หนึ่งในพื้นที่ที่มีแนวโน้มมากที่สุดสำหรับการพัฒนาสถาปัตยกรรมระบบคอมพิวเตอร์โดยพื้นฐานนั้นมีความเกี่ยวข้องอย่างใกล้ชิดกับการสร้างคอมพิวเตอร์รุ่นใหม่ตามหลักการประมวลผลข้อมูลที่ฝังอยู่ใน โครงข่ายประสาทเทียม(นส) การทำงานจริงครั้งแรกเกี่ยวกับโครงข่ายประสาทเทียมและนิวโรคอมพิวเตอร์เริ่มต้นขึ้นในช่วงทศวรรษที่ 40 และ 50 โครงข่ายประสาทเทียมมักเข้าใจว่าเป็นชุดของตัวแปลงข้อมูลเบื้องต้น ที่เรียกว่า "เซลล์ประสาท" ซึ่งเชื่อมต่อกันในลักษณะใดลักษณะหนึ่งโดยช่องทางการแลกเปลี่ยนข้อมูล "การเชื่อมต่อแบบซินแนปติก"

เซลล์ประสาทโดยพื้นฐานแล้วคือโปรเซสเซอร์เบื้องต้นที่มีสถานะอินพุตและเอาต์พุตฟังก์ชันการถ่ายโอน (ฟังก์ชันการเปิดใช้งาน) และหน่วยความจำภายใน สถานะของเซลล์ประสาทเปลี่ยนแปลงไปในระหว่างการทำงานและประกอบขึ้น หน่วยความจำระยะสั้นโครงข่ายประสาทเทียม เซลล์ประสาทแต่ละตัวจะคำนวณผลรวมถ่วงน้ำหนักของสัญญาณที่มาถึงผ่านทางไซแนปส์ และทำการเปลี่ยนแปลงแบบไม่เชิงเส้นกับเซลล์ประสาท เมื่อส่งข้ามไซแนปส์ สัญญาณจะถูกคูณด้วยปัจจัยถ่วงน้ำหนักบางอย่าง การกระจายตัวของค่าสัมประสิทธิ์การถ่วงน้ำหนักประกอบด้วยข้อมูลที่เก็บไว้ หน่วยความจำเชื่อมโยง NS องค์ประกอบหลักของการออกแบบเครือข่ายคือการฝึกอบรม เมื่อฝึกและฝึกโครงข่ายประสาทเทียมใหม่ ค่าสัมประสิทธิ์การถ่วงน้ำหนักจะเปลี่ยนไป อย่างไรก็ตาม พวกมันยังคงไม่เปลี่ยนแปลงในระหว่างการทำงานของโครงข่ายประสาทเทียม ก่อให้เกิดหน่วยความจำระยะยาว

เอ็น C สามารถประกอบด้วยหนึ่งชั้น, สองชั้น, สามและ มากกว่าอย่างไรก็ตามตามกฎแล้วไม่จำเป็นต้องแก้ปัญหาในทางปฏิบัติมากกว่าสามชั้นในโครงข่ายประสาทเทียม

จำนวนอินพุต NN จะกำหนดขนาดของไฮเปอร์สเปซซึ่งสัญญาณอินพุตสามารถแสดงด้วยจุดหรือไฮเปอร์ภูมิภาคของจุดที่เว้นระยะห่างกันอย่างใกล้ชิด จำนวนเซลล์ประสาทในเลเยอร์เครือข่ายจะกำหนดจำนวนไฮเปอร์เพลนในไฮเปอร์สเปซ การคำนวณผลรวมถ่วงน้ำหนักและดำเนินการการแปลงแบบไม่เชิงเส้นทำให้สามารถระบุได้ว่าจุดสัญญาณอินพุตอยู่ในไฮเปอร์สเปซด้านใดของไฮเปอร์เพลนนั้น

ลองใช้ปัญหาคลาสสิกของการรู้จำรูปแบบ: การกำหนดว่าจุดเป็นของหนึ่งในสองชั้นหรือไม่ ปัญหานี้แก้ไขได้ตามธรรมชาติโดยใช้เซลล์ประสาทเพียงตัวเดียว มันจะช่วยให้ไฮเปอร์สเปซถูกแบ่งออกเป็นสองไฮเปอร์รีเจียนที่ไม่ตัดกันและไม่ซ้อนกัน ในความเป็นจริง สัญญาณอินพุตในปัญหาที่ได้รับการแก้ไขโดยใช้โครงข่ายประสาทเทียมจะสร้างพื้นที่ที่มีการซ้อนกันสูงหรือตัดกันในไฮเปอร์สเปซ ซึ่งไม่สามารถแยกออกได้โดยใช้เซลล์ประสาทเพียงตัวเดียว ซึ่งสามารถทำได้โดยการวาดไฮเปอร์เซอร์เฟซที่ไม่เป็นเชิงเส้นระหว่างภูมิภาคต่างๆ เท่านั้น สามารถอธิบายได้โดยใช้พหุนามลำดับที่ n อย่างไรก็ตาม ฟังก์ชันพลังงานคำนวณช้าเกินไป ดังนั้นจึงไม่สะดวกสำหรับการคำนวณมากนัก อีกทางเลือกหนึ่งคือการประมาณไฮเปอร์พื้นผิวด้วยไฮเปอร์เพลนเชิงเส้น เป็นที่ชัดเจนว่าความแม่นยำของการประมาณนั้นขึ้นอยู่กับจำนวนของไฮเปอร์เพลนที่ใช้ ซึ่งในทางกลับกันก็ขึ้นอยู่กับจำนวนเซลล์ประสาทในเครือข่าย ดังนั้นจึงมีความจำเป็นในการใช้งานฮาร์ดแวร์ของเซลล์ประสาทให้ได้มากที่สุดในเครือข่าย จำนวนเซลล์ประสาทในชั้นหนึ่งของเครือข่ายจะเป็นตัวกำหนดความละเอียดของมัน โครงข่ายประสาทเทียมชั้นเดียวไม่สามารถแยกภาพที่ขึ้นต่อกันเป็นเส้นตรงได้ ดังนั้นจึงเป็นเรื่องสำคัญที่จะต้องสามารถติดตั้งโครงข่ายประสาทเทียมหลายชั้นในฮาร์ดแวร์ได้

และ โครงข่ายประสาทเทียมมีคุณสมบัติที่น่าทึ่ง พวกเขาไม่ต้องการการพัฒนาซอฟต์แวร์โดยละเอียดและเปิดโอกาสในการแก้ไขปัญหาที่ไม่มีอยู่ แบบจำลองทางทฤษฎีหรือกฎการเรียนรู้ที่กำหนดอัลกอริทึมของการแก้ปัญหา เครือข่ายดังกล่าวมีความสามารถในการปรับตัวให้เข้ากับการเปลี่ยนแปลงสภาพการทำงาน รวมถึงการเกิดขึ้นของปัจจัยที่ไม่คาดฝันก่อนหน้านี้ โดยธรรมชาติแล้ว NS เป็นระบบที่มีมาก ระดับสูงความเท่าเทียม

ใน neurocomputersใช้หลักการประมวลผลข้อมูลที่ดำเนินการในโครงข่ายประสาทเทียมจริง สิ่งเหล่านี้เป็นสิ่งใหม่โดยพื้นฐาน สิ่งอำนวยความสะดวกด้านคอมพิวเตอร์ด้วยสถาปัตยกรรมที่ไม่ใช่แบบดั้งเดิมทำให้สามารถประมวลผลอาร์เรย์ข้อมูลขนาดใหญ่ที่มีประสิทธิภาพสูง ต่างจากระบบคอมพิวเตอร์แบบดั้งเดิม คอมพิวเตอร์เครือข่ายประสาทซึ่งคล้ายกับโครงข่ายประสาทเทียม ทำให้สามารถประมวลผลการไหลของข้อมูลที่ไม่ต่อเนื่องและ สัญญาณต่อเนื่องมีองค์ประกอบการคำนวณที่เรียบง่ายและมีความน่าเชื่อถือในระดับสูงทำให้คุณสามารถแก้ไขได้ งานข้อมูลการประมวลผลข้อมูลในขณะเดียวกันก็รับประกันโหมดของการสร้างสภาพแวดล้อมคอมพิวเตอร์ขึ้นใหม่ด้วยตนเองโดยขึ้นอยู่กับการตัดสินใจที่ได้รับ

