Промышленные нейрокомпьютеры и перспективы их развития. где под y j, подразумевается выход нейрона j, а под s j - взвешенная сумма его входных сигналов, т.е. аргумент активационной функции. Нейронные сети Хопфилда и Хэмминга

Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования

«Финансовый университет при Правительстве Российской Федерации»

Кафедра

"Разработка, применение и перспективы развития нейрокомпьютеров"

Выполнила:

студентка гр. М1-1

Жилякова А.И.

Проверил:

Магомедов Р.М.

1. Введение

Автор реферата, не претендуя на исчерпывающее изложение темы, в рамках небольшой работы, поставила цель изучить такое новшество в техническом мире, как нейрокомпьютеры, последовательно раскрывая историю их разработки, применение и перспективы развития.

Выбор пал на данную тему из-за ее актуальности. В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых стран. Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд интеллектуальных задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейрокомпьютеры отличаются от ЭВМ предыдущих и поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи. Поэтому сегодня его развитие становится первоочередной задачей науки.

2. История нейрокомпьютеров.

Нейрокомпьютер - устройство переработки информации на основе принципов работы естественных нейронных систем. Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей. «Проблематика же нейрокомпьютеров заключается в построении реальных физических устройств, что позволит не просто моделировать искусственные нейронные сети на обычном компьютере, но так изменить принципы работы компьютера, что станет возможным говорить о том, что они работают в соответствии с теорией искусственных нейронных сетей.» Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот - все это породило многочисленные споры и целые терминологические войны по различным направлениям применения всего, где есть приставка нейро-.

Приведем некоторые наиболее устоявшиеся определения нейрокомпьютера.

Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).

Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.

Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом, нейросети позволяют эффективно использовать параллелизм.

Автор реферата, не претендуя на исчерпывающее изложение темы, в рамках небольшой работы, поставила цель изучить такое новшество в техническом мире, как нейрокомпьютеры, последовательно раскрывая историю их разработки, применение и перспективы развития.

Выбор пал на данную тему из-за ее актуальности. В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых стран. Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд интеллектуальных задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейрокомпьютеры отличаются от ЭВМ предыдущих и поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи. Поэтому сегодня его развитие становится первоочередной задачей науки.

2. История нейрокомпьютеров.

Нейрокомпьютер - устройство переработки информации на основе принципов работы естественных нейронных систем. Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей. «Проблематика же нейрокомпьютеров заключается в построении реальных физических устройств, что позволит не просто моделировать искусственные нейронные сети на обычном компьютере, но так изменить принципы работы компьютера, что станет возможным говорить о том, что они работают в соответствии с теорией искусственных нейронных сетей.» Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот - все это породило многочисленные споры и целые терминологические войны по различным направлениям применения всего, где есть приставка нейро-.

Приведем некоторые наиболее устоявшиеся определения нейрокомпьютера.

Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).

Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.

Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом, нейросети позволяют эффективно использовать параллелизм.

3.2. Практическое применение нейрокомпьютеров.

3.2.1. Сферы применения

Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях народного хозяйства:

Управление в режиме реального времени: самолетами, ракетами и

технологическими процессами непрерывного производства (металлургического, химического и др.);

Распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в современном обществе.

Что же представляет из себя нейрокомпьютер? Нейрокомпьютеры бывают двух типов:

1. Большие универсальные компьютеры построенные на множестве нейрочипов.

2. Нейроимитаторы, представляющие собой программы для обычных компьютеров, имитирующие работу нейронов. В основе такой программы заложен алгоритм работы нейрочипа с определенными внутренними связями. Что - то типа “Черного ящика”, по принципу которого он и работает. На вход такой программы подаются исходные данные и на основании закономерностей, связанных с принципом работы головного мозга, делаются выводы о правомерности полученных результатов.

3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности.

Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей.

2. Страховая деятельность банков.

Оценка риска страхования инвестиций на основе анализа надежности проекта

Оценка риска страхования вложенных средств

Применение нейронных сетей для оценки риска страхования особенно эффективно с точки зрения способности анализировать как ранее накопленные данные по результатам страхования, так и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности.

3. Прогнозирование банкротств на основе нейросетевой системы распознавания.

Анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде (да. нет)

Анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата - 74% вероятности банкротства).

Анализ банкротств, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные используемые для обанкротившихся фирм могут быть взяты из последних финансовых бюллетеней, вышедших перед тем, как фирмы объявили банкротство.

4. Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия.

Выделение долгосрочных и краткосрочных скачков курсовой стоимости акций на основе нелинейной нейросетевой модели

Предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов

Распознавание ситуаций, когда резкое изменение цены акций является результатом биржевой игры с помощью нейросетевой системы распознавания

Определение соотношения котировок и спроса

Прогнозирующая система может состоять из нескольких нейронных сетей, которые обучаются взаимосвязям между различными техническими и экономическими показателями и периодами покупки и продажи акций. Целью прогноза является выбор наилучшего времени для покупки и продажи акций. Здесь рассматриваются также задачи формирования портфеля ценных бумаг и распознавания шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке времени. На рынке акций шаблон <треугольника> в диаграмме (графике) изменений курса акций является индикатором важного направления будущего изменения цены акций. Однако никакие методы основанные на правилах не дают хорошего результата, только высококвалифицированные эксперты. «Нейросетевой подход дал весьма многообещающие результаты для Токийской фондовой биржи после обучения сети на 15 обучающих шаблонах треугольника и проверке на одном нейросетевом шаблоне. После чего были проведены 16 экспериментов на данных по ценам акций за последние 3 года. Шаблон треугольника был успешно определен в 15 случаях.»

5. Применение нейронных сетей к задачам анализа биржевой деятельности.

Нейросетевая система распознавания всплесков биржевой активности - анализ деятельности биржи на основе нейросетевой модели

Предсказание цен на товары и сырье с выделением трендов вне зависимости от инфляции и сезонных колебаний - нейросетевая система выделения трендов по методикам <японских свечей> и других гистографических источников отображения информации

Для задач биржевой деятельности наиболее интересным представляется построение системы распознавания природы биржевых событий и выделение основных закономерностей, то есть поиск взаимосвязи резкого изменения биржевой цены и биржевой активности в зависимости от биржевой игры или инфляционных процессов. Эффективным может быть применение нейронной сети для предсказания цен на товары и сырье вне зависимости от сезона и уровня инфляции (выделение трендов).

6. Прогнозирование экономической эффективности финансирования экономических и инновационных проектов.

Предсказание на основе анализа реализованных ранее проектов;

Предсказание на основе соответствия предлагаемого проекта экономической ситуации

В первом случае используется способность нейронных сетей к предсказанию на основе временных рядов, во втором - построения нелинейной модели на базе нейронной сети.

7. Предсказание результатов займов.

Определение возможности кредитования предприятий

Предоставление кредитов и займов без залога

Используется (в редком случае) при предоставлении займов без залога на основе анализа дополнительной информации о потребителе кредитов. Оценивает риск займа на основе построения нелинейной модели. Имеющаяся информация основана на исследованиях, производимых международными финансовыми группами.

8. Общие приложения нейронных сетей

Применение нейронных сетей в задачах маркетинга и розничной торговли

Одно из самых <модных> применений нейрокомпьютеров в финансовой области. Один из решаемых вопросов - установление цены на новый вид товара на основе многокритериальной оценки.

Моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий

Моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа

Построение модели структуры расходов семьи.

Одним из способов подготовки нейронной сети для передачи является её вербализация: обученную нейронную сеть минимизируют с сохранением полезных навыков. Описание минимизированной сети компактнее и часто допускает понятную интерпретацию.

В нейрокомпьютинге постепенно созревает новое направление, основанное на соединении биологических нейронов с электронными элементами. По аналогии с Software (программное обеспечение - «мягкий продукт») и Hardware (электронное аппаратное обеспечение - «твёрдый продукт»), эти разработки получили наименование Wetware «влажный продукт».

