penetapan dan pekali berat bacaan adalah digital.

Neurocip ini serasi sepenuhnya dari segi tahap isyarat operasi dengan litar mikro CMOS dan TTL. Isyarat input kepada neuron boleh berbeza dari 0 hingga 2.8 V. Berat sinaps juga diwakili oleh voltan dalam julat dari -2.5 hingga 2.5 V. Pemproses dihasilkan menggunakan teknologi Intel berlesen - CHMOS III EEPROM.

Ciri seni bina yang sangat selari bagi rangkaian saraf dan beberapa ciri reka bentuk pemproses memungkinkan untuk mencapai kelajuan 2 bilion operasi sesaat! I80170NX ialah nadi papan pemecut saraf untuk PC. Prestasi papan sedemikian dengan lapan pemproses ialah 16 bilion operasi sesaat! Sehingga baru-baru ini, prestasi sedemikian adalah ciri superkomputer sahaja!

Butiran teknikal ringkas pemproses adalah seperti berikut:

• produktiviti 2 bilion op./s;
• mampu mengenali 300 ribu imej 128-bit sesaat;
• model 64 neuron;
• menyokong rangkaian neural Hopfield, multilayer perceptron dan model Madaline III.

Kemudahan mencipta aplikasi pada i80170NX dipastikan dengan kehadiran alat pembangunan yang berkuasa. Untuk reka bentuk rangkaian saraf, pakej iNNTS (Intel Neural Network Training System) dan EMB (ETANN Multi-Chip Board) dibekalkan. Pakej ini juga termasuk salah satu program untuk memodelkan dan mengkaji rangkaian saraf tiruan iBrainMaker dari California Scientific Software atau iDynaMind dari NeuroDynamX. Kedua-dua program mempunyai antara muka pengguna yang baik dan boleh digunakan untuk menunjukkan sifat dan keupayaan rangkaian saraf. Untuk kategori pengguna yang sama yang memutuskan untuk membangunkan model rangkaian saraf secara bebas, terdapat perpustakaan keseluruhan fungsi untuk mengawal neurochip - Training System Interface Lib (TSIL).

Satu lagi pembangunan Intel dalam bidang rangkaian saraf tiruan ialah pemproses i80160NC. Perbezaan utamanya daripada i80170NX ialah ia adalah digital sepenuhnya.

Data teknikal i80160NC:

• memori dalaman: 1 ribu imej 256-bit;
• jenis memori: Flash EPROM;
• bilangan maksimum kelas: 64;
• kelajuan pengecaman: 33 ribu imej sesaat pada frekuensi 33 MHz.
• Seperti i80170NX, pemproses i80160NC dibekalkan pada papan pemecut rangkaian saraf untuk PC. Ciri-ciri papan tersebut adalah seperti berikut:
• bas sistem ISA;
• kekerapan operasi 33 MHz;
• kelajuan bas 2 Mbit/s;
• kuasa 8 W.

Perisian berikut disokong:

• MS Windows 3.1;
• MS Excel 4.0;
• MS Visual C++, Borland C++.
• Alat pembangunan aplikasi berikut dibekalkan dengan papan:
• Asembler Ni1000;
• Ni1000 Emulator Lib.;
• Lib Perkakasan Ni1000.

Program Emulator Ni1000 membolehkan anda menyahpepijat kod aplikasi tanpa menggunakan pemproses, dan selepas menyelesaikan proses penyahpepijatan, teruskan bekerja pada perkakasan.

Ciri-ciri utama pemproses i80170NX dan i80160NC diberikan dalam jadual. 1.

Pemproses Ni1000 telah dibangunkan sebagai pilihan coprocessor untuk tugas pengecaman corak dan bertujuan untuk penyepaduan ke dalam pengimbas mudah alih berprestasi tinggi. Penggunaan teknologi rangkaian saraf telah memungkinkan untuk mencapai hasil yang ketara dalam menyelesaikan masalah kelas ini. Jadi, jika pemproses AMD29000 dan i80860 RISC membolehkan anda menyelesaikan beberapa masalah 2-5 kali lebih cepat, maka menggunakan i80160NC kelajuan menyelesaikan masalah yang serupa boleh meningkat sebanyak 100 malah 1000 kali ganda! Prestasi sedemikian memungkinkan untuk menggunakan kelas pemproses ini untuk menyelesaikan masalah yang paling kompleks - pengecaman cap jari.