โดยทั่วไปแล้ว คำว่า "นิวโรคอมพิวเตอร์" ในปัจจุบันหมายถึงคอมพิวเตอร์ประเภทหนึ่งที่ค่อนข้างกว้าง สิ่งนี้เกิดขึ้นด้วยเหตุผลง่ายๆ อย่างเป็นทางการว่า การใช้ฮาร์ดแวร์ใดๆ ก็ตามของอัลกอริธึมโครงข่ายประสาทเทียมถือได้ว่าเป็นคอมพิวเตอร์ประสาท ตั้งแต่แบบจำลองอย่างง่ายของเซลล์ประสาททางชีววิทยาไปจนถึงระบบการจดจำตัวอักษรหรือเป้าหมายที่เคลื่อนที่ นิวโรคอมพิวเตอร์ไม่ใช่คอมพิวเตอร์ในความหมายทั่วไปของคำนี้ ปัจจุบันเทคโนโลยียังไม่ถึงระดับการพัฒนาที่สามารถพูดถึงนิวโรคอมพิวเตอร์อเนกประสงค์ได้ (ซึ่งก็คือปัญญาประดิษฐ์ด้วย) โดยทั่วไประบบที่มีค่าสัมประสิทธิ์การถ่วงน้ำหนักคงที่จะเป็นระบบที่มีความเชี่ยวชาญสูงที่สุดในตระกูลโครงข่ายประสาทเทียม เครือข่ายการเรียนรู้มีความยืดหยุ่นมากขึ้นต่อปัญหาต่างๆ ที่พวกเขาแก้ไข ดังนั้น การสร้างนิวโรคอมพิวเตอร์จึงเป็นสาขาที่กว้างที่สุดสำหรับกิจกรรมการวิจัยในด้านการใช้งานฮาร์ดแวร์ขององค์ประกอบเกือบทั้งหมดของโครงข่ายประสาทเทียม

ในตอนต้นของศตวรรษที่ 21 ซึ่งแตกต่างจากช่วงทศวรรษที่ 40-50 ของศตวรรษที่ผ่านมา มีความจำเป็นเชิงปฏิบัติที่มีวัตถุประสงค์เชิงปฏิบัติในการเรียนรู้วิธีสร้างนิวโรคอมพิวเตอร์ เช่น มีความจำเป็นที่จะต้องใช้เซลล์ประสาทปฏิบัติการแบบขนานจำนวนมากในฮาร์ดแวร์ โดยมีการเชื่อมต่อไซแนปส์แบบคงที่หรือแบบขนานที่ปรับเปลี่ยนได้หลายล้านแบบ โดยมีเลเยอร์ของเซลล์ประสาทที่เชื่อมต่อกันอย่างเต็มที่หลายชั้น ในขณะเดียวกัน เทคโนโลยีอิเล็กทรอนิกส์แบบบูรณาการก็แทบจะทำให้ความสามารถทางกายภาพของมันหมดลง ขนาดทางเรขาคณิตของทรานซิสเตอร์ไม่สามารถลดขนาดลงได้อีกต่อไป: ด้วยขนาดที่สามารถทำได้ทางเทคโนโลยีที่ 1 ไมครอนหรือน้อยกว่า ปรากฏการณ์ทางกายภาพมองไม่เห็นในขนาดใหญ่ องค์ประกอบที่ใช้งานอยู่- เอฟเฟกต์ขนาดควอนตัมเริ่มมีผลอย่างมาก ทรานซิสเตอร์หยุดทำงานเหมือนทรานซิสเตอร์

สำหรับการใช้งานฮาร์ดแวร์ของโครงข่ายประสาทเทียม จำเป็นต้องมีสื่อบันทึกข้อมูลใหม่ ผู้ให้บริการข้อมูลรายใหม่ดังกล่าวอาจเป็นได้ แสงสว่างซึ่งจะเพิ่มประสิทธิภาพการคำนวณได้อย่างมากหลายระดับ

เทคโนโลยีเดียวสำหรับการใช้งานฮาร์ดแวร์ของโครงข่ายประสาทเทียมที่สามารถแทนที่ออพติกและออปโตอิเล็กทรอนิกส์ได้ในอนาคตคือ นาโนเทคโนโลยีซึ่งไม่เพียงแต่ให้ระดับการรวมองค์ประกอบควอนตัมระดับโมเลกุลย่อยในระดับสูงสุดที่เป็นไปได้ทางกายภาพด้วยความเร็วสูงสุดที่เป็นไปได้ทางกายภาพเท่านั้น แต่ยังรวมไปถึงสถาปัตยกรรมสามมิติที่จำเป็นสำหรับการใช้งานฮาร์ดแวร์ของโครงข่ายประสาทเทียมด้วย

เชื่อกันมานานแล้วว่านิวโรคอมพิวเตอร์มีประสิทธิภาพในการแก้ปัญหาที่เรียกว่าปัญหาที่จัดรูปแบบไม่ได้และจัดรูปแบบได้ไม่ดีซึ่งเกี่ยวข้องกับความจำเป็นในการรวมกระบวนการเรียนรู้โดยใช้สื่อทดลองจริงในอัลกอริธึมการแก้ปัญหา ประการแรกปัญหาดังกล่าวรวมถึงงานในการประมาณรูปแบบฟังก์ชันเฉพาะที่ใช้ชุดค่าที่ไม่ต่อเนื่องกันเช่น ปัญหาการรู้จำรูปแบบ.

ปัจจุบัน มีการเพิ่มระดับของปัญหาเข้าไปในปัญหาระดับนี้ ซึ่งบางครั้งไม่จำเป็นต้องมีการฝึกอบรมเกี่ยวกับเนื้อหาทดลอง แต่มีการนำเสนออย่างดีในพื้นฐานตรรกะของโครงข่ายประสาทเทียม เหล่านี้ได้แก่ งานที่มีการขนานกันอย่างเป็นธรรมชาติอย่างเด่นชัดของการประมวลผลสัญญาณ การประมวลผลภาพ ฯลฯ- การยืนยันมุมมองที่ว่าในอนาคตคอมพิวเตอร์ประสาทจะมีประสิทธิภาพมากกว่าสถาปัตยกรรมอื่นๆ โดยเฉพาะอย่างยิ่งสามารถขยายอย่างรวดเร็วใน ปีที่ผ่านมาชั้นเรียนของปัญหาทางคณิตศาสตร์ทั่วไปที่แก้ไขได้ในพื้นฐานตรรกะของโครงข่ายประสาทเทียม นอกเหนือจากที่กล่าวข้างต้น ยังรวมถึงปัญหาการแก้สมการพีชคณิตเชิงเส้นและไม่เชิงเส้นและอสมการขนาดใหญ่ ระบบสมการเชิงอนุพันธ์ไม่เชิงเส้น สมการเชิงอนุพันธ์ย่อย ปัญหาการเพิ่มประสิทธิภาพและปัญหาอื่นๆ

โครงข่ายประสาทเทียมมักเข้าใจว่าเป็นชุดของตัวแปลงข้อมูลเบื้องต้น ที่เรียกว่า "เซลล์ประสาท" ซึ่งเชื่อมต่อกันในลักษณะใดลักษณะหนึ่งผ่านช่องทางการแลกเปลี่ยนข้อมูล "การเชื่อมต่อแบบซินแนปติก"

เซลล์ประสาทเป็นตัวประมวลผลเบื้องต้นที่มีสถานะอินพุตและเอาต์พุต ฟังก์ชั่นการถ่ายโอน(ฟังก์ชั่นการเปิดใช้งาน) และหน่วยความจำภายใน

ข้าว. 8.1.

สถานะของเซลล์ประสาทเปลี่ยนแปลงไประหว่างการทำงานและประกอบขึ้นเป็นหน่วยความจำระยะสั้นของโครงข่ายประสาทเทียม เซลล์ประสาทแต่ละตัวจะคำนวณผลรวมถ่วงน้ำหนักของสัญญาณที่มาถึงผ่านทางไซแนปส์ และทำการเปลี่ยนแปลงแบบไม่เชิงเส้นกับเซลล์ประสาท เมื่อส่งข้ามไซแนปส์ สัญญาณจะถูกคูณด้วยปัจจัยถ่วงน้ำหนักบางอย่าง การกระจายค่าสัมประสิทธิ์น้ำหนักประกอบด้วยข้อมูลที่จัดเก็บไว้ในหน่วยความจำเชื่อมโยงของโครงข่ายประสาทเทียม องค์ประกอบหลักของการออกแบบเครือข่ายคือการฝึกอบรม เมื่อฝึกและฝึกโครงข่ายประสาทเทียมใหม่ ค่าสัมประสิทธิ์การถ่วงน้ำหนักจะเปลี่ยนไป อย่างไรก็ตาม พวกมันยังคงไม่เปลี่ยนแปลงในระหว่างการทำงานของโครงข่ายประสาทเทียม ก่อให้เกิดหน่วยความจำระยะยาว

NN สามารถประกอบด้วยหนึ่งเลเยอร์, ​​สอง, สามชั้นขึ้นไป อย่างไรก็ตาม ตามกฎแล้ว NN ไม่จำเป็นต้องมากกว่าสามชั้นในการแก้ปัญหาในทางปฏิบัติ

จำนวนอินพุต NS จะกำหนดขนาด ไฮเปอร์สเปซซึ่งสัญญาณอินพุตสามารถแสดงด้วยจุดหรือไฮเปอร์ภูมิภาคของจุดที่เว้นระยะห่างกันอย่างใกล้ชิด จำนวนเซลล์ประสาทในเลเยอร์เครือข่ายจะกำหนดจำนวน เครื่องบินไฮเปอร์เพลนวี ไฮเปอร์สเปซ- การคำนวณผลรวมถ่วงน้ำหนักและดำเนินการการแปลงแบบไม่เชิงเส้นทำให้สามารถระบุได้ว่าจุดสัญญาณอินพุตอยู่ที่ด้านใดของไฮเปอร์เพลนเฉพาะ ไฮเปอร์สเปซ.

