Возможные способы применения и реализации

Чаще всего используются программы-нейроимитаторы (список которых широк) - они работают на обычных компьютерах, а современные нейроалгоритмы позволяют быстро обрабатывать значительные объемы информации, т.е. использовать нейронные сети для решения сложных реальных задач. Программы включают в себя как набор базовых операций по созданию, обучению и манипулированию нейронными сетями, исходными данными, свойствами нейросетей и нейрорешений, так и автоматизированные процедуры выполнения наиболее рутинных цепочек действий, например, для определения оптимальных настроек сети и алгоритма обучения.

После создания нейросетевых моделей используется либо автоматическая генерация описания обученной нейросети на некотором языке программирования для того, чтобы полученный модуль можно было вставить в программу пользователя, либо поддерживаемые нейроимитаторами стандартные средства межпрограммной коммуникации (DDE, OLE, COM в среде Windows) для возможности вызова этих нейропрограмм из программ пользователя.

На специфические вычислительные архитектуры (например, сигнальные процессоры) обычно переносят сгенерированное программой-нейроимитатором описание обученной нейронной сети на языке программирования (например, языке С). Для ПЛИС/PLM/FPGA-кристаллов существуют и CAD-системы, в которых номенклатуру нейроэлементов можно создать-описать в виде набора модулей и потом из этих модулей путем выбора и "перетаскивания" мышкой собрать нужную топологию-архитектуру нейросети, затем проект скомпилировать и "прошить" кристалл. В настоящее время возможно создавать нейрокомпьютеры на базе видеокарт (графических процессоров).

Так что существует широкий спектр достаточно универсальных способов организации инструментальных средств и собственно процесса применения нейронных сетей на различной программно-аппаратной базе. Всегда можно подобрать наиболее оптимальный для некоторой задачи способ − всё определяется свойствами задачи и требованиями к решению, а также компетентностью пользователя.

Категории аппаратного обеспечения инс

Можно выделить три широких класса: цифровое, аналоговое и гибридное исполнения.

Цифровое исполнение

В цифровом исполнении все значения, обрабатываемые нейронной сетью, представлены бинарными словами с характерной длиной слова. К преимуществам цифровой технологии перед аналоговой следует отнести независимость от электромагнитных помех, возможность использования RAM для хранения весовых коэффициентов (в течение неопределенного отрезка времени), хорошо отработанные технологии изготовления, высокая точность в вычислительных операциях, а также легкая интегрируемость в уже существующие системы. Однако в этом случае, как и везде, присутствуют недостатки, среди которых следует отметить более медленные (хотя и более точные) вычисления, а также проблемы, связанные с конвертацией аналогового сигнала. Примеры: чип Philips Lneuro, MD1220 от Micro Devices, Inova N64000.

Аналоговое исполнение

К преимуществам этой категории аппаратных средств реализации ИНС следует отнести высокие скорости обработки информации и возможности высокой плотности расположения элементов. Однако тут же дают о себе знать и недостатки — сложность в получении высокой точности, обусловленная различиями в компонентах из-за системы допусков при производстве, различные характеры тепловых и электромагнитных помех, искажающих полезный сигнал. Еще одной проблемой является сложность в долгосрочном хранении весовых коэффициентов и организации операций аналогового умножения.

В качестве примера можно привести разработку Intel — 8017NW ETANN (Electrically Trainable Analogue Neural Networks), содержащий 64 нейрона и 10280 весовых коэффициентов. ИНС, реализованная в продукте Synaptics Silicon Retina, обрабатывает изображение, моделируя процессы, происходящие в сетчатке глаза.