В настоящее время уже существует технология соединения биологических нейронов со сверхминиатюрными полевыми транзисторами с помощью нановолокон (Nanowire). В разработках используется современная нанотехнология. В том числе, для создания соединений между нейронами и электронными устройствами используются углеродные нанотрубки.

(Распространено также и другое определение термина «Wetware» - человеческий компонент в системах «человек-компьютер».)

5. Заключение.

Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки.

Такие системы основывались на высокоуровневом моделировании процесса мышления на обычных компьютерах. Скоро стало ясно, чтобы создать искусственный интеллект, необходимо построить систему с похожей на естественную архитектурой, т. е. перейти от программной реализации процесса мышления к аппаратной.

Естественным продолжением аппаратного и программного подхода к реализации нейрокомпьютера является программно-аппаратный подход.

Аппаратный подход связан с созданием нейрокомпьютеров в виде нейроподобных структур (нейросетей) электронно-аналогового, оптоэлектронного и оптического типов. Для таких компьютеров разрабатываются специальные СБИС (нейрочипы).

Основу нейросетей составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), имитирующие работу нейронов мозга - искусственные нейроны. Нейрон обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом, который по физическому смыслу эквивалентен электрической проводимости в электрических связях.

Для решения отдельных типов задач существуют оптимальные конфигурации нейронных сетей. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать сложную проблему синтеза новой конфигурации. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом слоев нейронов. Одной из важных особенностью нейронной сети является возможность к обучению. Обучение нейросети может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы нейросети формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. После обучения на достаточно большом количестве примеров можно использовать обученную сеть для прогнозирования, предъявляя ей новые входные значения. Это важнейшее достоинство нейрокомпьютера, позволяющие ему решать интеллектуальные задачи, накапливая опыт.

Список используемой литературы.

1. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80- и 90-е годы) // Нейрокомпьютер. 2000. № 1

2. Власов А.И. Нейросетевая реализация микропроцессорных систем активной акусто- и виброзащиты // Нейрокомпьютеры: разработка и применение. 2000. № 1.

3. Ф.Уоссермен, Нейрокомпьютерная техника, М.,Мир, 1992.

4. Итоги науки и техники: физические и математические модели нейронных сетей, том 1, М., изд. ВИНИТИ, 1990.

5. http://ru.wikipedia.org/wiki/Нейрокомпьютер

6. http://www.chipinfo.ru/literature/chipnews/200005/34.html

7. http://works.tarefer.ru/30/100032/index.html

8. http://www.tiptoptech.net/neirokomputer.html

9. http://www.iam.ru/world/neuron.htm

10. http://www.intuit.ru/department/expert/neurocomputing/2/2.html

Http://ru.wikipedia.org/wiki/Нейрокомпьютер

Http://works.tarefer.ru/30/100032/index.html

Уоссермен Ф., Нейрокомпьютерная техника - М., Изд. «Мир», 1992. – С.93

Http://www.chipinfo.ru/literature/chipnews/200005/34.html

Http://ru.wikipedia.org/wiki/Нейрокомпьютер

Первый нейрокомпьютер был создан в конце 50-х годов Ф. Розенблаттом (Корнельский университет г. Итаки, штат Нью‑Йорк). Этот компьютер, получивший название персептрон, использовался для распознавания букв независимо от их положения. ЭВМ Розенблатта была воплощением идеи У. МакКаллока и У. Питтса, у которых нейроны рассматривались как логические устройства.

В 1988 г. с участием фирмы Adaptive Solutions был разработан нейронный компьютер CNAPS . Этот компьютер был создан по SIMD-архитектуре, его сервер содержал 256 обра­батывающих процессоров. Каждый процессор имел свое ЗУ емкостью 4 Кбайт. Производительность компь­ютера CNAPS достигала 5,12 млрд. коммутаций в секунду. В режиме обучения сервер работал с производительностью 1 млрд. коммутаций в секунду. Каждый алгоритм усваивался компьютером CNAPS за 6 секунд. До конца 1991 г. фирмой было поставлено на рынок около 100 единиц нейрокомпьютера CNAPS.

Компания SNI(Siemens Nixdorf Informations), дочернее предприятие компании Siemens, в сотрудничестве с Маннгеймским университетом в 1994 г. создали нейрокомпьютер под названием SYNAPSE 1 . В дальнейшем на рынок поступили модели SYNAPSE 2 и3 . Сфера применения этих нейрокомпьютеров: распознавание речи, изображений, образов, ускорение работы программных эмуляторов. Обучение нейрокомпьютера занимало около одного часа. Нейрокомпьютер представлял собой многопроцессорную систему с наращиваемой памятью.

В состав SYNAPSE 2 входили:

· один нейрочип МА16 (40 Гц);

· сигнальный процессор TMS320С50 (55 МГц);

· модуль целочисленной обработки на базе TMS320С50 (55 МГц);

· память образов (Y-memore);

· память весов (W-memore).

В нейропроцессоре SYNAPSE 3 имелось два процессора М16, типовая производительность одной нейроплаты SYNAPSE 3 составляла 2,4 млрд.оп/с. В качестве базовых ЭВМ использовались рабочие станции фирмы Sun. Габаритные размеры нейрокомпьютера составляли 667х398х680 мм.

На современном рынке изделия, основанные на использовании ме­ханизма действия нейронных сетей, представлены в виде нейроплат. В качестве типичного примера нейроплаты можно назвать плату MB S6232 японской фирмы Fujitsu. На плате размещены процессор цифровой обработки сигналов и оперативная память емкостью 4 Мбайт, что позволяет использовать такую плату для реализации ИНС, содержащей до тысячи нейронов.

Большинство современных нейрокомпьютеров представляют собой просто персональный компьютер или рабочую станцию, в состав которых входит дополнительная нейроплата. К их числу относятся, например, компьютеры серии FMR фирмы Fujitsu. Возможностей подобных систем достаточно для разработки новых алгоритмов и решения большого числа прикладных за­дач методами нейроматематики.

Отметим отечественные достижения в области построения нейрокомпьютеров. В НТЦ «Модуль» за период с 1989 по 1999 г.г. были разработаны многопроцессорные ускорительные платы МЦ5.001 и МЦ5.002 . Последняя содержит до 6 процессоров TMS320C40, до 20 Мбайт статической памяти на каждый процессор и 64 Мбайт динамической ОП. Общая производительность - до 300 MFLOPS. Плата выполнена в конструктиве VME, что позволяет использовать ее в бортовых системах, расположенных на летательном аппарате.

Несмотря на определенные достижения в области создания нейрокомпьютеров, широкого распространения они не получили. На сегодняшний день экономически выгоднее реализовывать нейроалгоритмы программно на универсальных ЭВМ. Существует достаточное количество программных пакетов (например, Neural Bench ), с помощью которых можно реализовать ИНС под тот или иной алгоритм. Программные ИНС широко используются в системах распознавания текстов (OCR-системах).

Вопросы для самоконтроля

1. Что понимается под термином «нанотехнология»?

2. При каких размерах объектов не действуют законы классической физики?

3. Кем и когда был изобретен сканирующий туннельный микроскоп?

4. Что такое «нанотрубка»?

5. Сколько и какие периоды можно выделить в развитии биокристаллов?

6. Перечислите основные структурные элементы молекулярного компьютера.

7. Что понимается под термином «оптический компьютер»?

8. Перечислите основные элементы гибридной ВС.

9. Что понимается под аббревиатурами: SEED и S-SEED?

10. По каким направлениям в настоящее время ведутся работы по созданию оптической ЭВМ?

11. Что такое квантовый компьютер?

12. Что понимается под термином «кубит»?

13. Изобразите структурную схему квантового компьютера.