ข้าว. 8.2.

ลองใช้ปัญหาคลาสสิกของการรู้จำรูปแบบ: การกำหนดว่าจุดเป็นของหนึ่งในสองชั้นหรือไม่ ปัญหานี้แก้ไขได้ตามธรรมชาติโดยใช้เซลล์ประสาทเพียงตัวเดียว มันจะช่วยให้คุณสามารถแบ่ง ไฮเปอร์สเปซออกเป็นสองไฮเปอร์โดเมนที่ไม่ต่อกันและไม่ซ้อนกัน สัญญาณอินพุตในการแก้ปัญหาโดยใช้รูปแบบโครงข่ายประสาทเทียม ไฮเปอร์สเปซบริเวณที่ซ้อนกันหรือทับซ้อนกันสูงซึ่งไม่สามารถแยกออกได้โดยใช้เซลล์ประสาทเพียงตัวเดียว ซึ่งสามารถทำได้โดยการวาดไฮเปอร์เซอร์เฟซที่ไม่เป็นเชิงเส้นระหว่างภูมิภาคต่างๆ เท่านั้น สามารถอธิบายได้โดยใช้พหุนามลำดับที่ n อย่างไรก็ตาม ฟังก์ชันพลังงานคำนวณช้าเกินไป ดังนั้นจึงไม่สะดวกสำหรับการคำนวณมากนัก ทางเลือกอื่นเป็นการประมาณของไฮเปอร์เซอร์เฟสโดยเชิงเส้น เครื่องบินไฮเปอร์เพลน- เห็นได้ชัดว่าความแม่นยำของการประมาณขึ้นอยู่กับจำนวนที่ใช้ เครื่องบินไฮเปอร์เพลนซึ่งในทางกลับกันก็ขึ้นอยู่กับจำนวนเซลล์ประสาทในเครือข่าย ดังนั้นจึงมีความจำเป็นในการใช้งานฮาร์ดแวร์ของเซลล์ประสาทให้ได้มากที่สุดในเครือข่าย จำนวนเซลล์ประสาทในชั้นหนึ่งของเครือข่ายจะเป็นตัวกำหนดความละเอียดของมัน โครงข่ายประสาทเทียมชั้นเดียวไม่สามารถแยกภาพที่ขึ้นต่อกันเป็นเส้นตรงได้ ดังนั้นจึงเป็นเรื่องสำคัญที่จะต้องสามารถติดตั้งโครงข่ายประสาทเทียมหลายชั้นในฮาร์ดแวร์ได้

ข้าว. 8.3.

โครงข่ายประสาทเทียมมีคุณสมบัติที่น่าทึ่ง พวกเขาไม่ต้องการการพัฒนาอย่างละเอียด ซอฟต์แวร์และเปิดความเป็นไปได้ในการแก้ปัญหาที่ไม่มีแบบจำลองทางทฤษฎีหรือกฎการเรียนรู้ที่จะกำหนดอัลกอริทึมของการแก้ปัญหา เครือข่ายดังกล่าวมีความสามารถในการปรับตัวให้เข้ากับการเปลี่ยนแปลงสภาพการทำงาน รวมถึงการเกิดขึ้นของปัจจัยที่ไม่คาดฝันก่อนหน้านี้ โดยธรรมชาติแล้ว NN เป็นระบบที่มีความเท่าเทียมในระดับที่สูงมาก

นิวโรคอมพิวเตอร์ใช้หลักการประมวลผลข้อมูลที่ดำเนินการในโครงข่ายประสาทเทียมจริง เครื่องมือคำนวณพื้นฐานใหม่เหล่านี้ที่มีสถาปัตยกรรมแหวกแนวช่วยให้สามารถประมวลผลอาร์เรย์ข้อมูลขนาดใหญ่ที่มีประสิทธิภาพสูง ต่างจากระบบคอมพิวเตอร์แบบเดิมๆ คอมพิวเตอร์โครงข่ายประสาทเทียมคล้ายกับโครงข่ายประสาทเทียม ทำให้สามารถประมวลผลการไหลของข้อมูลของสัญญาณที่ไม่ต่อเนื่องและต่อเนื่องด้วยความเร็วที่มากขึ้น มีองค์ประกอบการคำนวณที่เรียบง่ายและด้วย ระดับสูงความน่าเชื่อถือช่วยให้สามารถแก้ไขปัญหาข้อมูลของการประมวลผลข้อมูลในขณะเดียวกันก็ให้โหมดของการสร้างสภาพแวดล้อมคอมพิวเตอร์ขึ้นใหม่ด้วยตนเองโดยขึ้นอยู่กับโซลูชันที่ได้รับ

โดยทั่วไปแล้ว คำว่า "คอมพิวเตอร์ประสาท" ในปัจจุบันหมายถึงคอมพิวเตอร์ประเภทหนึ่งที่ค่อนข้างกว้าง สิ่งนี้เกิดขึ้นด้วยเหตุผลง่ายๆ ที่ว่าการใช้งานฮาร์ดแวร์ใดๆ อย่างเป็นทางการถือได้ว่าเป็นนิวโรคอมพิวเตอร์ อัลกอริธึมโครงข่ายประสาทเทียมตั้งแต่แบบจำลองเซลล์ประสาทชีวภาพอย่างง่ายไปจนถึงระบบการจดจำลักษณะหรือเป้าหมายที่เคลื่อนที่ นิวโรคอมพิวเตอร์ไม่ใช่คอมพิวเตอร์ในความหมายทั่วไปของคำนี้ ปัจจุบันเทคโนโลยียังไม่ถึงระดับการพัฒนาที่สามารถพูดถึงนิวโรคอมพิวเตอร์อเนกประสงค์ได้ (ซึ่งก็คือปัญญาประดิษฐ์ด้วย) โดยทั่วไประบบที่มีค่าสัมประสิทธิ์การถ่วงน้ำหนักคงที่จะเป็นระบบที่มีความเชี่ยวชาญสูงที่สุดในตระกูลโครงข่ายประสาทเทียม เครือข่ายการเรียนรู้ได้รับการปรับให้เข้ากับปัญหาต่างๆ ที่กำลังแก้ไขมากขึ้น เครือข่ายการเรียนรู้มีความยืดหยุ่นมากกว่าและสามารถแก้ไขปัญหาต่างๆ ได้ ดังนั้น การสร้างนิวโรคอมพิวเตอร์จึงเป็นสาขาที่กว้างที่สุดสำหรับกิจกรรมการวิจัยในด้านการใช้งานฮาร์ดแวร์ขององค์ประกอบเกือบทั้งหมดของโครงข่ายประสาทเทียม

ในตอนต้นของศตวรรษที่ 21 ซึ่งแตกต่างจากช่วงทศวรรษที่ 40-50 ของศตวรรษที่ผ่านมา มีความจำเป็นเชิงปฏิบัติที่มีวัตถุประสงค์เชิงปฏิบัติในการเรียนรู้วิธีสร้างนิวโรคอมพิวเตอร์ เช่น มีความจำเป็นที่จะต้องใช้เซลล์ประสาทปฏิบัติการแบบขนานจำนวนมากในฮาร์ดแวร์ โดยมีการเชื่อมต่อไซแนปส์แบบคงที่หรือแบบขนานที่ปรับเปลี่ยนได้หลายล้านแบบ โดยมีเลเยอร์ของเซลล์ประสาทที่เชื่อมต่อกันอย่างเต็มที่หลายชั้น

ในเวลาเดียวกัน ความสามารถทางกายภาพเทคโนโลยีอิเล็กทรอนิกส์แบบบูรณาการนั้นไม่มีขีดจำกัด ขนาดทางเรขาคณิตของทรานซิสเตอร์ไม่สามารถลดลงทางกายภาพได้อีกต่อไป: ด้วยขนาดที่สามารถทำได้ทางเทคโนโลยีที่ 1 ไมครอนหรือน้อยกว่า ปรากฏการณ์ทางกายภาพจะปรากฏขึ้นซึ่งมองไม่เห็นด้วยองค์ประกอบที่ทำงานอยู่ขนาดใหญ่ ผลกระทบขนาดควอนตัมเริ่มมีผลกระทบอย่างมาก ทรานซิสเตอร์หยุดทำงานเหมือนทรานซิสเตอร์