Apakah yang dijanjikan oleh kemunculan keluarga pemproses yang begitu berkuasa di pasaran untuk pembangun dan pengguna komputer? Kini terdapat beberapa masalah dengan kerumitan yang sangat tinggi. Ini termasuk ramalan cuaca, kawalan trafik udara merentasi Atlantik dengan mengambil kira pergerakan jisim udara, pemodelan komputer letupan nuklear dan banyak lagi. Sehingga baru-baru ini, mereka cuba menyelesaikan masalah sedemikian pada superkomputer, tetapi kos peralatan tersebut sangat mengagumkan. Dalam Rajah. Rajah 2 menunjukkan kedudukan pelbagai superkomputer bergantung pada kos dan prestasinya. Jelas kelihatan bahawa i80160NC adalah pemimpin yang tidak dapat dipertikaikan. Ia meninggalkan raksasa seperti Cray dan Cyber ​​​​jauh di belakang.

Cakrawala baharu dibuka untuk pembangun sistem kecerdasan buatan. Kemunculan pemproses sedemikian bermakna satu kejayaan dalam menyelesaikan masalah pengecaman imej, dan oleh itu pengiktirafan teks tulisan tangan, pertuturan, dll. Oleh itu, pakar Jepun telah menunjukkan bahawa menggunakan rangkaian saraf adalah mungkin untuk menjalankan terjemahan serentak dari bahasa Jepun ke bahasa Inggeris.

Pencapaian yang berjaya dicapai oleh pakar Intel dalam memodelkan rangkaian saraf boleh diwakili oleh gambar rajah yang serupa dengan yang ditunjukkan dalam Rajah. 3, yang membandingkan rangkaian saraf organisma hidup dan yang disimulasikan menggunakan pemproses Intel.

Pembangun neuropemproses secara berseloroh memanggil idea mereka tidak lebih daripada "slug supersonik."

Impian manusia untuk mencipta mesin pengkomputeran yang mampu melebihi atau sekurang-kurangnya menyamai keupayaan intelek manusia masih jauh. Pada masa yang sama, kita boleh mengatakan dengan yakin bahawa kerja Intel untuk mencipta rangkaian saraf tiruan telah mendekatkan masa apabila otak tiruan akan menjadi nadi komputer meja.

Sejak pengeluaran pemproses Intel, banyak model neurokomputer telah muncul di dunia; sebahagian daripadanya boleh didapati dalam Jadual. 2.

Sehingga kini, sejumlah besar pelbagai papan pemecut dan neurokomputer khusus telah dibangunkan. Komputer saraf sudah digunakan dalam pelbagai bidang aktiviti manusia. Di Amerika Syarikat, terdapat sistem untuk mengesan bahan letupan plastik dalam bagasi penumpang udara berdasarkan rangkaian saraf. Banyak perhatian diberikan kepada isu penggunaan pemproses saraf dalam menukar sistem dalam rangkaian data. Terdapat sistem pengenalan cap jari menggunakan rangkaian saraf. Kesusasteraan menerangkan banyak kes lain kejayaan penggunaan pemproses saraf.

Ciri ciri pusingan baharu pembangunan teknologi komputer ialah ia membawa perubahan asas kepada dunia sains komputer. Dengan penubuhan teknologi komputer generasi akan datang dalam masyarakat, tidak akan ada keperluan untuk profesion seorang pengaturcara, dan tempatnya akan diambil oleh pakar dalam latihan neurokomputer. Pentauliahan setiap komputer baharu akan didahului dengan latihannya. Ada kemungkinan bahawa akan ada keperluan untuk ahli psikologi siber dan pendidik komputer saraf. Oleh itu, kita hidup pada titik perubahan dalam pembangunan sains komputer dan teknologi komputer, dan pemproses saraf Intel - tanda pertama era komputer saraf - telah memainkan peranan penting dalam fakta bahawa ia telah tiba.

