Библиографическое описание:

Кравчук Д. И., Кравчук В. И. Проблемы нейрокомпьютерных средств // Молодой ученый. — 2015. — №10. — С. 53-55.

В статье рассматриваются нейрокомпьютерных средств, проблемы, связанные с их развитием, реализацией и функционированием.

Ключевые слова:нейрон, нейронные сети, нейроинформатика, программи́руемая логи́ческая интегра́льная схе́ма.

 

Для того чтобы выделить актуальные проблемы нейрокомпьютерных средств необходимо разобраться, а что же это за средства. Нейрокомпьютерные средства — устройства либо программное обеспечение переработки информации на основе принципов работы естественных нейронных систем. Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей. Проблематика нейрокомпьютеров заключается в построении реальных физических устройств, что позволит не просто моделировать искусственные нейронные сети на обычном компьютере, но так изменить принципы работы компьютера, что станет возможным говорить о том, что они работают в соответствии с теорией искусственных нейронных сетей.

Немного подробнее остановимся на понятии искусственных нейронных сетей (ИНС). ИНС — сеть, состоящая из искусственных нейронов. Модель искусственного нейрона представления на рисунке 1.

Рис. 1. Модель искусственного нейрона.

 

Взвешенные входные сигналы через сумматор подаются на блок с функцией активации. Общая модель ИНС представлена на рисунке 2.

Ins4.png

Рис. 2. Модель ИНС.

 

На рисунке видно, что в составе ИНС можно выделить несколько слоев: входной, скрытый (1 и более) и выходной. Каждый нейрон предыдущего слоя связан с каждым нейроном следующего слоя.

Для того чтобы, ИНС проводила переработку информации необходимо ее обучить. Тут вскрываются несколько проблем, общих для всех нейрокомпьютерных средств. Во-первых, это сложность обучения нейронных сетей. Моделирование обучения с помощью компьютера предполагает постоянное изменение весов и порогов таким образом, что классификация приобретает более высокий уровень после каждого шага. Обучение может быть реализовано различными алгоритмами. Во-вторых, это возникновение ошибок обучения, связанных с применением того или иного алгоритма обучения. Еще одной проблемой или скорее особенностью нейрокомпьютерных средств является их узкая специализация под решение конкретных задач, таких как, к примеру, задача распознавания образов.

Исходя из того, как реализованы нейрокомпьютерные средства, их можно разделить на три группы:

1.          Аппаратные;

2.          Программные;

3.          Смешанные.

Нейрокомпьютерных средств аппаратной реализации могут быть использованы в случае, если необходима обработка информации в режиме реального времени. Примером реализации искусственного нейрона для таких средств является NeuroMatrix NM6403, относящийся к семейству цифровых сигнальных процессоров (Digital Signal Processor, DSP). Особенность данного семейства — оригинальная запатентованная векторно-матричная архитектура, обеспечивающая высокое соотношение производительности к цене устройств.

Процессоры семейства NeuroMatrix — это высокопроизводительные вычислительные устройства RISC-архитектуры с элементами VLIW (Very Long Instruction Word — очень длинное командное слово), SIMD (Single Instruction Multiple Data) и суперскаляра. Они аппаратно поддерживают матричные и векторные операции над 64-разрядными векторами, в которых упакованы данные (в дополнительном коде с фиксированной точкой). Каждый вектор может состоять из нескольких элементов произвольной разрядности, но суммарная разрядность всех элементов вектора должна составлять 64 разряда.

Обучение таких нейрокомпьютерных средств строится на принципе обратной связи. При построении таких средств проявляется еще одна проблема. Для решения сложных задач, связанных с обработкой данных, необходима реализация сложных и труднореализуемых на аппаратном уровне конструкций.

Решение этой проблемы возможно за счет применения нейрокомпьютерных средств смешанной (аппаратно-программной) реализации с применением программируемой логической интегральной схемы (ПЛИС). ПЛИС — электронный компонент, используемый для создания цифровых интегральных схем. В отличие от обычных цифровых микросхем, логика работы ПЛИС не определяется при изготовлении, а задаётся посредством программирования (проектирования). Для программирования используются программаторы и отладочные среды, позволяющие задать желаемую структуру цифрового устройства в виде принципиальной электрической схемы или программы на специальных языках описания аппаратуры: Verilog, VHDL, AHDL и др. Альтернативой ПЛИС являются: программируемые логические контроллеры (ПЛК), базовые матричные кристаллы (БМК), требующие заводского производственного процесса для программирования; ASIC — специализированные заказные большие интегральные схемы (БИС), которые при мелкосерийном и единичном производстве существенно дороже; специализированные компьютеры, процессоры (например, цифровой сигнальный процессор) или микроконтроллеры, которые из-за программного способа реализации алгоритмов в работе медленнее ПЛИС.

На роль центральной проблемы, решаемой всей нейроинформатикой и нейрокомпьютингом, А. Горбань предложил проблему эффективного параллелизма. Давно известно, что производительность компьютера возрастает намного медленнее, чем число процессоров. М. Минский сформулировал гипотезу: производительность параллельной системы растёт (примерно) пропорционально логарифму числа процессоров — это намного медленнее, чем линейная функция (Гипотеза Минского) [1].

Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.

Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом нейросети позволяют эффективно использовать параллелизм.

Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях.

-          Управление в режиме реального времени: самолетами, ракетами и технологическими процессами непрерывного производства (металлургического, химического и др.);

-          Распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

-          Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

-          Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютерные средства могут занять достойное место в современном обществе.

 

Литература:

 

1.         А.Горбань, Д. Россиев. Нейронные сети на персональном компьютере. //Новосибирск: Наука, 1996.
2.         Ф.Уоссермен, Нейрокомпьютерная техника, М.,Мир, 1992.
3.         Итоги науки и техники: физические и математические модели нейронных сетей, том 1, М., изд. ВИНИТИ, 1990.

Обсуждение

Социальные комментарии Cackle