สำหรับการใช้งานฮาร์ดแวร์ของ NN จำเป็นต้องมีสื่อบันทึกข้อมูลใหม่ ผู้ให้บริการข้อมูลรายใหม่ดังกล่าวอาจมีขนาดเบา ซึ่งจะช่วยให้สามารถเพิ่มขึ้นอย่างรวดเร็วตามขนาดต่างๆ ผลงานการคำนวณ

เทคโนโลยีเดียวสำหรับการใช้งานฮาร์ดแวร์ของ NS ที่สามารถแทนที่ระบบออพติกและออปโตอิเล็กทรอนิกส์ได้ในอนาคตคือนาโนเทคโนโลยี ซึ่งไม่เพียงแต่ให้ระดับสูงสุดที่เป็นไปได้ทางกายภาพของการบูรณาการองค์ประกอบควอนตัมระดับโมเลกุลย่อยด้วยความเร็วสูงสุดที่เป็นไปได้ทางกายภาพ แต่ยังรวมถึงสถาปัตยกรรมสามมิติด้วย จำเป็นมากสำหรับการใช้งานฮาร์ดแวร์ของ NS

เชื่อกันมานานแล้วว่าคอมพิวเตอร์ประสาทมีประสิทธิภาพในการแก้ปัญหาที่เรียกว่า งานที่ไม่เป็นทางการและเป็นทางการไม่ดีเกี่ยวข้องกับความจำเป็นในการรวมกระบวนการเรียนรู้โดยใช้สื่อทดลองจริงมาไว้ในอัลกอริธึมในการแก้ปัญหา ประการแรก ปัญหาดังกล่าวรวมถึงงานในการประมาณรูปแบบเฉพาะของฟังก์ชันที่ใช้ชุดค่าที่ไม่ต่อเนื่อง เช่น ปัญหาการจดจำรูปแบบ

ปัจจุบัน มีการเพิ่มระดับของปัญหาเข้าไปในปัญหาระดับนี้ ซึ่งบางครั้งไม่จำเป็นต้องมีการฝึกอบรมเกี่ยวกับเนื้อหาทดลอง แต่มีการนำเสนออย่างดีในพื้นฐานตรรกะของโครงข่ายประสาทเทียม ซึ่งรวมถึงงานที่มีความขนานกันตามธรรมชาติอย่างเด่นชัดในการประมวลผลสัญญาณ การประมวลผลภาพ ฯลฯ มุมมองที่ว่าในอนาคตคอมพิวเตอร์ประสาทจะมีประสิทธิภาพมากกว่าสถาปัตยกรรมอื่นๆ สามารถยืนยันได้ โดยเฉพาะอย่างยิ่งจากการขยายตัวอย่างรวดเร็วในช่วงไม่กี่ปีที่ผ่านมาของชั้นเรียนของ ปัญหาทางคณิตศาสตร์ทั่วไปได้รับการแก้ไขด้วยพื้นฐานตรรกะของโครงข่ายประสาทเทียม นอกเหนือจากที่กล่าวข้างต้น ยังรวมถึงปัญหาการแก้สมการพีชคณิตเชิงเส้นและไม่เชิงเส้น และอสมการมิติสูง ระบบสมการเชิงอนุพันธ์ไม่เชิงเส้น สมการเชิงอนุพันธ์ย่อย ปัญหาการเพิ่มประสิทธิภาพและปัญหาอื่นๆ

การบรรลุการครอบงำระดับโลกนั้นขึ้นอยู่กับสองกลยุทธ์หลัก: ความเหนือกว่าของข้อมูลและความเหนือกว่าทางเทคโนโลยี ในส่วนหลัง การเปลี่ยนไปสู่รูปแบบทางเศรษฐกิจและสังคมใหม่ของสังคมหลังอุตสาหกรรมนำมาสู่เทคโนโลยีเบื้องหน้า เช่น พันธุศาสตร์และวิศวกรรมชีวภาพ นาโนเทคโนโลยี และประสาทสารสนเทศ

สารสนเทศทางระบบประสาทซึ่งตั้งอยู่บนหลักการและกลไกการทำงานของสมอง สามารถให้ทั้งความเหนือกว่าทางเทคโนโลยีและข้อมูลได้ ไม่ใช่เรื่องบังเอิญที่ทุกวันนี้ neurocomputers ครอบครองหนึ่งในนั้น สถานที่สำคัญที่สุดท่ามกลางการพัฒนาอาวุธและอุปกรณ์ทางทหารที่มีแนวโน้มดี

มีการใช้งานชิปประมวลผลประสาทที่เป็นที่รู้จักหลายอย่าง รุ่นต่างๆโครงข่ายประสาทเทียม บางอย่างทำงานได้ดีขึ้น บางอย่างแย่ลง แต่ทั้งหมดมีสิ่งหนึ่งที่เหมือนกัน นั่นคือความปรารถนาที่จะเจาะลึกความลับของสมองมนุษย์

ในแค็ตตาล็อกผลิตภัณฑ์ จากอินเทลสิ่งที่โดดเด่นคือการพัฒนาสองประการที่ได้รับมอบหมายจาก DARPA (Defense Advanced Research Projects Agency): ตัวประมวลผลประสาทแบบอะนาล็อก i80170NX และตัวดิจิทัล - i80160NC หรือ Ni1000

ตัวประมวลผลประสาทเป็นหัวใจของเทคโนโลยีคอมพิวเตอร์ยุคใหม่ - นิวโรคอมพิวเตอร์ พื้นฐานของการทำงานของเครื่องจักรดังกล่าวคือการสร้างแบบจำลองวิธีการประมวลผลข้อมูลโดยระบบประสาทและสมองของมนุษย์ เชื่อกันว่าทิศทางนี้เริ่มต้นในปี 1943 เมื่อนักวิทยาศาสตร์ชาวอเมริกัน W. McCulloch และ W. Pitts ตีพิมพ์บทความที่เซลล์ประสาท - เซลล์ของระบบประสาท - ได้รับการพิจารณาที่ง่ายที่สุด อุปกรณ์ลอจิคัล.

เซลล์ประสาทเทียม McCulloch และ Pitts เลียนแบบคุณสมบัติของเซลล์ประสาททางชีววิทยาในการประมาณครั้งแรก อินพุตของเซลล์ประสาทเทียมดังกล่าวได้รับสัญญาณมากมาย ซึ่งแต่ละสัญญาณเป็นเอาต์พุตของเซลล์ประสาทอื่น สัญญาณอินพุตแต่ละตัวจะถูกคูณด้วยค่าสัมประสิทธิ์ที่แน่นอนซึ่งสะท้อนถึงการมีส่วนร่วมของสัญญาณนี้ต่อค่าของสัญญาณเอาท์พุตของเซลล์ประสาท สัญญาณที่ได้รับจากเซลล์ประสาทและคูณด้วยสัมประสิทธิ์ที่สอดคล้องกันจะถูกรวมเข้าด้วยกัน และหากสัญญาณทั้งหมดมากกว่าเกณฑ์ที่กำหนด เซลล์ประสาทจะถูกกระตุ้นและส่งออกแรงกระตุ้นเดี่ยวไปยังเซลล์ประสาทที่เกี่ยวข้องกัน ด้วยการเปลี่ยนค่าของสัมประสิทธิ์การถ่วงน้ำหนักที่อินพุตของเซลล์ประสาทตามนั้น คุณจะได้รับค่าที่ต้องการที่เอาต์พุตของเครือข่าย กระบวนการปรับน้ำหนักเรียกว่าการฝึก โครงข่ายประสาทเทียม- โดยการเปรียบเทียบกับการเรียนรู้ของมนุษย์ โครงข่ายประสาทเทียมสามารถฝึกกับครูหรือฝึกอย่างอิสระผ่านการจัดระเบียบตนเองได้

ความเรียบง่ายของแบบจำลองเซลล์ประสาทที่นำเสนอเป็นแรงบันดาลใจให้นักวิจัยจำนวนมากที่พยายามเจาะลึกความลับของสมองมนุษย์

ในช่วงปลายทศวรรษ 1950 American F. Rosenblatt พยายามอธิบายการทำงานของเซลล์ประสาทชีวภาพได้เสนอแบบจำลองของมัน - เพอร์เซปตรอน ในช่วงต้นทศวรรษที่ 60 นักคณิตศาสตร์ R. Blok ได้กำหนดทฤษฎีบทการรู้จำ และวิศวกรวิทยุ B. Widrow ได้พัฒนาและใช้งานโครงข่ายประสาทเทียมแห่งแรก ซึ่งเป็นที่รู้จักในวรรณกรรมชื่อ “Adaline” นอกจากนี้เขายังสร้างอัลกอริธึมที่สอนให้เธอรู้จักภาพด้วย