kesusasteraan

1. A. Thakoor et al., Kajian Program DARPA, Dis. 1991, Washington, D.C.
2. M. Holler, S. Tam, H. Castro, R. Benson, "Rangkaian Neural Tiruan yang Boleh Dilatih Secara Elektrik (ETANN) dengan 10240 "Floating Grate" Sinaps," Persidangan Bersama Antarabangsa mengenai Rangkaian Neural, Jun 1989, Washington, D.C.
3. Intel, i80170NX Rangkaian Neural Analog Boleh Dilatih Secara Elektrik, Intel Corp., Jun 1991.
4. Stanly, Jeanette, Pengenalan kepada Rangkaian Neural, Perisian Saintifik California, 1990.
5. Intel, Teknologi & Aplikasi Rangkaian Neural 80170NX, Intel Corp., 1992.

Sergey Grinyaev

Kami mengalu-alukan pembaca kami ke halaman blog iCover! Pada Persidangan Litar Keadaan Pepejal Antarabangsa (ISSCC-2016) yang diadakan di San Francisco pada awal Februari, sekumpulan pembangun dari MIT (Institut Teknologi Massachusetts) menunjukkan prototaip kerja cip Eyeriss generasi baharu, yang dicipta sebagai penyelesaian konseptual yang membolehkan mencipta semula keupayaan algoritma rangkaian saraf dalam pelbagai peranti kuasa rendah.

Salah satu sebab objektif mengapa rangkaian saraf tiruan tidak menerima pembangunan yang sewajarnya dalam telefon pintar atau tablet kami ialah kekurangan sumber kuasa padat dengan kuasa yang mencukupi. Lagipun, sistem kecerdasan buatan yang dipanggil otak, "seperti otak", sekurang-kurangnya dalam bentuk di mana ia diwakili oleh teknologi moden, bergantung pada operasinya pada pemproses berbilang teras yang berkuasa, yang menggunakan jumlah yang luar biasa. tenaga berbanding dengan otak kita. Tidak mustahil untuk membayangkan penyelesaian sedemikian pada tahap peranti kelas pengguna, sekurang-kurangnya sehingga baru-baru ini. Pada masa yang sama, idea "pengecilan" kecerdasan buatan telah menarik minat pemaju untuk masa yang agak lama dan, ternyata, sudah membuahkan hasil yang agak ketara.

Rangkaian saraf telah menjadi tumpuan perhatian saintifik sejak zaman awal penyelidikan kecerdasan buatan, tetapi pada tahun 1970-an, ia agak dilupakan. Dalam dekad yang lalu, teknologi yang berkaitan dengan penggunaan rangkaian saraf telah dikaji di peringkat program "pembelajaran mendalam".

"Pembelajaran mendalam mempunyai banyak aplikasi, seperti pengecaman objek, pengecaman pertuturan, atau pengecaman muka," nota Vivienne Sze dan Emanuel E. Landsman, penolong profesor kejuruteraan elektrik dan sains komputer MIT yang kumpulannya membangunkan cip baharu. “Kini, rangkaian saraf agak kompleks dan berfungsi terutamanya pada cip berkuasa. Bayangkan anda boleh membawa fungsi ini ke telefon mudah alih atau peranti terbenam anda dan kemudian memproses sejumlah besar maklumat tanpa menggunakan sambungan Wi-Fi. Memproses sejumlah besar data pada telefon pintar anda akan mengelakkan kelewatan yang berlaku akibat pertukaran data dengan rangkaian, yang seterusnya akan membolehkan banyak aplikasi berfungsi dengan lebih cekap. Di samping itu, penyelesaian yang dicadangkan akan memberikan kualiti perlindungan baharu untuk maklumat sulit.”

Rangkaian saraf biasanya dilaksanakan pada unit pemprosesan grafik berbilang teras (GPU). Pada Persidangan Antarabangsa di San Francisco, penyelidik MIT mempersembahkan cip 168 teras baharu yang direka untuk melaksanakan algoritma kecerdasan buatan berdasarkan rangkaian saraf. Berbanding dengan GPU mudah alih (tidak dinyatakan yang mana satu), pemproses menunjukkan kecekapan 10 kali ganda lebih besar, membolehkan peranti mudah alih pengguna digunakan untuk menjalankan algoritma AI yang berkuasa secara tempatan tanpa perlu menghantar data ke awan untuk diproses. Perkara utama perkembangan ini ditunjukkan dalam siaran akhbar MIT bertarikh 3 Februari 2016.

