Нейрокомпьютинг и его применения в экономике и бизнесе

         

Элементная база нейрокомпьютеров


Практически все действующие нейрокомпьютеры используют традиционную элементную базу: микроэлектронные СБИС. Сотни миллиардов долларов, уже вложенные в развитие этой технологии, дают ей решающее преимущество перед другими альтернативами, такими, как оптические вычисления.

Современная электроника опирается, в основном, на цифровую обработку сигналов, устойчивую к помехам и технологическим отклонениям в параметрах базовых злементов. Цифровая схемотехника предоставляет нейро-конструкторам наиболее богатый инструментарий. Поэтому неудивительно, что наибольшее распространение получили именно цифровые нейрокомпьютеры. Это по существу - специализированные матричные ускорители, использующие матричный, послойный характер обработки сигналов в нейросетях. Широко используются стандартные процессоры обработки сигналов (DSP - Digital Signal Processors), оптимизированные под такие операции.

Примером современного DSP-процессора, приспособленного для ускорения нейро-вычислений является продукт Texas Instruments TMS320C80 производительностью 2 млрд. операций в секунду. Этот кристалл включает пять процессоров и реализует сразу две технологии - DSP и RISK (4 32-разрядных сигнальных процессора с фиксированной точкой и управляющий процессор с плавающей арифметикой).

Однако, сама природа нейросетевой обработки информации - аналоговая, и дополнительного выигрыша в скорости вычислений (по некоторым оценкам ~103-104) и плотности вычислительных элементов можно добиться, используя специализированную аналоговую элементную базу (Mead, 1989). Наиболее перспективны, по-видимому аналоговые микросхемы с локальными связями между элементами (т.н. клеточные нейросети, CNN - Cellular Neural Networks), например силиконовая ретина фирмы Synaptics. С другой стороны, разработка аналоговых чипов с использованием нетрадиционных схемотехнических решений требует дополнительных и немалых затрат. В настоящее время эти работы на Западе развернуты широким фронтом, например, в рамках проекта SCX-1 (Silicon Cortex - кремниевая кора).
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 базыТип элементной базыПреимущества Недостатки
Аналоговая оптическаяДопускает массовые межсоединенияНет замкнутой технологии оптических вычислений
Аналоговая электрическаяКонцептуальная 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 электрическаяРазвитая замкнутая технология, точность вычислений, устойчивость к технологическим вариациямСложность 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 коммутацииТребует дополнительных технологических разработок


Таблица 2.2. Сравнительные характеристики некоторых нейросхемНазвание 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
?
ETANN (Intel)Аналоговая
N64000 (Inova)Цифровая
MA-16 (Siemens)Цифровая
RN-200 (Ricoh)Гибридная
NeuroClassifier (Mesa Research Institute)Гибридная



Содержание раздела