อย่างไรก็ตาม จนถึงกลางทศวรรษที่ 80 โครงข่ายประสาทเทียมไม่ได้รับการพัฒนาเพิ่มเติม ความล่าช้าระหว่างการปฏิบัติและทฤษฎี และความไม่สมบูรณ์ของเทคโนโลยีมีผลกระทบ ใช้แล้ว รุ่นซอฟต์แวร์ไม่สามารถเปิดเผยข้อดีทั้งหมดของโครงข่ายประสาทเทียมได้ และการสร้างการใช้งานฮาร์ดแวร์ต้องใช้ต้นทุนมหาศาลเมื่อพิจารณาถึงระดับของเทคโนโลยีในขณะนั้น คอมพิวเตอร์ขนาดใหญ่แบบดั้งเดิม (เมนเฟรม) ได้รับการพิจารณาว่ามีแนวโน้มมากกว่า แต่การเติบโตอย่างรวดเร็วของจำนวนงานที่ซับซ้อนมากทำให้เราต้องหันกลับมาใช้โครงข่ายประสาทเทียมอีกครั้ง

Intel เป็นหนึ่งในยักษ์ใหญ่ในอุตสาหกรรมคอมพิวเตอร์กลุ่มแรกๆ ที่ให้ความสนใจอย่างจริงจังในความสามารถของโครงข่ายประสาทเทียม งานในหัวข้อนี้เริ่มขึ้นในปี 1988 ในปีต่อมา มีการนำเสนอตัวอย่างการทำงานชุดแรกของหน่วยประมวลผลกลาง i80170NX หนึ่งปีต่อมา Intel (ร่วมกับ Nestor และด้วยการสนับสนุนทางการเงินจาก DARPA) ได้เริ่มพัฒนาชิปนิวโรชิปดิจิทัล Ni1000 ซึ่งได้รับการประกาศในปี 1993 ในชื่อ i80160NC

โปรเซสเซอร์เครือข่ายนิวรัล i80170NX ETANN (Electrically Trainable Analog Neural Network) เป็นชิปเฉพาะที่ออกแบบมาเพื่อแก้ปัญหาการจดจำรูปแบบ โปรเซสเซอร์จำลองการทำงานของเซลล์ประสาทชีวภาพ 64 เซลล์ เซลล์ประสาทโปรเซสเซอร์แต่ละตัวมี 128 ไซแนปส์ (อินพุต) ในทางกลับกัน แต่ละไซแนปส์จะเชื่อมต่อกับอินพุตของโปรเซสเซอร์ผ่านอุปกรณ์บางตัวที่ช่วยให้คุณสามารถตั้งค่าสัมประสิทธิ์ที่แสดงถึงความแข็งแกร่งของการเชื่อมต่อนี้ ซึ่งสอดคล้องกับแบบจำลองที่เสนอโดย W. McCulloch และ W. Pitts อย่างสมบูรณ์ ข้อมูลที่อินพุตและเอาต์พุตของโปรเซสเซอร์เป็นแบบอะนาล็อก แต่ฟังก์ชันควบคุม การตั้งค่า และค่าสัมประสิทธิ์น้ำหนักการอ่านเป็นแบบดิจิทัล

นิวโรชิปเข้ากันได้อย่างสมบูรณ์ในแง่ของระดับสัญญาณการทำงานกับวงจรไมโคร CMOS และ TTL สัญญาณอินพุตบนเซลล์ประสาทอาจแตกต่างกันได้ตั้งแต่ 0 ถึง 2.8 V น้ำหนักของไซแนปส์ยังแสดงด้วยแรงดันไฟฟ้าในช่วง -2.5 ถึง 2.5 V โปรเซสเซอร์ผลิตภายใต้ใบอนุญาต เทคโนโลยีของอินเทล- CHMOS III EEPROM

ลักษณะสถาปัตยกรรมแบบขนานสูงของโครงข่ายประสาทเทียมและคุณสมบัติการออกแบบโปรเซสเซอร์จำนวนหนึ่งทำให้สามารถบรรลุความเร็ว 2 พันล้านการทำงานต่อวินาที! i80170NX คือหัวใจของบอร์ดเร่งความเร็วประสาทสำหรับพีซี ประสิทธิภาพของบอร์ดที่มีโปรเซสเซอร์แปดตัวคือ 16 พันล้านการทำงานต่อวินาที! จนกระทั่งเมื่อไม่นานมานี้ ประสิทธิภาพดังกล่าวเป็นลักษณะเฉพาะของซูเปอร์คอมพิวเตอร์เท่านั้น!

รายละเอียดทางเทคนิคโดยย่อของโปรเซสเซอร์มีดังนี้:

• ผลผลิต 2 พันล้าน op./s;
• สามารถจดจำภาพ 128 บิตได้ 300,000 ภาพต่อวินาที
• โมเดล 64 เซลล์ประสาท;
• รองรับโครงข่ายประสาทเทียม Hopfield, Perceptron หลายชั้นและรุ่น Madaline III

ความง่ายในการสร้างแอปพลิเคชั่นบน i80170NX นั้นมั่นใจได้จากการมีอยู่ วิธีที่มีประสิทธิภาพการพัฒนา. สำหรับการออกแบบโครงข่ายประสาทเทียม จะมีการจัดหาแพ็คเกจ iNNTS (Intel Neural Network Training System) และ EMB (ETANN Multi-Chip Board) มาให้ แพ็คเกจนี้ยังรวมถึงหนึ่งในโปรแกรมสำหรับการสร้างแบบจำลองและศึกษาเครือข่ายประสาทเทียม iBrainMaker จาก California Scientific Software หรือ iDynaMind จาก NeuroDynamX ทั้งสองโปรแกรมประสบความสำเร็จ ส่วนต่อประสานกับผู้ใช้และสามารถใช้เพื่อสาธิตคุณสมบัติและความสามารถของโครงข่ายประสาทเทียมได้ สำหรับผู้ใช้ประเภทเดียวกันที่ตัดสินใจพัฒนาโมเดลโครงข่ายประสาทเทียมอย่างอิสระจะมีไลบรารีฟังก์ชันทั้งหมดสำหรับควบคุมนิวโรชิป - Training System Interface Lib (TSIL)

การพัฒนาอื่นของ Intel ในด้านโครงข่ายประสาทเทียมคือโปรเซสเซอร์ i80160NC ความแตกต่างหลักจาก i80170NX คือเป็นระบบดิจิตอลโดยสมบูรณ์

ข้อมูลทางเทคนิคของ i80160NC:

• หน่วยความจำภายใน: 1,000 ภาพ 256 บิต;
• ประเภทหน่วยความจำ: แฟลช EPROM;
• จำนวนคลาสสูงสุด: 64;
• ความเร็วในการรับรู้: 33,000 ภาพต่อวินาทีที่ความถี่ 33 MHz
• เช่นเดียวกับ i80170NX โปรเซสเซอร์ i80160NC ได้รับการจ่ายให้กับบอร์ดเร่งความเร็วโครงข่ายประสาทเทียมสำหรับพีซี ลักษณะของบอร์ดมีดังนี้:
• บัสระบบ ISA;
• ความถี่ในการทำงาน 33 MHz;
• ความเร็วบัส 2 Mbit/s;
• กำลังไฟ 8 วัตต์

รองรับซอฟต์แวร์ต่อไปนี้:

• เอ็มเอส วินโดวส์ 3.1;
• เอ็มเอสเอ็กซ์เซล 4.0;
• MS Visual C++, บอร์แลนด์ C++
• มาพร้อมกับบอร์ด วิธีการดังต่อไปนี้การพัฒนาแอพพลิเคชั่น:
• แอสเซมเบลอร์ Ni1000;
• Ni1000 โปรแกรมจำลอง Lib.;
• Ni1000 ฮาร์ดแวร์ Lib.

โปรแกรม Ni1000 Emulator ช่วยให้คุณสามารถดีบักโค้ดแอปพลิเคชันได้โดยไม่ต้องใช้โปรเซสเซอร์ และหลังจากเสร็จสิ้นกระบวนการดีบักแล้ว ให้ดำเนินการทำงานกับฮาร์ดแวร์ทันที

คุณสมบัติหลักของโปรเซสเซอร์ i80170NX และ i80160NC แสดงไว้ในตาราง 4 1.