Cip baharu itu, yang dipanggil "Eyeriss" oleh pembangun, boleh menemui aplikasi meluas dalam Internet Perkara, elektronik boleh pakai, kenderaan pandu sendiri, peralatan pembuatan, dan juga dalam bidang pertanian, membantu menyelesaikan dan menyelaraskan masalah semasa. Dengan algoritma kecerdasan buatan, peranti mudah alih akan dapat membuat keputusan di peringkat tempatan, memberikan pengguna hasil siap sedia sebagai panduan untuk bertindak, dan bukannya satu set data "mentah" daripada Internet. Dan, sudah tentu, salah satu aplikasi rangkaian saraf tempatan adalah penggunaannya dalam mencipta robot autonomi untuk pelbagai tujuan.

Bahagikan dan perintah

Rangkaian saraf biasanya mempunyai struktur berbilang lapisan dan setiap lapisan mengandungi sejumlah besar nod pemprosesan. Pada peringkat awal pemprosesan, data tiba dan diedarkan di antara nod lapisan bawah. Selepas memproses data yang diterima oleh setiap nod, hasilnya dipindahkan untuk diproses ke nod lapisan seterusnya. Pada output lapisan terakhir, hasil penyelesaian masalah terbentuk. Sehubungan itu, menyelesaikan masalah berskala besar menggunakan algoritma yang diterangkan akan memerlukan sumber pengkomputeran yang ketara.

Keperluan yang pada mulanya ditetapkan untuk cip oleh pemaju sendiri meletakkannya dalam rangka kerja yang agak ketat: di satu pihak, penyelesaiannya mestilah cekap tenaga, di sisi lain, ia mesti beroperasi dengan blok maklumat yang mudah. Akhirnya, cip mesti dapat mensimulasikan pelbagai jenis rangkaian saraf, dengan mengambil kira tugas semasa yang diberikan kepadanya. Semua keperluan ini telah berjaya dilaksanakan dalam pemproses Eyeriss.

Cip, yang dibangunkan di makmal MIT, adalah rangkaian saraf yang telah terbentuk, disetempatkan pada tahap pemproses 168-teras, yang pada masa hadapan boleh dibina ke dalam peranti mudah alih.

Kunci kepada kecekapan Eyeriss ialah meminimumkan kekerapan komunikasi antara teras dan bank memori luaran, operasi yang dikaitkan dengan penggunaan kuasa yang tinggi dan kos masa. Walaupun teras GPU tradisional berkongsi bank memori yang sama, setiap teras Eyeriss mempunyai memori sendiri. Di samping itu, data menjalani prosedur pemampatan sebelum dihantar ke teras jiran.

Satu lagi kelebihan algoritma yang dilaksanakan ialah keupayaan teras untuk "berkomunikasi" antara satu sama lain secara langsung, memintas "perantara" dalam bentuk bas memori sistem. Ini adalah ciri kritikal untuk mensimulasikan operasi Rangkaian Neural Konvolusi (CNN). Semua kerja pengiraan yang diperlukan untuk pengecaman imej dan pertuturan dilakukan secara tempatan dalam Eyeriss, tanpa perlu mengakses sumber rangkaian, yang membolehkan peranti beroperasi dengan cekap walaupun tanpa rangkaian luaran.

Akhir sekali, satu lagi kelebihan Eyeriss ialah prinsip pengagihan "pintar" tugas pengkomputeran individu antara teras dalam rangka kerja satu masalah yang perlu diselesaikan. Dalam ingatan tempatannya, kernel mesti menyimpan bukan sahaja data yang diproses oleh nod, tetapi juga data yang menerangkan nod itu sendiri. Untuk memastikan prestasi maksimum proses pemprosesan data, serta untuk memuatkan Eyeriss dengan jumlah maksimum data dari memori utama, algoritma untuk mengedarkan kedua-dua jenis data dioptimumkan oleh cip yang direka khas untuk tujuan ini dalam masa nyata. , dengan mengambil kira ciri rangkaian saraf semasa.