14. Перечислите основные требования, предъявляемые к физической среде КК.

15. Что такое криогенная ЭВМ?

16. Что собой представляет нейронная сеть человека?

17. Какие структуры искусственных нейронных сетей используют в настоящее время?

18. Что такое «функция активации»?

19. Как может обучаться нейросеть?

20. Перечислите основные модели нейросетей.

21. Какие основные достижения и перспективы развития нейрокопьютеров?

Литература

1. ANSIx3.253-2002: Information Technology-SCSI-3 Parallel Interface (SPI), X3T10/855D. New York: American National Standarts Institute, 2002.

2. Deutsch D. Quantum computational networks. – Proc. R. Soc. London A 425, 73, 1989.

3. Deutsch D. Quantum theory, the Church-Turing principle and the universal quantum computer. – Proc. R. Soc. London A 400, 97, 1985.

4. Feynman R. Quantum mechanical computers / Optic News, February 1985, 11, p. 11.

5. Hennessy J.L., Patterson D.A. Computer architecture: A Quantitative Approach. 2 nd Edition. Morgan Kaufmann Publishers, San Francisco, CA, USA, 1996.

6. Serial attached SCSI // http://www.fcenter.ru/online.shtml?articles/hardware/hdd/11080

7. Shor P.W. Algorithms for Quamtum Computation: Disrete log and Factoring // Proceedings of the 35 th Annual Symposium on the Foundations of Computer Science, edited by S. Goldwasser, IEEE Computer Society Press, Los Alamitos, CA, 1994, p. 124.

8. Sterling T., Becker D., Savarese D., et al. Beowulf: A Parallel Workstation for Scientific Computation. Proceeding of the 1995 International Conference on Parallel Processing (ICPP). August 1995. Vol. 1. P. 11.

9. Yao A. C.-C. Quantum circuit complexity.//Proceedings of the 34 th Annual Symhosium on the Foundations of Computer Science, IEEE Computer Society Press, Los Alamitos, CA, 1993, p. 352.

10. Акулов Л.В., Борзенко Е.И., Новотельнов В.Н. и др. Теплофизические свойства криопродуктов: учебное пособие для вузов. СПб.: Политехника, 2001. – 243 с.

11. Амамия М., Танака Ю. Архитектура ЭВМ и искусственный интеллект. Пер. с яп. Махарадзе С.О. под ред. Волкова Н.Г. М.: Мир, - 1993. – 400 с.

12. Андрианов А.Н., Ефимкин К.Н., Задыхайло И.Б. Язык Норма. Препринт ИПМ им. М.В. Келдыша АН СССР № 165, 1985.

13. Архитектура портативных компьютеров // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2004, № 3(18). с.4.

14. Барановский В. Raid массивы начального уровня // http://www.citforum.ru/hardware/data/raid/

15. Барский А.Б. Параллельные процессы в вычислительных системах. Планирование и организация. М.: Радио и связь, - 1990. - 255 с.

16. Берман Г.П., Дулен Г.Д., Маньери Р., Цифринович В.И. Введение в квантовые компьютеры. Пер. с англ. Порсева В.Е. под ред. Кокина А.А. М.: Институт компьютерных исследований. 2004.

17. Борзенко А. Технология Super DLT // PCWeek/RE, 2000 г., № 45 (267), с. 26.

18. Бурцев В.С. Новые принципы организации вычислительных процессов высокого параллелизма // Труды Первой Всероссийской научной конференции «Методы и средства обработки информации». М.: МГУ им. М.В.Ломоносова, - 2003 г. С. 17.

19. В свете лазерного луча // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 5(24). с.27.

20. Валиев К.А. Квантовая информатика: компьютеры, связь и криптография // Вестник РАН, 2000, т.70, № 8. сс. 688-705.

21. Валиев К.А. Квантовые компьютеры // Открытые системы, № 5-6, 2000 г. http://www.osp.ru/text/302/178025

22. Валиев К.А., Кокин А.А. Из итогов ХХ века: От кванта к квантовым компьютерам.// Природа, 2002, № 12. сс. 28-34.

23. Васильковский В.А., Котов В.Е., Марчук А.Г., Миренков Н.Н. Автоматизация параллельного программирования. – М.: Радио и связь, - 1983. – 230 с.

24. Вводим изображение // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 5(24). с.59.

25. Виксне П., Фомин Д., Черников В. Однокристальный цифровой нейропроцессор с переменной разрядностью операндов. Изд-во вузов. Сер. Приборостроение. Т. 36, №7. – 1996, с. 13-21.

26. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем // Приборы и системы управления. 1999. №2. с. 6165.

27. Власов А.И. Нейросетевая реализация микропроцессорных систем активной акусто- и виброзащиты // Нейрокомпьютеры: разработка и применение. 2000. №1. с. 40-44.

28. Воеводин В.В., Воеводин Вл.В. Параллельные вычисления. СПб.: БХВ-Петербург, 2002 г. 600 с.

29. Воеводин Вл.В. Параллельная обработка данных. Курс лекций // http://www.parallel.ru/info/education/vvv_course.html

30. Воеводин Вл.В., Капитонова А.П. Методы описания и классификации вычислительных систем. М.: Издательство МГУ, - 1994.

31. Волков А.А., Угляренко В.П. Управление распределением вычислительной нагрузки в сетях ЭВМ // Механизация и автоматизация управления. - К.: 1982, - №3, с. 16-19.

32. Вычислительные машины, системы и сети / под. Ред. Пятибратова А.П. М.: Финансы и статистика, 1991. – 399 с.

33. Гаврилкевич М.В. Введение в нейроматематику // Обозрение прикладной и промышленной математики. М.: ТВП, 1994, сс. 377-388.

34. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80- и 90-е годы) // Нейрокомпьютер. 2000. №1. сс. 68-82.

35. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН. 1996. 276 с.

36. Графические адаптеры: четвертое поколение // Upgrade: новый уровень ваших компьютеров. М: СК Пресс,- 2005, № 2(21). с.70.

37. Гузик В.Ф., Каляев В.А., Костюк А.И. Организация ЭВМ и систем. Учебное пособие. Таганрог: ТРТУ. – 1999. 144 с.

38. Гук М. Аппаратные средства IBM PC. Энциклопедия. Спб.: Питер. 2006 г. 1072 с.

39. Гуров В.В., Чуканов В.О. Архитектура и организация ЭВМ. Курс лекций // http://www.intuit.ru/department/hardware/archhard2

40. Гусев А.И. Наноматериалы, наноструктуры, нанотехнологии. М.: Изд-во «Физматлит», 2005. 416 с.

41. Дагаев А.А. Союз сильных: новые тенденции международного технологического развития // Рос. Предпринимательство. 2003, №4, сс. 65-70.

42. Денисов О., Нивников Д. Мультимедийные ПК // Компьютер сегодня № 2, 2006. сс. 36-46.

43. Евреинов Э.В., Косарев Ю.Г. Однородные универсальные вычислительные системы высокой производительности. Новосибирск: Наука, - 1966.

44. Егоров А. RAID-массив и резервное копирование // http://www.timcompany.ru/article5.html

45. Забродин А.В., Левин В.К., Сидоров А.Ф., Лацис А.О. и др. Семейство многопроцессорных вычислительных систем МВС-100. М.: ИПМ им. М.В.Келдыша РАН, НИИ «Квант», ИММ УрО РАН, - 1995.

46. Исихара С. Оптические компьютеры. Новый век науки. Пер. с англ. Богдасарова С.В. под ред. Воронцова М.А. М.: Наука, 1992.

47. Каган Б.М. Электронные вычислительные машины и системы. Учебное пособие для вузов. – 2-е издание, переработанное и дополненное. М.: Энергоатомиздат, 1985 г.

48. Кирсанов Э.Ю. Организация ЭВМ и систем. Учебное пособие. – Казань: ТИСБИ, 2002.