โปรเซสเซอร์ Ni1000 ได้รับการพัฒนาให้เป็นตัวเลือกโปรเซสเซอร์ร่วมสำหรับงานการรับรู้ภาพ และมีวัตถุประสงค์เพื่อบูรณาการเข้ากับประสิทธิภาพสูง เครื่องสแกนแบบพกพา- การใช้เทคโนโลยีโครงข่ายประสาทเทียมทำให้สามารถบรรลุผลลัพธ์ที่สำคัญในการแก้ปัญหาในชั้นเรียนนี้ ดังนั้นหากโปรเซสเซอร์ AMD29000 และ i80860 RISC ช่วยให้คุณแก้ไขปัญหาได้เร็วขึ้น 2-5 เท่าดังนั้นการใช้ i80160NC ความเร็วในการแก้ไขปัญหาที่คล้ายกันจะเพิ่มขึ้น 100 หรือ 1,000 เท่า! ประสิทธิภาพนี้ทำให้สามารถใช้โปรเซสเซอร์ระดับนี้เพื่อแก้ไขปัญหาที่ซับซ้อนที่สุด - การจดจำลายนิ้วมือ

การปรากฏตัวของตระกูลโปรเซสเซอร์ที่ทรงพลังเช่นนี้ในตลาดให้คำมั่นสัญญาสำหรับนักพัฒนาและผู้ใช้คอมพิวเตอร์อย่างไร ขณะนี้มีปัญหาจำนวนหนึ่งที่มีความซับซ้อนสูงมาก ได้แก่ การพยากรณ์อากาศ การควบคุมการจราจรทางอากาศข้ามมหาสมุทรแอตแลนติกโดยคำนึงถึงการเคลื่อนที่ของมวลอากาศ การสร้างแบบจำลองคอมพิวเตอร์การระเบิดของนิวเคลียร์และอื่น ๆ อีกมากมาย จนกระทั่งเมื่อไม่นานมานี้ พวกเขาพยายามแก้ไขปัญหาดังกล่าวบนซูเปอร์คอมพิวเตอร์ แต่ราคาของอุปกรณ์ดังกล่าวก็น่าประทับใจมาก ในรูป รูปที่ 2 แสดงตำแหน่งของซูเปอร์คอมพิวเตอร์ต่างๆ ขึ้นอยู่กับต้นทุนและประสิทธิภาพ จะเห็นได้อย่างชัดเจนว่า i80160NC เป็นผู้นำที่ไม่มีปัญหา มันทิ้งสัตว์ประหลาดเช่น Cray และ Cyber ​​​​ไว้เบื้องหลัง

ขอบเขตใหม่กำลังเปิดกว้างสำหรับนักพัฒนาระบบ ปัญญาประดิษฐ์- การปรากฏตัวของโปรเซสเซอร์ดังกล่าวหมายถึงความก้าวหน้าในการแก้ปัญหาการจดจำภาพและด้วยเหตุนี้การจดจำ ข้อความที่เขียนด้วยลายมือ, สุนทรพจน์ ฯลฯ ดังนั้นผู้เชี่ยวชาญชาวญี่ปุ่นได้แสดงให้เห็นว่าการใช้โครงข่ายประสาทเทียมทำให้สามารถแปลจากภาษาญี่ปุ่นเป็นภาษาอังกฤษพร้อมกันได้

เหตุการณ์สำคัญที่ผู้เชี่ยวชาญของ Intel จัดการเพื่อให้บรรลุในการสร้างแบบจำลองโครงข่ายประสาทเทียมสามารถแสดงได้ด้วยแผนภาพที่คล้ายกับแผนภาพที่แสดงในรูปที่ 1 3 ซึ่งเปรียบเทียบโครงข่ายประสาทเทียมของสิ่งมีชีวิตกับเครือข่ายที่จำลองโดยใช้โปรเซสเซอร์ Intel

นักพัฒนาระบบประมวลผลประสาทพูดติดตลกว่าผลิตผลของพวกเขาไม่มีอะไรมากไปกว่า "ทากความเร็วเหนือเสียง"

ความฝันของมนุษย์ในการสร้าง คอมพิวเตอร์ซึ่งมีความสามารถเกินหรืออย่างน้อยเท่ากับความสามารถทางปัญญาของบุคคลนั้นยังอยู่ห่างไกลมาก อย่างไรก็ตามก็สามารถพูดได้อย่างมั่นใจว่า งานอินเทลในการสร้างโครงข่ายประสาทเทียม เราได้นำช่วงเวลาที่สมองเทียมจะกลายเป็นหัวใจของคอมพิวเตอร์เดสก์ท็อปเข้ามาใกล้ยิ่งขึ้น

นับตั้งแต่เปิดตัวโปรเซสเซอร์ Intel มีโมเดลระบบประสาทคอมพิวเตอร์หลายรุ่นปรากฏอยู่ในโลก บางรุ่นสามารถพบได้ในตาราง 2.

จนถึงปัจจุบัน มีการพัฒนาแผงเร่งความเร็วและนิวโรคอมพิวเตอร์เฉพาะทางจำนวนมาก คอมพิวเตอร์นิวรัลถูกนำมาใช้ในกิจกรรมของมนุษย์ในด้านต่างๆ แล้ว ในสหรัฐอเมริกา มีระบบตรวจจับวัตถุระเบิดพลาสติกในกระเป๋าสัมภาระของผู้โดยสารทางอากาศโดยใช้โครงข่ายประสาทเทียม ความสนใจมากมุ่งเน้นไปที่การใช้ตัวประมวลผลประสาทในระบบสวิตชิ่งในเครือข่ายข้อมูล มีระบบระบุลายนิ้วมือโดยใช้โครงข่ายประสาทเทียม วรรณกรรมนี้อธิบายถึงกรณีอื่นๆ มากมายของการใช้ตัวประมวลผลประสาทอย่างประสบความสำเร็จ

คุณลักษณะเฉพาะของการพัฒนาเทคโนโลยีคอมพิวเตอร์รอบใหม่คือการนำมาซึ่ง การเปลี่ยนแปลงขั้นพื้นฐานสู่โลกวิทยาการคอมพิวเตอร์ ด้วยการก่อตั้งเทคโนโลยีคอมพิวเตอร์รุ่นต่อไปในสังคม อาชีพโปรแกรมเมอร์จึงไม่จำเป็นอีกต่อไป และผู้เชี่ยวชาญด้านการฝึกอบรมประสาทคอมพิวเตอร์จะเข้ามาแทนที่เขา การเริ่มต้นใช้งานคอมพิวเตอร์ใหม่แต่ละเครื่องจะต้องได้รับการฝึกอบรมก่อน เป็นไปได้ว่าจะต้องมีนักจิตวิทยาไซเบอร์และนักการศึกษาเกี่ยวกับระบบประสาท ดังนั้นเราจึงอยู่ในจุดเปลี่ยนในการพัฒนาวิทยาการคอมพิวเตอร์และเทคโนโลยีคอมพิวเตอร์ และตัวประมวลผลระบบประสาทของ Intel ซึ่งเป็นสัญญาณแรกของยุคของคอมพิวเตอร์ระบบประสาท มีบทบาทสำคัญในการทำให้มันเกิดขึ้น

วรรณกรรม

1. A. Thakoor และคณะ, การทบทวนโปรแกรม DARPA, ธ.ค. 1991 วอชิงตัน ดี.ซี.
2. M. Holler, S. Tam, H. Castro, R. Benson, “An Electrically Trainable Artificial Neural Network (ETANN) with 10240 “Floating Grate” Synapses,” การประชุมร่วมระหว่างประเทศเรื่อง Neural Networks, มิถุนายน 1989, วอชิงตัน ดี.ซี.
3. Intel, i80170NX โครงข่ายประสาทเทียมแบบอะนาล็อกที่ฝึกได้ด้วยระบบไฟฟ้า, Intel Corp., มิถุนายน 1991
4. Stanly, Jeanette, Introduction to Neural Networks, ซอฟต์แวร์วิทยาศาสตร์แคลิฟอร์เนีย, 1990
5. Intel, เทคโนโลยีและแอปพลิเคชันเครือข่ายประสาทเทียม 80170NX, Intel Corp., 1992

เซอร์เกย์ กรินยาเยฟ

เรายินดีต้อนรับผู้อ่านของเราสู่หน้าบล็อก iCover! โดยในงานจัดขึ้นเมื่อต้นเดือนกุมภาพันธ์ที่เมืองซานฟรานซิสโก การประชุมนานาชาติระหว่างประเทศ โซลิดสเตต Circuits Conference (ISSCC-2016) กลุ่มนักพัฒนาจาก MIT (Massachusetts Institute of Technology) สาธิตต้นแบบการทำงานของชิป Eyeriss รุ่นใหม่ ซึ่งถูกสร้างขึ้นเพื่อเป็นโซลูชันแนวความคิดเพื่อสร้างความสามารถของอัลกอริธึมโครงข่ายประสาทเทียมในวงกว้างขึ้นมาใหม่ ของอุปกรณ์ที่ใช้พลังงานต่ำ