Pada Persidangan Litar Keadaan Pepejal Antarabangsa di San Francisco, pasukan pembangunan, menggunakan keupayaan cip Eyeriss peringkat "pengguna", menunjukkan pelaksanaan algoritma pengecaman corak dalam rangkaian saraf tempatan. Tugas yang sama, yang dinyatakan dalam siaran akhbar, telah dilaksanakan lebih awal, tetapi pada peringkat projek kerajaan rangkaian saraf paling moden yang dicipta.

“Kerja ini penting kerana ia menunjukkan bagaimana pemproses pembelajaran mendalam yang tertanam dengan baik boleh menyampaikan kuasa dan prestasi pengoptimuman yang diperlukan serta membawa pengkomputeran kompleks daripada awan ke peranti mudah alih,” kata Mike Polley, naib presiden kanan Makmal Inovasi Pemproses Mudah Alih Samsung. sambil menambah: "Sebagai tambahan kepada set penyelesaian perkakasan yang inovatif, penyelidikan MIT menunjukkan dengan jelas bagaimana kernel terbenam boleh dijadikan berguna untuk pembangun aplikasi menggunakan seni bina rangkaian standard AlexNet dan Caffe."

Pembiayaan untuk projek Eyeriss, bermula dengan penciptaan unit yang berpangkalan di makmal MIT, sebahagiannya disediakan oleh agensi pertahanan Amerika DARPA. Tidak menghairankan bahawa yang pertama menjawab pengumuman pemproses dengan bahan editorial yang mengagumkan ialah penganalisis tentera terkenal Patrick Tucker. Pemproses Eyeriss baharu yang dipasang pada peranti mudah alih tentera AS, pada pendapatnya, akan mampu menyelesaikan masalah pengkomputeran kompleks yang berkaitan dengan memproses sejumlah besar maklumat tanpa menyambung ke rangkaian biasa.

Oleh itu, Tentera Udara AS pada masa ini menerima sehingga 1,500 jam video HD dan sehingga 1,500 gambar resolusi ultra tinggi setiap hari daripada dron yang berlegar di atas Afghanistan. Lebih-lebih lagi, semua aliran maklumat yang tidak berkesudahan ini perlu dianalisis secara visual oleh pengendali dengan cara lama, kerana perisian komputer yang sedia ada tidak dapat membezakan petani yang berjalan di sepanjang laluan gunung dengan kayu daripada pengganas dengan pelancar untuk peluru berpandu berpandu. . Untuk menyelesaikan masalah tersebut, kaedah pembelajaran mesin berdasarkan pembelajaran perwakilan pada mulanya mula dicipta.

Pemproses Eyeriss sesuai untuk pemasangan pada dron tentera tanpa pemandu, kerana ia akan membolehkan pemprosesan pintar pelbagai imej dan video menggunakan teknologi pembelajaran mendalam secara langsung di atas pesawat. Dalam kes ini, data berguna yang ditapis boleh dihantar terus ke unit memerangi yang beroperasi di wilayah tertentu, memintas pusat untuk menganalisis maklumat operasi.

Ringkasan ringkas

Semasa eksperimen, cip Eyeriss menunjukkan tahap kecekapan tenaga sepuluh kali lebih tinggi daripada cip grafik mudah alih moden. Pada masa yang sama, dengan bantuannya ternyata teknologi mungkin untuk memastikan operasi algoritma kecerdasan buatan pada peranti dengan saiz padat - daripada telefon pintar dan tablet kepada elektronik boleh pakai. Kelewatan yang dibuat oleh rangkaian semasa pertukaran data untuk pemproses sedemikian diminimumkan, kerana cip boleh melakukan kebanyakan pengiraan secara tempatan. Berdasarkan Eyeriss, adalah mungkin untuk mencipta bukan sahaja semua jenis "peranti pintar", tetapi juga robot yang mempunyai tahap kebebasan tertentu dalam membuat keputusan.

Pembangun MIT belum lagi menamakan selang masa tertentu di mana Eyeriss akan dapat berubah menjadi produk komersial dan mendedahkan sepenuhnya keupayaannya di peringkat pengguna. Penglibatan pakar NVIDIA terkemuka dalam pembangunan dan minat penyelidik yang bertanggungjawab daripada Samsung memberi inspirasi kepada beberapa keyakinan.