Области применения нейрочипа

Несмотря на то, что нейрочип предназначен для обработки двоичной информации, он может применяться для решения целого круга прикладных задач:

• распознавание черно-белых изображений (букв, цифр, символов);

• распознавание двоичных образов («годен/негоден»);

• обработка двоичных сигналов;

• прочие задачи, связанные с обработкой двоичной информации.

В качестве демонстрационной была выбрана задача распознавания цифр на черно-белом поле размером 8 на 8 точек, инвариантных к сдвигу и повороту.

Нейрочипы бывают цифровые, аналоговые и гибридные. Они также могут включать схемы настройки весов при обучении, а могут не иметь таких схем и предусматривать внешнюю загрузку весов. Наибольшую проблему при создании нейрочипов представляют схемы умножения, т. к. именно они ог­раничивают скорость вычислений.

Цифровые нейрочипы

Одним из первых коммерчески доступных нейрочипов был Micro Devices MD1220. Этот кристалл интерпретирует 8 нейронов и 8 связей с 16-разрядными хранящимися во внутрикристальной памяти весами и однораз­рядными входами. Входы имеют одноразрядные последовательные умножи­тели. Длительность такта — 7,2 мкс, что обеспечивает 8,9 MCPS. Сумматоры в кристалле также 16-разрядные. Из этих нейрочипов путем их каскадиро­вания могут быть построены нейрокомпьютеры, аппаратно интерпретирую­щие в одном такте число нейронов, размещающееся в совокупности объе­диненных нейрочипов.

Цифровые кристаллы для систолических систем и систем с одним потоком команд

Это кристаллы с меньшей степенью специализации для нейровычислений и представляют собой близкие к обычным RISC-процессорам чаще всего 16-или 32-разрядные процессоры.

Нейрочипы с радиусными базисными функциями

Аналоговые нейрочипы

Гибридные нейрочипы

4. Подходы к аппаратной реализации нейросетей

Построение вычислительных систем, интерпретирующих нейросетевые ал­горитмы, осуществляется сейчас на традиционной элементной базе. Однако весьма многообещающей выглядит потенциальная возможность реализации базисной операции (вычисления скалярного произведения) в физической среде-носителе сигнала. Прежде всего, это касается операции суммирования в электромагнитном поле, хотя в живых организмах существуют и иные примеры, в частности, суммирование на биохимическом уровне. Реализация скалярного произведения за счет суммирования электромагнитного поля (включая оптический диапазон) может привести к тому, что время срабаты­вания элемента, вычисляющего скалярное произведение, будет исключи­тельно малым, сравнимым со временем прохождения светом линейного размера элемента.

Алгоритм, заданный нейронной сетью, может быть интерпретирован обыч­ной универсальной вычислительной машиной, либо некоторым специали­зированным устройством.

Сравнение аппаратных средств, интерпретирующих нейросетевые алгорит­мы, затруднено в связи с большим разнообразием параметров. В их число входят: число интерпретируемых нейронов и связей, точность представления значений входов/выходов и весов входов, точность схем умножения и сло­жения (особенно при аналоговой реализации). Например, если используются 8-разрядные входы и веса и 16-разрядный сумматор, то возникают пробле­мы точности результатов при интерпретации сетей, имеющих многовходо-вые нейроны.

Принятой в нейрокомпьютерном мире единицей измерения производитель­ности является число соединений в секунду (CPS — Connections Per Second). Под соединением понимается умножение входа на вес и сложение с накопленной суммой.

Другим показателем, оценивающим скорость обучения, служит число изме­ненных значений весов в секунду (CUPS — Connections Update Per Second).

Эти показатели достаточно условны, т. к. не учитывают разрядности обрабатываемых входов и весов, точность промежуточных результатов и другие особенности. При оценке в этих единицах традиционных вычислительных устройств не­обходимо учитывать, кроме собственно вычислительных операций, операции по выборке из памяти операндов и организации вычислений.

5. Аппаратная реализация нейроалгоритмов