49. Кирсанов Э.Ю. Цифровые нейрокомпьютеры: Архитектура и схемотехника / Под ред. А.И. Галушкина. Казань: КГУ. 1995. 131 с.

50. Колисниченко Д. Оптические процессоры // http://dkws.narod.ru/linux/etc/optical/cpu.html

51. Колисниченко О.В., Шишигин И.В. Аппаратные средства PC. – 5‑е издание, переработанное и дополненное. – Спб.: БХВ-Петербург. 2004. - 1151 с.

52. Комарцева Л.Г., Максимов А.В. Нейрокомпьютеры. М.: МГТУ им. Н.Э. Баумана, 2004. 400 с.

53. Коновалов Н.А., Крюков В.А., Михайлов С.Н., Погребцов А.А. Fortran DVM - язык разработки мобильных параллельных программ // Программирование, - 1995. - №1.

54. Копейкин М.В., Спиридонов В.В., Шумова Е.О. Организация ЭВМ и систем (память ЭВМ). Учебное пособие. – Спб.: СЗТУ, 2004. 153 с.

55. Корнеев В.В. Вычислительные системы. – М: Гелиос АРВ, 2004. – 512 с.

56. Корнеев В.В. Параллельные вычислительные системы. – М: Нолидж, 1999. – 512 с.

57. Ларионов А.М., Майоров С.А., Новиков Г.И. Вычислительные комплексы, системы и сети. Ленинград: Энергоатомиздат, - 1987.

58. Лацис А.О. Как построить и использовать суперкомпьютер. М.: Бестселлер, - 2003. - 274 с.

59. Липаев В.В. Распределение ресурсов в вычислительных системах. М.: Статистика, - 1979. - 248 с.

60. Льюис Т. Мэйнфрейм умер. Да здравствует мэйнфрейм! // Открытые системы, 1999 г., № 9-10.

61. Малых Н. Интерфейс IDE // Электронная библиотека компании BiLiM Ltd, http://www.citforum.ru/hardware/

bookide/index.shtml

62. Манин Ю.И. Вычислимое и невычислимое. – М.: Советское радио, 1980.

63. Миренков Н.Н. Параллельное программирование для многомодуль- ных вычислительных систем. М.: Радио и связь, - 1989. - 320 с.

64. Миренков Н.Н. Управление памятью и процессорами в однородной вычислительной системе // Программирование, – 1976. - № 1. – с. 77‑86.

65. Михайлов В.И., Князев Г.И., Макарычев П.П.. Запоминающие устройства на оптических дисках. М.: Радио и связь, 1991, - 221 с.

66. Могилев А.В. и др. Информатика. Учебное пособие для вузов. – М.: Изд. Центр «Академия». 2000. – 816 с.

67. Неволин В.К. Зондовые технологии в электронике. М.: Изд-во «Техносфера», 2005. - 152 с.

68. Неизвестный И.Г. Квантовый компьютер и его полупроводниковая элементарная база // http://psj.nsu.ru/lector/neizvestniy

69. Никитич. А. Разработка устройства для ручного ввода символов в ЭВМ // http://neo-era.net/kb.a.xml

70. Основы вычислительных систем. Учебное пособие // http://256bit.ru/education/infor1/index.htm

71. Патий Е. Шина PCI Express: утопия или общая стандартизация? // Экспресс-электроника, 2005 г., № 1-2.

72. Поздняков Л.А., Храмцов М.Ю. Мобильная система программирования Фортран GNS для многопроцессорных систем с распределенной памятью // Вопросы атомной науки и техники. Сер. Математическое моделирование физических процессов, - 1996. - Вып.4. - с.38-42.

73. Проблемы построения и обучения нейронных сетей / Под ред. Галушкина А.И. и Шахнова В.А. М.: Машиностроение. 1999. 105 с.

74. Пул Ч., Оуэнс Ф. Нанотехнологии. Изд-во «Техносфера», 2004. 328 с.

75. Пьянзин К. Состояние рынка аппаратных средств резервного копирования и архивирования // LAN, 2000 г., № 4.

76. Радужная капель // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 5(24). с.4.

77. Рожденные обслуживать // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2004, № 1(16). с.4.

78. Рыбалкина М. Нанотехнологии для всех. Изд-во « Nanotechnology News Network». 2005 г. - 444 с.

79. Санько С. Квантовые вычисления: зачем это нужно? // Quanta et Qualia, №39, 2002 г. http://www.kv.by/index2002394601.htm

80. Суздалев И.П. Нанотехнология: физико-химия нанокластеров, наноструктур и наноматериалов. Изд-во «Эдиториал УРСС», 2006. – 592 с.

81. Таненбаум Э. Архитектура компьютера. 4-е издание. М.: Питер, -2002. – 698 с.

82. Таненбаум Э., ван Стеен М. Распределенные системы: принципы и парадигмы. М.: Питер, - 2003. – 876 с.

83. Технологии флэш-памяти // http://www.ixbt.com/storage/flash-tech.shtml

84. Типы современных ЖК-мониторов // Upgrade: новый уровень ваших компьютеров. М: СК Пресс,- 2004, № 2(17). с.102.

85. Тихонов В.А. Краткий очерк развития СВТ. Монография. М: в/ч 33965, - 2000. 284 с.

86. Тихонов В.А. Организация ЭВМ и систем (вводная лекция). М.: в/ч 33965. – 2005. – 72 с.

87. Тихонов В.А., Заикин В.В. Перспективные направления в развитии ЭВМ и вычислительных систем. Обзорные лекции. М.: в/ч 33965. – 184 с.

88. Тихонов В.А., Рудаков М.В. Оптические ЭВМ. Состояние и перспективы развития (обзорная лекция). М.: в/ч 33965. – 1999. – 72 с.

89. Тихонов В.А.. Молекулярные ЭВМ (обзорная лекция). М.: в/ч 33965. – 1999. – 37 с.

90. Трахтенгерц Э.А. Введение в теорию анализа и распараллеливания программ ЭВМ в процессе трансляции. – М.: Наука, - 1981. – 254 с.

91. Угрюмов Е.П. Цифровая схемотехника. – Спб.: БХВ. 2000. – 528 с.

92. Уинн Л. Рош. Библия по модернизации персонального компьютера. Минск: Мир науки, 2003. – 208 с.

93. Федичкин Л. Квантовые компьютеры.// «Наука и жизнь», № 1, 2001.

94. Федотов В. Обзор flash-памяти на технологии Intel StrataFlash. Часть 1 // http://www.ixbt.com/storage/flash-theory-p1.shtml

95. Фейнман Р. Моделирование физики на компьютерах. // Квантовый компьютер & квантовые вычисления, том 1, № 2. – Ижевск: ред. журн. регуляр. и хаотич. динам., 1999, с. 96-124.

96. Фортран 90. Международный стандарт. Пер. с англ. С.Г. Дробышевич. М.: Финансы и статистика, - 1998. - 416 с.

97. Французов Д. Оценка производительности вычислительных систем // Открытые системы, - 1996. - №6.

98. Хамахер К., Вранешич З., Заки С. Организация ЭВМ. Спб.: Питер. – 2003. 848 с.

99. Хехт-Нильсен Роберт. Нейрокомпьютинг: история, состояние, перспективы // Открытые системы. 1998. №4.

100. Хоар Ч. Взаимодействующие последовательные процессы: Пер. с англ. - М.: Мир, - 1989. – 264 с.

101. Цилькер Б.С., Орлов С.А. Организация ЭВМ и систем: учебник для вузов. – Спб: Питер, 2004. – 668 с.

102. Цифровой звук: реализация // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 1(20). с.20.

103. Цифровой звук: теория // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 1(20). с.4.