หนึ่งใน เหตุผลวัตถุประสงค์สาเหตุที่โครงข่ายประสาทเทียมไม่ได้รับการพัฒนาอย่างเหมาะสมในสมาร์ทโฟนหรือแท็บเล็ตของเราก็เนื่องมาจากการขาดแหล่งพลังงานขนาดกะทัดรัดที่มีพลังงานเพียงพอ ท้ายที่สุดแล้วสิ่งที่เรียกว่าระบบปัญญาประดิษฐ์ที่มีลักษณะคล้ายสมอง "คล้ายสมอง" อย่างน้อยก็ในรูปแบบที่นำเสนอ เทคโนโลยีที่ทันสมัยพวกเขาพึ่งพาการทำงานกับโปรเซสเซอร์แบบมัลติคอร์อันทรงพลังซึ่งใช้พลังงานจำนวนมหาศาลเมื่อเทียบกับสมองของเรา เป็นไปไม่ได้เลยที่จะจินตนาการถึงโซลูชันดังกล่าวในระดับอุปกรณ์ระดับผู้ใช้ อย่างน้อยก็จนกระทั่งเมื่อไม่นานมานี้ ในเวลาเดียวกันแนวคิดเรื่อง "การย่อขนาด" ของปัญญาประดิษฐ์ได้สร้างความตื่นเต้นให้กับจิตใจของนักพัฒนามาเป็นเวลานานและปรากฎว่ากำลังเกิดผลที่จับต้องได้ค่อนข้างมากแล้ว

โครงข่ายประสาทเทียมเป็นจุดสนใจของความสนใจทางวิทยาศาสตร์มาตั้งแต่ช่วงแรกๆ ของการวิจัยปัญญาประดิษฐ์ แต่ในช่วงทศวรรษ 1970 โครงข่ายประสาทเทียมเหล่านี้ถูกลืมไปบ้างแล้ว ในทศวรรษที่ผ่านมา เทคโนโลยีที่เกี่ยวข้องกับการใช้โครงข่ายประสาทเทียมได้รับการศึกษาในระดับโปรแกรม "การเรียนรู้เชิงลึก"

“การเรียนรู้เชิงลึกมีการใช้งานหลายอย่าง เช่น วัตถุ คำพูด หรือการจดจำใบหน้า” Vivienne Sze และ Emanuel E. Landsman ผู้ช่วยศาสตราจารย์ด้านวิศวกรรมไฟฟ้าที่ MIT กล่าว วิทยาการคอมพิวเตอร์ซึ่งทางกลุ่มได้พัฒนาชิปตัวใหม่ “ตอนนี้โครงข่ายประสาทเทียมค่อนข้างซับซ้อนและทำงานบนชิปที่ทรงพลังเป็นหลัก ลองจินตนาการถึงความสามารถในการนำฟังก์ชันนี้มาสู่คุณ โทรศัพท์มือถือหรืออุปกรณ์ในตัวแล้วประมวลผลข้อมูลจำนวนมหาศาลโดยไม่ต้องใช้การเชื่อมต่อ Wi-Fi การประมวลผลข้อมูลจำนวนมากบนสมาร์ทโฟนของคุณจะช่วยหลีกเลี่ยงความล่าช้าที่เกิดขึ้นเนื่องจากการแลกเปลี่ยนข้อมูลกับเครือข่าย ซึ่งจะทำให้แอปพลิเคชันจำนวนมากทำงานได้อย่างมีประสิทธิภาพมากขึ้น นอกจากนี้ โซลูชันที่นำเสนอจะมอบคุณภาพใหม่ในการปกป้องข้อมูลที่เป็นความลับ”

โครงข่ายประสาทเทียมมักจะถูกนำมาใช้บนพื้นฐานของมัลติคอร์ GPU(จีพียู) ในการประชุมนานาชาติที่ซานฟรานซิสโก นักวิจัยของ MIT นำเสนอชิป 168 คอร์ตัวใหม่ที่ออกแบบมาเพื่อใช้อัลกอริธึมปัญญาประดิษฐ์บนโครงข่ายประสาทเทียม เมื่อเปรียบเทียบกับ GPU มือถือ (ไม่ได้ระบุว่าเป็นรุ่นใด) โปรเซสเซอร์แสดงให้เห็นประสิทธิภาพที่สูงกว่าถึง 10 เท่า ซึ่งช่วยให้อุปกรณ์มือถือของผู้ใช้สามารถใช้เพื่อเรียกใช้อัลกอริธึมปัญญาประดิษฐ์อันทรงพลังภายในเครื่องโดยไม่จำเป็นต้องส่งข้อมูลไปยังคลาวด์เพื่อการประมวลผล ประเด็นหลักของการพัฒนาสะท้อนให้เห็นในข่าวประชาสัมพันธ์ของ MIT ลงวันที่ 3 กุมภาพันธ์ 2559

ชิปตัวใหม่นี้เรียกว่า "Eyeriss" โดยนักพัฒนา สามารถค้นหาแอปพลิเคชั่นที่หลากหลายใน Internet of Things อุปกรณ์อิเล็กทรอนิกส์ที่สวมใส่ได้ การขับขี่ด้วยตนเอง ยานพาหนะอุปกรณ์การผลิตและแม้กระทั่งในภาคเกษตรกรรมที่ช่วยแก้ไขปัญหาและประสานงานของงานในปัจจุบัน ด้วยอัลกอริธึมปัญญาประดิษฐ์บนเครื่อง อุปกรณ์เคลื่อนที่จะสามารถตัดสินใจได้ ระดับท้องถิ่นโดยให้ผลลัพธ์สำเร็จรูปแก่ผู้ใช้เพื่อเป็นแนวทางในการดำเนินการ แทนที่จะเป็นชุดข้อมูล "ดิบ" จากอินเทอร์เน็ต และแน่นอนว่า หนึ่งในแอปพลิเคชันของโครงข่ายประสาทเทียมในพื้นที่ก็คือการใช้ในการสร้างหุ่นยนต์อัตโนมัติเพื่อวัตถุประสงค์ที่หลากหลาย

แบ่งแยกและพิชิต

โครงข่ายประสาทเทียมมักมีโครงสร้างหลายชั้นและแต่ละชั้นประกอบด้วย จำนวนมากโหนดการประมวลผล บน ระยะเริ่มแรกข้อมูลการประมวลผลมาถึงและกระจายไปยังโหนดของชั้นล่าง หลังจากประมวลผลข้อมูลที่ได้รับจากแต่ละโหนดแล้ว ผลลัพธ์จะถูกถ่ายโอนเพื่อประมวลผลไปยังโหนดของเลเยอร์ถัดไป ที่ผลลัพธ์ของเลเยอร์สุดท้ายผลลัพธ์ของการแก้ปัญหาจะเกิดขึ้น ดังนั้นการแก้ปัญหาขนาดใหญ่โดยใช้อัลกอริธึมที่อธิบายไว้จะต้องใช้ทรัพยากรการประมวลผลจำนวนมาก

ข้อกำหนดที่นักพัฒนานำเสนอต่อชิปในตอนแรกนั้นวางไว้ภายในกรอบงานที่ค่อนข้างเข้มงวด: ในด้านหนึ่งโซลูชันจะต้องประหยัดพลังงานในอีกด้านหนึ่งจะต้องดำเนินการ บล็อกง่ายๆข้อมูล. สุดท้ายชิปจะต้องสามารถจำลองได้ ประเภทต่างๆโครงข่ายประสาทเทียมโดยคำนึงถึงงานปัจจุบันที่ได้รับมอบหมาย ข้อกำหนดทั้งหมดเหล่านี้ถูกนำมาใช้ในโปรเซสเซอร์ Eyeriss ได้สำเร็จ

ชิปที่พัฒนาขึ้นที่ห้องปฏิบัติการของ MIT นั้นเป็นโครงข่ายประสาทเทียมที่สร้างขึ้นแล้ว ซึ่งแปลเป็นภาษาท้องถิ่นที่ระดับโปรเซสเซอร์ 168 คอร์ ซึ่งในอนาคตจะสามารถติดตั้งลงในอุปกรณ์มือถือได้

กุญแจสำคัญในประสิทธิภาพของ Eyeriss คือการลดความถี่ของการสื่อสารระหว่างคอร์และ ธนาคารภายนอกหน่วยความจำ การดำเนินการที่เกี่ยวข้องกับ การใช้พลังงานสูงและต้นทุนเวลา แม้ว่าคอร์ GPU แบบดั้งเดิมจะเชื่อมโยงกับคลังหน่วยความจำทั่วไป แต่คอร์ Eyeriss แต่ละคอร์ก็มี หน่วยความจำของตัวเอง- นอกจากนี้ ข้อมูลยังผ่านขั้นตอนการบีบอัดก่อนที่จะถูกส่งไปยังคอร์ที่อยู่ใกล้เคียง

