Суперкомпьютеры

Согласно определению Госдепартамента США — компьютеры с производительностью свыше 10.000 млн. теоретических операций в секунду (МТОРS), считаются суперкомпьютерами.

Другими основными признаками, характеризующими суперЭВМ, кроме высокой производительности являются самый современный технологический уровень (например, GаАs-технология), специфические архитектурные решения, направленные на повышение быстродействия (например, наличие операций над векторами) и цена, обычно свыше 1-2 млн. долл.

При создании суперкомпьютеров возникает целый ряд естественных вопросов:

• какие задачи настолько важны, что требуются компьютеры стоимостью несколько миллионов долларов?

• какие задачи настолько сложны, что хорошего Реntium II не достаточно?

Традиционной сферой применения суперкомпьютеров всегда были научные исследования, физика плазмы и статистическая механика, физика конденсированных сред, молекулярная и атомная физика, теория элементарных частиц, газовая динамика и теория турбулентности, астрофизика. Среди технических проблем, для решения которых используются суперкомпьютеры, можно указать на задачи аэрокосмической и автомобильной промышленности, ядерной энергетики, предсказания и разработки месторождений полезных ископаемых, нефтедобывающей и газовой промышленности (в том числе проблемы эффективной эксплуатации месторождений, особенно трехмерные задачи их исследования), и, наконец, конструирование новых микропроцессоров и компьютеров, в первую очередь самих суперЭВМ. Суперкомпьютеры традиционно применяются для военных целей.

Бионический (или нейросетевой) подход к созданию интеллектуальных компьютерных систем

В настоящее время биоэлектроника является новейшей отраслью науки и техники, изучающей принципы и методы обработки информации живыми организмами с целью создания высокопроизводительных, надежных и интеллектуализированных вычислительных средств.

Одним из направлений бионического подхода к созданию интеллектуальных компьютерных систем являются исследования в области создания нейрокомпьютера - систем нечисловой информационно-логической обработки данных, реализуемых на базе новых архитектурных принципов ЭВМ. В основе этих работ лежат интенсивные исследования:

• структуры и процессов функционирования человеческого мозга,

• нейронных сетей низших типов животных,

• методов получения мономолекулярных органических пленок и многослойных структур на их основе,

• методов получения биологических проводников электрического тока,

• создания искусственных нейронных сетей в виде специализированных электронных схем, состоящих из электронных аналогов клеток головного мозга.

Отличительной чертой нейронных сетей является их способность менять свое поведение (обучаться) в зависимости от изменения внешней среды, извлекая скрытые закономерности из потока данных. При этом алгоритмы обучения не требуют каких-либо предварительных знаний о существующих в предметной области взаимосвязях — необходимо только подобрать достаточное число примеров, описывающих поведение моделируемой системы в прошлом.

Таким образом, нейросетевая технология обладает двумя чрезвычайно полезными свойствами:

1. Способностью обучаться на конкретном множестве примеров.

2. Умением стабильно распознавать, прогнозировать новые ситуации с высокой степенью точности, причем в условиях внешних помех, например появления противоречивых или неполных значений в потоках информации.

Взяв за основу работу мозга, нейросетевые технологии включили в себя и ряд биологических терминов, понятий, параметров, а метод получил название генетического алгоритма.

Генетический алгоритм реализован в популярных версиях нейропакетов — широко известным в России Brain Maker Professional v.3.11 и менее известном, но более профессиональном Neurofo-rester v.5.1. В этих пакетах генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает (прогнозирует) новые ситуации с высокой степенью точности даже в условиях внешних помех, например, появления противоречивых или неполных знаний. Причем обучение сводится к работе алгоритма подбора весовых коэффициентов, который реализуется автоматически без непосредственного участия пользователя-аналитика.

Современные нейросетевые продукты позволяют работать как с числовыми, так и с текстовыми данными, т.е. преобразовывать набор символов (слово, фраза) в уникальный набор чисел. Ward System делает возможной также обратную операцию, т.е. представление результатов работы нейросети в виде не только чисел, но связного текста, что позволяет генерировать результаты в виде различных информационных сообщений.

Использование нейронных сетей открывает практически неограниченные возможности применения, особенно в качестве аналитических инструментов в таких плохо формализуемых и многокритериальных областях управления, таких как анализ финансовой и банковской деятельности, биржевые рынки.

Среди перспективных направлений использования нейросетевых технологий в управлении можно назвать создание компьютерных моделей поведения клиента для оценки риска или перспективности работы с конкретными клиентами, проанализировать прежние сделки и на этой основе оценить вероятность того, согласится ли конкретный клиент на то или иное предложение.