104. Чеботарев А. USB: вчера, сегодня и завтра // http://www.citforum.ru/hardware/articles/usb/

105. Чеканов Д. Реализация стандарта Serial ATA // http://www.3dnews.ru/storage/serial-ata

106. Черняк Л. Шины от ISA до PCI Express // Еженедельник «Computerworld», 2005 г., № 30.

107. Шарф С.В. Планирование прохождения задач на МВС-100 // 6-я конференция «Транспьютерные системы и их применение». Тезисы докладов. Домодедово, - 1996.

108. Щукин Д. Оптические компьютеры. // «Новые технологии». №5, 2001 г.

109. Энциклопедия flash-памяти // http://www.ak-cent.ru/?parent_id=9841

110. Ястребова Е.В. Параллельные алгоритмы и транспьютеры (учебно-методическое пособие). М.: УРСС, - 1997.- 164 с.

111. Яценков В.С.. Азбука CD и DVD: стандарты оптических дисков. Изд-во «Майор», - 2004. 176 с.

112. Ященко А. История развития IDE вплоть до ATA100 // http://www.ixbt.com/storage/ide-till-ata100.html

ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ

CD-ROM 118, 119, 133, 135

dataflow 179, 180, 182, 240

reduction 179, 180

VGA 161, 162, 166

автозагрузчик 138

виртуальный 97

исполнительный 63

физический 97

адресация 64

косвенная 65

непосредственная 64

по содержимому 75, 205

регистровая 65

адресное пространство 76

виртуальное 97

реальное 97

системы ввода-вывода 105

арбитраж 112

архитектура

NUMA 19, 180, 222

RISC 52, 56, 117

SMP 19, 180, 184, 221

гарвардская 11, 50

классическая 47

кластерная 184, 232

набора команд 10

памяти ЭВМ 75

параллельная 178

потоковая 237

принстонская 11

системы 12

систолическая 179, 243

традиционная 47

фон Неймана 47

банк памяти 85

безотказность ЭВМ или ВС 35

библиотека

коммуникационная 196

ленточная 138

биокристалл 251

бисекционная полнота 210

кэш-памяти 92

z-буфер 164

преобразования адресов 99

прерывания 72

состояния процессора 68

структурной живучести графа 217

векторизация программы 190

векторная обработка 190

ветвь параллельной программы 186

видеоадаптер 161

восстановления 38

дополнительное 76

доступа 121

доступа к памяти 75, 83

запуска обмена 209

наработки на отказ 37

обслуживания прерывания 69

ожидания 121

ответа 34, 103

отклика 158

передачи данных 76, 122

послесвечения 157

реакции системы прерывания 69

безотказной работы 38

цикла обращения 76

вычислительная сеть 11

вычислительная система 9

ассоциативная 205

векторно-конвейерная 200

гибридная оптоэлектронная 255

кластерная 231

массово-параллельная 183, 228

матричная 203

многопроцессорная 22

потоковая 237

сильносвязанная 220

вычислительный комплекс (ВК) 10

гамма-коррекция 159

глубина прерывания 69

головка 121

готовность ЭВМ или ВС 34, 39

зависимости 219

межмодульных связей 215, 219

потоков данных 239

дедлок 219

дейзи-цепочка 71

джойстик 143

диаметр графа 217

дигитайзер 144

дискретизация 166

дисплей 155

дорожка 121

ассоциативный 75, 89, 205

последовательный 75

произвольный 75, 80

прямой 75, 122

прямой к памяти 107

доступность ЭВМ или ВС 35

жесткий диск 120

зависимость по данным 191

задержка 75, 209

закон Амдала 173

обратная 223

сквозная 223

прерывания 67, 106

зерно параллелизма 170

иерархия

интенсивность восстановления 38

интенсивность отказов 37

интерфейс 11

большой 103, 116

малый 103, 118

искусственная нейронная сеть 266

ввода-вывода 105

мультиплексный 109

неразделенный 108

разделенный 108

селекторный 109

картридж 138

каскад коммутатора 211

квантование 166

квантовые вычисления 260

клавиатура 140

классификация

вычислительных систем 22

Дункана 178

карманных ПК 16

мониторов 160

накопителей на оптических дисках 133

ноутбуков 14

отказов 35

параллельных ВС 174

серверов 18

сканеров 146

Флинна 175

когерентность памяти 95, 222

операции 49, 50, 59

прерывания 73

Хэмминга 126

векторные 190

коммутатор

баньян-сети 214

простой 210

распределенный составной 215

составной 211

компьютер

квантовый 259

молекулярный 251

оптический 254

персональный 12

суперкомпьютер 21

конвейерная обработка 199

контроллер

ввода-вывода 105

прямого доступа к памяти 107

контрольная сумма 127

коэффициент

готовности 39

попаданий 77

распараллеливания 173

кэш-память 78, 91

дисковая 79

кэш-строка 92

латентность 76, 209

маршрутизация 218

прерывания 73

волновой 180

дисковый 124

систолический 179, 243

масштабируемость ЭВМ или ВС 41

МВС-100 186, 229

МВС-1000 186, 229, 230

быстрого реагирования 70

доступа к памяти 75

обратной записи 96

повышения быстродействия памяти 82

помеченного оператора (опорных точек) 70

сквозной записи 96

структурный повышения быстродействия памяти 85

механизм преобразования адресов 92

микропрограмма 49

многопроцессорная вычислительная система 10

модель параллельного

программирования 188

ввода-вывода 103

вычислительный 208, 228

монитор 155

мэйнфрейм 12, 20

надежность ЭВМ или ВС 34

накопитель

на гибких магнитных дисках 123

на жестких магнитных дисках 120

на магнитной ленте 138

на магнитооптических дисках 123

на оптических дисках 131

нанотехнология 248

нанотрубка 250

наработка на отказ 37

насыщение системы прерывания 70

нейрокомпьютер 266

нейрон 268

обработчик прерывания 67, 72

общая шина 105

организация

ввода-вывода

канальная 105, 108

шинная 105, 110

памяти блочная 86

параллельной обработки 170

отказоустойчивость ЭВМ или ВС 36

оценка стоимости ПО 43

ассоциативная 75, 89, 101, 205, 241

виртуальная 76, 97

вторичная 97

оптическая 257

основная (оперативная) 79

первичная 97

физическая 76

параграф 63

парадигма параллельного программирования 186

параллелизм

данных 187

задач 187, 196

скрытый 239

параллельная

архитектура 178

обработка 170

программа 186

перестановочная сеть 207

безусловный 57

вызов процедуры 59

условный 58

персептрон 271, 273

пиксел 157

показатель качества 25

польская запись 55

попадание 77

потоковая ВС 179, 237

прерывание 67, 106

прибор с зарядовой связью (ПЗС) 145

лазерный 152

линейно-матричный 151

матричный 150

струйный 151

термический 155

адресности 47

двоичного кодирования 47

иерархический организации памяти 77

координатный адресации ячеек памяти 80

локальности 77

однородности памяти 47

программного управления 48, 266

принципы

фон Неймана 47

приоритет 112

прерывания 70

программа

прерывающая 67

программный счетчик 47, 49, 57, 73, 237

производительность 26

коммуникационной среды 209

пиковая 28

реальная 29

промах 77, 96

пропускная способность 209

протокол

профилирование 198

процессор

ассоциативный 206

вычислительный 229

графический 162

звуковой 167

оптический 255

потоковый 243

связной 229

управляющий 203

элементарный 203, 269

распределение

множественно-ассоциативное 95

полностью ассоциативное 94

расслоение памяти 86

адреса памяти 87

аккумулятор 55

векторный 202

общего назначения (РОН) 55

редукционные ВС 179

ремонтопригодность ЭВМ или ВС 35

рендеринг 165

решающее поле 208, 228

световое перо 144

сегмент 63, 100

сектор 122

сервер 12, 18

сервер-лезвие 19

вычислительная 9

многопроцессорная 10

обработки данных (СОД) 9

обработки информации (СОИ) 9

прерываний 67

систолизация 245

сканер 144

слово состояния программы (ССП) 68, 73

совместимость и мобильность ПО 42

адресации 49, 51, 59, 63

стандарт

спецификация-99 13

стекер 138

столбец 80

страница 63, 98