ข้อดีอีกประการของอัลกอริธึมที่นำมาใช้คือความสามารถของคอร์ในการ "สื่อสาร" ซึ่งกันและกันโดยตรงโดยข้าม "ตัวกลาง" ในรูปแบบของบัสหน่วยความจำระบบ นี่เป็นสิ่งสำคัญ คุณสมบัติที่สำคัญเพื่อจำลองการทำงานของ “โครงข่ายประสาทเทียม” (CNN) งานคำนวณทั้งหมดที่จำเป็นสำหรับการรู้จำภาพและเสียงจะดำเนินการภายในเครื่องใน Eyeriss โดยไม่จำเป็นต้องเข้าถึงทรัพยากรเครือข่าย ซึ่งช่วยให้อุปกรณ์ทำงานได้อย่างมีประสิทธิภาพแม้ในกรณีที่ไม่มีเครือข่ายภายนอก

ท้ายที่สุด ข้อดีอีกประการของ Eyeriss ก็คือหลักการของการกระจายงานการประมวลผลแต่ละรายการแบบ “อัจฉริยะ” ระหว่างคอร์ภายในกรอบของปัญหาเดียวที่ต้องแก้ไข ในตัวเขา หน่วยความจำท้องถิ่นเคอร์เนลต้องไม่เพียงแต่จัดเก็บข้อมูลที่ประมวลผลโดยโหนดเท่านั้น แต่ยังรวมถึงข้อมูลที่อธิบายโหนดด้วย เพื่อให้มั่นใจว่า ประสิทธิภาพสูงสุดกระบวนการประมวลผลข้อมูลตลอดจนโหลด Eyeriss ด้วยจำนวนข้อมูลสูงสุดจากหน่วยความจำหลัก อัลกอริธึมการกระจายข้อมูลสำหรับทั้งสองประเภทได้รับการปรับให้เหมาะสมโดยชิปที่ออกแบบมาเป็นพิเศษเพื่อจุดประสงค์นี้แบบเรียลไทม์โดยคำนึงถึงคุณสมบัติของกระแส โครงข่ายประสาทเทียม

ที่การประชุม International Solid State Circuits Conference ในซานฟรานซิสโก ทีมพัฒนาได้ใช้ความสามารถของชิป Eyeriss ระดับ "ผู้ใช้" ได้สาธิตการใช้งานอัลกอริธึมการจดจำรูปแบบภายในโครงข่ายประสาทเทียมท้องถิ่น งานที่คล้ายกันซึ่งระบุไว้ในข่าวประชาสัมพันธ์ได้ถูกนำมาใช้ก่อนหน้านี้ แต่ในระดับโครงการของรัฐบาลของโครงข่ายประสาทเทียมที่ทันสมัยที่สุดที่สร้างขึ้น

“งานนี้มีความสำคัญมากเพราะมันแสดงให้เห็นว่าโปรเซสเซอร์การเรียนรู้เชิงลึกแบบฝังตัวอย่างมีประสิทธิภาพสามารถส่งมอบพลังงานที่ต้องการและประสิทธิภาพการเพิ่มประสิทธิภาพและนำมาซึ่งความซับซ้อนได้อย่างไร กระบวนการคำนวณจากระบบคลาวด์ไปจนถึงอุปกรณ์เคลื่อนที่” ไมค์ โพลลีย์ รองประธานอาวุโสฝ่ายห้องปฏิบัติการกล่าว โปรเซสเซอร์มือถือ Innovations Lab ของ Samsung กล่าวเพิ่มเติมว่า "นอกเหนือจากชุดโซลูชันฮาร์ดแวร์ที่เป็นนวัตกรรมแล้ว การวิจัยของ MIT ยังแสดงให้เห็นอย่างชัดเจนว่าเคอร์เนลที่ฝังไว้สามารถนำไปใช้ประโยชน์สำหรับนักพัฒนาแอปพลิเคชันที่ใช้มาตรฐานได้อย่างไร สถาปัตยกรรมเครือข่าย AlexNet และ Caffe"

เงินทุนสำหรับโครงการ Eyeriss โดยเริ่มจากการสร้างหน่วยในห้องปฏิบัติการของ MIT ส่วนหนึ่งได้รับการจัดสรรโดย DARPA หน่วยงานด้านกลาโหมของสหรัฐอเมริกา ไม่น่าแปลกใจเลยที่ Patrick Tucker นักวิเคราะห์ทางทหารชื่อดังจะตอบสนองต่อการประกาศโปรเซสเซอร์ด้วยเนื้อหาด้านบรรณาธิการที่น่าประทับใจ ในความเห็นของเขา โปรเซสเซอร์ Eyeriss ใหม่ที่ติดตั้งบนอุปกรณ์พกพาของทหารสหรัฐฯ จะสามารถแก้ไขปัญหาการประมวลผลที่ซับซ้อนที่เกี่ยวข้องกับการประมวลผลข้อมูลจำนวนมหาศาลโดยไม่ต้องเชื่อมต่อกับเครือข่ายทั่วไป

ดังนั้น ปัจจุบันกองทัพอากาศสหรัฐฯ ได้รับวิดีโอ HD มากถึง 1,500 ชั่วโมง และภาพถ่ายมากถึง 1,500 ภาพทุกวันจากโดรนที่บินอยู่เหนืออัฟกานิสถาน ความละเอียดสูงเป็นพิเศษ- ยิ่งไปกว่านั้น การไหลของข้อมูลที่ไม่สิ้นสุดทั้งหมดนี้ต้องได้รับการวิเคราะห์ด้วยสายตาโดยผู้ปฏิบัติงานด้วยวิธีล้าสมัย เนื่องจากซอฟต์แวร์คอมพิวเตอร์ที่มีอยู่ไม่สามารถแยกแยะชาวนาที่เดินไปตามเส้นทางบนภูเขาด้วยไม้เท้าจากผู้ก่อการร้ายด้วยเครื่องยิงขีปนาวุธนำวิถี . เริ่มแรกมีการสร้างวิธีการเพื่อแก้ไขปัญหาดังกล่าว การเรียนรู้ของเครื่องบนพื้นฐานของการเรียนรู้การเป็นตัวแทน

โปรเซสเซอร์ Eyeriss เหมาะอย่างยิ่งสำหรับการติดตั้งบนโดรนทหารไร้คนขับ เนื่องจากจะทำให้สามารถประมวลผลภาพและวิดีโอต่างๆ ได้อย่างชาญฉลาดโดยใช้เทคโนโลยีการเรียนรู้เชิงลึกบนเครื่องบินโดยตรง ในกรณีนี้ ข้อมูลที่เป็นประโยชน์ที่ผ่านการคัดกรองแล้วสามารถส่งโดยตรงไปยังหน่วยรบที่ปฏิบัติการในภูมิภาคที่ระบุ โดยข้ามศูนย์วิเคราะห์ ข้อมูลการดำเนินงาน.

สรุปสั้นๆ

ในระหว่างการทดลอง ชิป Eyeriss แสดงให้เห็นระดับประสิทธิภาพการใช้พลังงานสูงกว่าโทรศัพท์มือถือสมัยใหม่ถึงสิบเท่า ชิปกราฟิก- ในเวลาเดียวกันด้วยความช่วยเหลือทำให้เป็นไปได้ทางเทคโนโลยีเพื่อให้แน่ใจว่าการทำงานของอัลกอริธึมปัญญาประดิษฐ์บนอุปกรณ์ที่มี ขนาดกะทัดรัด– จากสมาร์ทโฟนและแท็บเล็ตไปจนถึงอุปกรณ์อิเล็กทรอนิกส์ที่สวมใส่ได้ ความล่าช้าที่สร้างโดยเครือข่ายระหว่างการแลกเปลี่ยนข้อมูลสำหรับโปรเซสเซอร์ดังกล่าวจะลดลง เนื่องจากชิปสามารถทำการคำนวณส่วนใหญ่ในเครื่องได้ จาก Eyeriss คุณสามารถสร้าง "ได้ทุกประเภท" อุปกรณ์อัจฉริยะ" แต่ยังรวมถึงหุ่นยนต์ที่มีความเป็นอิสระในการตัดสินใจในระดับหนึ่งด้วย

นักพัฒนา MIT ยังไม่ได้ตั้งชื่อช่วงเวลาที่เจาะจงในระหว่างที่ Eyeriss จะสามารถเปลี่ยนเป็นผลิตภัณฑ์เชิงพาณิชย์และเปิดเผยความสามารถอย่างเต็มที่ในระดับผู้บริโภค การมองโลกในแง่ดีบางประการได้รับแรงบันดาลใจจากการมีส่วนร่วมของผู้เชี่ยวชาญ NVIDIA ชั้นนำในการพัฒนาและความสนใจของผู้รับผิดชอบ นักวิจัยจากซัมซุง