Элементная база нейрокомпьютеров - часть 2

Этот проект отличает принципиальная ориентация на массовых производителей аппаратуры, обеспечиваемая совместимостью разрабатываемых нейроплат со стандартами шины VME. Вот как оценивает перспективы этих разработок один из пионеров российского нейрокомпьютинга Феликс Владимирович Широков:

Системы промышленной автоматизации, построенные на VME, обретут нейроморфный мозг, способность видеть и слышать, ощущать электрические и магнитные поля, воспринимать ультразвуки и радиацию. Они смогут анализировать обстановку и принимать решения. Это будет прививкой разума системам промышленной автоматизации. Широков, 1998

Преимущества обоих подходов пытаются совместить гибридные микросхемы, имеющие цифровой интерфейс с остальной аппаратурой, но исполняющие наиболее массовые операции аналоговым способом.

Приведенные ниже таблицы (таблица 2.1 и Таблица 2.2 ) дают некоторое представление о сильных и слабых сторонах различных элементных баз и достигнутых результатах.

Таблица 2.1. Сравнение типов элементной базы

Тип элементной базыПреимущества Недостатки

Аналоговая оптическая	Допускает массовые межсоединения	Нет замкнутой технологии оптических вычислений
Аналоговая электрическая	Концептуальная простота схемотехники, выигрыш в емкости схем и скорости вычислений	Жесткие технологические требования, чувствительность к дефектам и внешним воздействиям, малая точность вычислений, трудность реализации массовых соединений
Цифровая электрическая	Развитая замкнутая технология, точность вычислений, устойчивость к технологическим вариациям	Сложность схемных решений, многотактовое выполнение базовых операций, трудность реализации массовых соединений
Гибридная (аналого-цифровая схемотехника, оптоэлектроника)	Аналоговое ускорение базовых операций при цифровом интерфейсе с внешними устройствами, возможности оптической коммутации	Требует дополнительных технологических разработок

Таблица 2.2. Сравнительные характеристики некоторых нейросхем

Название нейросхемы (фирма-производитель)Тип элементной базы Емкость (кол-во нейронов / кол-во синапсов)Производительность (кол-во умножений с сумированием в сек)

Silicon Retina (Synaptics)	Аналоговая	$48*48$	?
ETANN (Intel)	Аналоговая	$64/10^4$	$2*10^9$
N64000 (Inova)	Цифровая	$64/10^5$	$9*10^8$
MA-16 (Siemens)	Цифровая	$16/256$	$4*10^8$
RN-200 (Ricoh)	Гибридная	$16/256$	$3*10^9$
NeuroClassifier (Mesa Research Institute)	Гибридная	$7/426$	$2*10^10$

Содержание Назад Вперед