стратегия

выборки 92

замещения 92, 96

обновления ОП 92

размещения 92

стример 138

структурирование буферного пула 219

схема параллелизма 186, 238

счетчик команд 47

векторов прерывания 72

страниц 99

текстурирование 165

прерывания 67

точность информации 36

транзакция 111

транспьютер 183, 228, 229

указатель команды 47

управление

вводом-выводом 105

вычислительными ресурсами 233

коммутаторами 218

прерывания 72

ускорение счета 173

устройство

арифметико-логическое 48

запоминающее 75

ассоциативное 89, 205

внешнее 120

оперативное (ОЗУ) 79

постоянное (ПЗУ) 80

сверхоперативное (СОЗУ) 78

управления 48

фирма-производитель

Acorn Computers 17

Analog Devices 231

Burroughs 55, 89, 203

Cray Research 22, 28, 183, 200, 229

DEC 27, 56, 119, 198

Fujitsu 221, 265

Hewlett Packard 55, 56, 152, 221

Hitachi 20, 221, 265

IBM 20, 27, 30, 42, 52, 53, 56, 91, 109, 116, 119, 161, 182, 221, 229, 265

Inmos 55, 183, 228, 229

Intel 15, 30, 53, 54, 61, 116, 119, 183, 221, 229

Microsoft 17, 119

NEC 14, 119, 221, 265

Nothern Telecom 119

Palm Computing 17

SGI 14, 117, 166, 221

Sun Microsystems 14, 53, 56, 221

Texas Instruments 54, 231

U.S. Robotics 17

Флэш-память 135

команды 59

команды 51

фотоэлектронный умножитель 145

фрагментация памяти 97

активации 269

готовности 39, 40

цветовая температура 159

цена обмена 209

центральная часть ЭВМ 47

графа межмодульных связей 219

команды 50

цилиндр 121

частота отказов 38

чередование адресов 86, 125

шейдер 165

USB 119, 122, 138

асинхронная 112

локальная 111

синхронная 112

системная 111

шпиндель 120

криогенная 263

молекулярная 251

настольная 12

настольная

персональная ЭВМ 12

настольная

рабочая станция 13

портативная 12, 14

карманный ПК 16

ноутбук 14

последовательного типа 47

супер-ЭВМ 12, 21

управляющая 228

эталонная 29

экономичность ЭВМ или ВС 43

электронно-лучевая трубка 155

запоминающий (ЗЭ) 80

процессорный (ПЭ) 203, 243

Эльбрус 185

энергонезависимость 76

эффективность ЭВМ или ВС 26

микросхемы памяти 80, 83

ярусно-параллельная форма программы 171

2. История нейрокомпьютеров

Нейрокомпьютеры – это ЭВМ нового поколения, качественно отличающиеся от других классов вычислительных систем параллельного типа тем, что для решения задач они используют не заранее разработанные алгоритмы, а специальным образом подобранные примеры, на которых учатся. Их появление обусловлено объективными причинами: развитие элементной базы, позволяющее на одной плате реализовать персональный компьютер – полнофункциональный компьютер (модель нейрона), и необходимость решения важных практических задач, поставленных действительностью. Попытки создания ЭВМ, моделирующих работу мозга, предпринимались ещё в 40-х гг. специалистами по нейронной кибернетике. Они стремились разработать самоорганизующиеся системы, способные обучаться интеллектуальному поведению в процессе взаимодействия с окружающим миром, причём компонентами их систем обычно являлись модели нервных клеток. Однако зарождавшаяся в это же время вычислительная техника и связанные с нею науки, особенно математическая логика и теория автоматов, оказали сильное влияние на области исследования, связанные с мозгом.

К концу 50-х гг. сформировался логико-символьный подход к моделированию интеллекта. Его развитие создало такие направления, как эвристическое программирование и машинный интеллект, и способствовало угасанию интереса к нейронным сетям. К началу 80-х гг. были созданы условия для возрождения интереса к нейросетевым моделям. Это было связано с накоплением новых данных при экспериментальных исследованиях мозга.

К настоящему времени сформировался обширный рынок нейросетевых продуктов. Подавляющее большинство продуктов представлено в виде моделирующего программного обеспечения. Ведущие фирмы разрабатывают также и специализированные нейрочипы или нейроплаты в виде приставок персональным ЭВМ. Наиболее ярким прототипом супернейрокомпьютера является система обработки аэрокосмических изображений, разработанная в США по программе «Силиконовый мозг». Объявленная производительность супернейрокомпьютера составляет 80 PFLOPS (80∙1015 операций с плавающей точкой в 1 с) при физическом объёме, равном объёму человеческого мозга, и потребляемой мощности 20 Вт.

В июле 1992 г. в Японии была принята Пятая Программа (действующая и поныне), связанная с созданием координационного исследовательского центра по реализации международного проекта Real World Computing Partnership (RWCP), основной целью которого являлась разработка практических методов решения реальных задач на основе гибких и перспективных информационных технологий.

В настоящее время в рамках развития этого проекта создана трансконтинентальная сеть на базе гетерогенной вычислительной среды, объединяющей Суперкомпьютерный центр в Штутгарте (Германия), Компьютерный центр в Питсбурге (шт. Пенсильвания), Электротехническую лабораторию в Тшукубе (Япония), Компьютерный центр в Манчестере (Великобритания), в которой часть пользовательских компьютеров выполнена по нейросетевой технологии. Пиковая производительность образованного сверхсуперкомпьютера составила 2.2 TFLOPS.

Считается, что теория нейронных сетей, как научное направление, впервые была обозначена в классической работе МакКаллока и Питтса 1943 г., в которой утверждалось, что, в принципе, любую арифметическую или логическую функцию можно реализовать с помощью простой нейронной сети. В 1958 г. Фрэнк Розенблатт придумал нейронную сеть, названную перцептроном, и построил первый нейрокомпьютер Марк-1 . Перцептрон был предназначен для классификации объектов. На этапе обучения “учитель” сообщает перцептрону к какому классу принадлежит предъявленный объект. Обученный перцептрон способен классифицировать объекты, в том числе не использовавшиеся при обучении, делая при этом очень мало ошибок. Примерно в это же время вышла работа Минского и Пейперта, указавшая ограниченные возможности простейшего перцептрона. Результаты Минского и Пейперта погасили энтузиазм большинства исследователей, особенно тех, кто работал в области вычислительных наук.

С начала 80-х годов ИНС вновь привлекли интерес исследователей, что связано с энергетическим подходом Хопфилда и алгоритмом обратного распространения для обучения многослойного перцептрона (многослойные сети прямого распространения), впервые предложенного Вербосом . При этом важную роль сыграли работы группы PDP (Parallel Distributed Processing) . В них рассматривались нейронные сети, названные многослойными перцептронами, которые оказались весьма эффективными для решения задач распознавания, управления и предсказания. (Многослойные перцептроны занимают ведущее положение, как по разнообразию возможностей использования, так и по количеству успешно решенных прикладных задач.)

3. Преимущества нейрокомпьютеров.

По сравнению с обычными компьютерами нейрокомпьютеры обладают рядом преимуществ.

Во первых - высокое быстродействие, связанное с тем, что алгоритмы нейроинформатики обладают высокой степенью параллельности.

Во вторых - нейросистемы делаются очень устойчивыми к помехам и разрушениям.

В третьих - устойчивые и надежные нейросистемы могут создаваться из ненадежных элементов, имеющих значительный разброс параметров.

4. Недостатки нейрокомпьютеров.

