- •Нейрокомпьютеры
- •Многопроцессорные ускорительные платы
- •Ускорительные модули на tms-процессорах
- •Разработка нейрокомпьютеров на программируемых матрицах
- •(3)Особенности реализации нейрочипов
- •Сбис-нейрочипы или плис-нейрочипы?
- •Сбис-нейрочипы
- •Плис-нейрочипы, современное состояние
- •Надежда на плис
- •Конфигурируемые процессоры
- •Зачем это нужно
- •Нейрочип-8: универсальный нейрочип для обработки двоичной информации
- •Области применения нейрочипа
- •4. Подходы к аппаратной реализации нейросетей
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.
Аппаратная реализация нейроалгоритмов