Несмотря на перечисленные выше преимущества эти устройства имеют ряд недостатков:

1. Они создаются специально для решения конкретных задач, связанных с нелинейной логикой и теорией самоорганизации. Решение таких задач на обычных компьютерах возможно только численными методами.

2. В силу своей уникальности эти устройства достаточно дорогостоящи.

5. Практическое применение нейрокомпьютеров.

Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях народного хозяйства.

Управление в режиме реального времени: самолетами, ракетами и технологическими процессами непрерывного производства (металлургического, химического и др.);

Распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в современном обществе.

Что же представляет из себя нейрокомпьютер? Нейрокомпьютеры бывают двух типов:

1. Большие универсальные компьютеры построенные на множестве нейрочипов.

2. Нейроимитаторы, представляющие собой программы для обычных компьютеров, имитирующие работу нейронов. В основе такой программы заложен алгоритм работы нейрочипа с определенными внутренними связями. Что - то типа “Черного ящика”, по принципу которого он и работает. На вход такой программы подаются исходные данные и на основании закономерностей, связанных с принципом работы головного мозга, делаются выводы о правомерности полученных результатов.

I.Введение Прошло уже много лет с того момента, когда появилась первая ЭВМ. За это время сменилось уже несколько поколений вычислительных машин. Менялись элементная база, конструктивные решения, языки программирования, программ­ное обеспечение, но основы архитектуры, заложенные при создании машин первого поколения, практически без изменения перешли на машины последующих и успешно работают до настоящего времени.Нет сомнений, что идеи […]

Февраль 09th, 2010

I.Введение

Прошло уже много лет с того момента, когда появилась первая ЭВМ. За это время сменилось уже несколько поколений вычислительных машин. Менялись элементная база, конструктивные решения, языки программирования, программ­ное обеспечение, но основы архитектуры, заложенные при создании машин первого поколения, практически без изменения перешли на машины последующих и успешно работают до настоящего времени.Нет сомнений, что идеи машин первого поколения ещё послужат человеку. Однако всё настоятельнее требуются системы, наделённые элементами интеллекта при обработке колоссального объёма информации и в то же время работающие в темпе управляемых процессов.

В таких прикладных областях деятельности человека, как космология, молекулярная биология, гидрология, охрана окружающей среды, медицина, экономика и многих других, сформулированы проблемы, решение которых потребует вычислительных машин, обладающих колоссальными ресурсами.

На сегодняшний день высокие технические характеристики реализуется только с помощью дорогостоящих уникальных архитектур от CRAY, SGI, Fujitsu, Hitachi с несколькими тысячами процессоров.

В настоящее время концептуально разработаны методы достижения высокого быстродействия, которые охватывают все уровни проектирования вычислительных систем. На самом нижнем уровне – это передовая технология конструирования и изготовления быстродействующей элементной базы и плат с высокой плотностью монтажа.

Теоретически совершенствование элементной базы – самый простой метод повышения производительности вычислительных систем. Однако на практике он приводит к существенному удорожанию новых разработок. Следовательно, требуется разработка новых принципов вычислений, позволяющих ставить и решать задачи подобного типа, а также способных значительно повысить скорость обработки традиционных вычислительных алгоритмов. К числу новых направлений можно отнести и нейрокомпьютеры.

II.Нейрокомпьютеры

1. Что такое нейрокомпьютер

Нейрокомпьютеры — это системы, в которых алгоритм решения задачи представлен логической сетью элементов частного вида — нейронов с полным отказом от булевских элементов типа И, ИЛИ, НЕ. Как следствие этого введены специфические связи между элементами, которые являются предметом отдельного рассмотрения. В отличие от классических методов решения задач нейрокомпьютеры реализуют алгоритмы решения задач, представленные в виде нейронных сетей. Это ограничение позволяет разрабатывать алгоритмы, потенциально более параллельные, чем любая другая их физическая реализация.

Нейросетевая тематика является междисциплинарной, что обусловило значительные разночтения в общих терминологических подходах. Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот — все это породило многочисленные споры и целые терминологические войны по различным направлениям применения всего где есть приставка нейро-.

Приведем некоторые наиболее устоявшиеся определения нейрокомпьютера

В дальнейшем под нейрокомпьютером будем понимать вычислительную систему с архитектурой MSIMD, в которой реализованы два принципиальных технических решения: упрощен до уровня нейрона процессорный элемент однородной структуры и резко усложнены связи между элементами; программирование вычислительной структуры перенесено на изменение весовых связей между процессорными элементами.

Общее определение нейрокомпьютера может быть представлено в следующем виде:

Нейрокомпьютер — это вычислительная система с архитектурой аппаратного и программного обеспечения, адекватной выполнению алгоритмов, представленных в нейросетевом логическом базисе

2. История нейрокомпьютеров

Нейрокомпьютеры – это ЭВМ нового поколения, качественно отличающиеся от других классов вычислительных систем параллельного типа тем, что для решения задач они используют не заранее разработанные алгоритмы, а специальным образом подобранные примеры, на которых учатся. Их появление обусловлено объективными причинами: развитие элементной базы, позволяющее на одной плате реализовать персональный компьютер – полнофункциональный компьютер (модель нейрона), и необходимость решения важных практических задач, поставленных действительностью. Попытки создания ЭВМ, моделирующих работу мозга, предпринимались ещё в 40-х гг. специалистами по нейронной кибернетике. Они стремились разработать самоорганизующиеся системы, способные обучаться интеллектуальному поведению в процессе взаимодействия с окружающим миром, причём компонентами их систем обычно являлись модели нервных клеток. Однако зарождавшаяся в это же время вычислительная техника и связанные с нею науки, особенно математическая логика и теория автоматов, оказали сильное влияние на области исследования, связанные с мозгом.

К концу 50-х гг. сформировался логико-символьный подход к моделированию интеллекта. Его развитие создало такие направления, как эвристическое программирование и машинный интеллект, и способствовало угасанию интереса к нейронным сетям. К началу 80-х гг. были созданы условия для возрождения интереса к нейросетевым моделям. Это было связано с накоплением новых данных при экспериментальных исследованиях мозга.

К настоящему времени сформировался обширный рынок нейросетевых продуктов. Подавляющее большинство продуктов представлено в виде моделирующего программного обеспечения. Ведущие фирмы разрабатывают также и специализированные нейрочипы или нейроплаты в виде приставок персональным ЭВМ. Наиболее ярким прототипом супернейрокомпьютера является система обработки аэрокосмических изображений, разработанная в США по программе «Силиконовый мозг». Объявленная производительность супернейрокомпьютера составляет 80 PFLOPS (80?1015 операций с плавающей точкой в 1 с) при физическом объёме, равном объёму человеческого мозга, и потребляемой мощности 20 Вт.

В июле 1992 г. в Японии была принята Пятая Программа (действующая и поныне), связанная с созданием координационного исследовательского центра по реализации международного проекта Real World Computing Partnership (RWCP), основной целью которого являлась разработка практических методов решения реальных задач на основе гибких и перспективных информационных технологий.

В настоящее время в рамках развития этого проекта создана трансконтинентальная сеть на базе гетерогенной вычислительной среды, объединяющей Суперкомпьютерный центр в Штутгарте (Германия), Компьютерный центр в Питсбурге (шт. Пенсильвания), Электротехническую лабораторию в Тшукубе (Япония), Компьютерный центр в Манчестере (Великобритания), в которой часть пользовательских компьютеров выполнена по нейросетевой технологии. Пиковая производительность образованного сверхсуперкомпьютера составила 2.2 TFLOPS.

Считается, что теория нейронных сетей, как научное направление, впервые была обозначена в классической работе МакКаллока и Питтса 1943 г., в которой утверждалось, что, в принципе, любую арифметическую или логическую функцию можно реализовать с помощью простой нейронной сети. В 1958 г. Фрэнк Розенблатт придумал нейронную сеть, названную перцептроном, и построил первый нейрокомпьютер Марк-1 . Перцептрон был предназначен для классификации объектов. На этапе обучения “учитель” сообщает перцептрону к какому классу принадлежит предъявленный объект. Обученный перцептрон способен классифицировать объекты, в том числе не использовавшиеся при обучении, делая при этом очень мало ошибок. Примерно в это же время вышла работа Минского и Пейперта, указавшая ограниченные возможности простейшего перцептрона. Результаты Минского и Пейперта погасили энтузиазм большинства исследователей, особенно тех, кто работал в области вычислительных наук.

С начала 80-х годов ИНС вновь привлекли интерес исследователей, что связано с энергетическим подходом Хопфилда и алгоритмом обратного распространения для обучения многослойного перцептрона (многослойные сети прямого распространения), впервые предложенного Вербосом . При этом важную роль сыграли работы группы PDP (Parallel Distributed Processing) . В них рассматривались нейронные сети, названные многослойными перцептронами, которые оказались весьма эффективными для решения задач распознавания, управления и предсказания. (Многослойные перцептроны занимают ведущее положение, как по разнообразию возможностей использования, так и по количеству успешно решенных прикладных задач.)

3. Преимущества нейрокомпьютеров.

По сравнению с обычными компьютерами нейрокомпьютеры обладают рядом преимуществ.

Во первых - высокое быстродействие, связанное с тем, что алгоритмы нейроинформатики обладают высокой степенью параллельности.

Во вторых - нейросистемы делаются очень устойчивыми к помехам и разрушениям.

В третьих - устойчивые и надежные нейросистемы могут создаваться из ненадежных элементов, имеющих значительный разброс параметров.

4. Недостатки нейрокомпьютеров.

Несмотря на перечисленные выше преимущества эти устройства имеют ряд недостатков:

1. Они создаются специально для решения конкретных задач, связанных с нелинейной логикой и теорией самоорганизации. Решение таких задач на обычных компьютерах возможно только численными методами.

2. В силу своей уникальности эти устройства достаточно дорогостоящи.

5. Практическое применение нейрокомпьютеров.

Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях народного хозяйства.

Управление в режиме реального времени: самолетами, ракетами и технологическими процессами непрерывного производства (металлургического, химического и др.);

Распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в современном обществе.

Что же представляет из себя нейрокомпьютер? Нейрокомпьютеры бывают двух типов:

1. Большие универсальные компьютеры построенные на множестве нейрочипов.

2. Нейроимитаторы, представляющие собой программы для обычных компьютеров, имитирующие работу нейронов. В основе такой программы заложен алгоритм работы нейрочипа с определенными внутренними связями. Что - то типа “Черного ящика”, по принципу которого он и работает. На вход такой программы подаются исходные данные и на основании закономерностей, связанных с принципом работы головного мозга, делаются выводы о правомерности полученных результатов.

III.Основы нейроинформатики

Нейронные сети это всего-навсего сети, состоящие из связанных между собой простых элементов формальных нейронов. Большая часть работ по нейроинформатике посвящена переносу различных алгоритмов решения задач на такие сети.

В основу концепции положена идея о том, что нейроны можно моделировать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. Каждая связь представляется как совсем простой элемент, служащий для передачи сигнала. Коротко эту мысль можно выразить так: “структура связей все, свойства элементов ничто”.

Совокупность идей и научно-техническое направление, определяемое описанным представлением о мозге, называется коннекционизмом (connection связь). С реальным мозгом все это соотносится примерно так же, как карикатура или шарж со своим прототипом. Важно не буквальное соответствие оригиналу, а продуктивность технической идеи.

С коннекционизмом тесно связан следующий блок идей:

однородность системы (элементы одинаковы и чрезвычайно просты, все определяется структурой связей);
надежные системы из ненадежных элементов и “аналоговый ренессанс” использование простых аналоговых элементов;
“голографические” системы при разрушении случайно выбранной части система сохраняет свои свойства.

Предполагается, что широкие возможности систем связей компенсируют бедность выбора элементов, их ненадежность и возможные разрушения части связей.

Для описания алгоритмов и устройств в нейроинформатике выработана специальная “схемотехника”, в которой элементарные устройства (сумматоры, синапсы, нейроны и т.п.) объединяются в сети, предназначенные для решения задач. Для многих начинающих кажется неожиданным, что ни в аппаратной реализации нейронных сетей, ни в профессиональном программном обеспечении эти элементы вовсе не обязательно реализуются как отдельные части или блоки. Используемая в нейроинформатике идеальная схемотехника представляет собой особый язык описания нейронных сетей и их обучения. При программной и аппаратной реализации выполненные на этом языке описания переводятся на более подходящие языки другого уровня.

Самый важный элемент нейросистем адаптивный сумматор, который вычисляет скалярное произведение вектора входного сигнала x на вектор параметров a. Адаптивным он называется из-за наличия вектора настраиваемых параметров a.

Нелинейный преобразователь сигнала получает скалярный входной сигнал x и переводит его в заданную нелинейную функцию f(x).

Стандартный формальный нейрон состоит из входного сумматора, нелинейного преобразователя и точки ветвления на выходе.

Линейная связь синапс отдельно от сумматоров не встречается, однако для некоторых рассуждений бывает удобно выделить этот элемент. Он умножает входной сигнал x на “вес синапса” a.

Итак, мы коротко описали основные элементы, из которых состоят нейронные сети.

IV.Задачи для нейронных сетей

Многие задачи, для решения которых используются нейронные сети, могут рассматриваться как частные случаи следующих основных проблем:

построение функции по конечному набору значений;
оптимизация;
построение отношений на множестве объектов;
распределенный поиск информации и ассоциативная память;
фильтрация;
сжатие информации;
идентификация динамических систем и управление ими;
нейросетевая реализация классических задач и алгоритмов вычислительной математики: решение систем линейных уравнений, решение задач математической физики сеточными методами и др.

V.Заключение

Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки.
Такие системы основывались на высокоуровневом моделировании процесса мышления на обычных компьютерах. Скоро стало ясно, чтобы создать искусственный интеллект, необходимо построить систему с похожей на естественную архитектурой, т. е. перейти от программной реализации процесса мышления к аппаратной.
Естественным продолжением аппаратного и программного подхода к реализации нейрокомпьютера является программно-аппаратный подход.
Аппаратный подход связан с созданием нейрокомпьютеров в виде нейроподобных структур (нейросетей) электронно-аналогового, оптоэлектронного и оптического типов. Для таких компьютеров разрабатываются специальные СБИС (нейрочипы).
Основу нейросетей составляют относительно простые, в большинстве случаев — однотипные, элементы (ячейки), имитирующие работу нейронов мозга — искусственные нейроны. Нейрон обладает группой синапсов — однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон — выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом, который по физическому смыслу эквивалентен электрической проводимости в электрических связях.
Для решения отдельных типов задач существуют оптимальные конфигурации нейронных сетей. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать сложную проблему синтеза новой конфигурации. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом слоев нейронов. Одной из важных особенностью нейронной сети является возможность к обучению. Обучение нейросети может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы нейросети формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. После обучения на достаточно большом количестве примеров можно использовать обученную сеть для прогнозирования, предъявляя ей новые входные значения. Это важнейшее достоинство нейрокомпьютера, позволяющие ему решать интеллектуальные задачи, накапливая опыт.

VI.Список используемой литературы:

А.Горбань, Д. Россиев. Нейронные сети на персональном компьютере. //Новосибирск: Наука, 1996.
Ф.Уоссермен, Нейрокомпьютерная техника, М.,Мир, 1992.
Итоги науки и техники: физические и математические модели нейронных сетей, том 1, М., изд. ВИНИТИ, 1990.

4. http://therocker.narod.ru/doc/neuro.htm#comp1

5. http://www.bmstu.ru

6. http://neurnews.iu4.bmstu.ru