8.Методы реализации нейрокомпьютеров (нк)

Нейросетевая тематика является междисциплинарной, что в значительной степени объясняет разночтения в общих терминологических подходах. Поэтому условились считать, что нейрокомпьютер – это любая вычислительная система, использующая нейросетевые методы для обработки информации. В настоящее время разработкой НК во всем мире занимается свыше 300 фирм (среди которых такие, как IBM, DEC, Intel, Motorola, Toshiba, Siemens, Athmel, Xilinx и др.) и практически все университеты. При этом все более расширяется применение НК к решению традиционных задач (алгебраических уравнений большой размерности, систем нелинейных дифференциальных уравнений, уравнений в частных производных и т.п.), что обусловлено хорошими аппроксимирующими свойствами НС при однородности структуры и параллельности вычислений. При практическом построении структур НК различают два основных подхода:

• программная эмуляция НК, т.е. моделирование ИНС программой – имитатором (нейропакетом) на обычном компьютере;

• аппаратная реализация НК с использованием процессоров цифровой обработки сигналов (ПЦОС) и систолических процессоров, программируемых логических ИС (ПЛИС), специализированных нейрочипов, оптических методов матрично–векторного умножения, био– и нано НК и т.д.

8.1.Программное моделирование инс

Наиболее распространенной платформой для программных комплексов, эмулирующих ИНС, являются процессоры общего назначения (ПОН). Во-первых, популярность такого подхода объясняется простотой реализации нейроалгоритмов на рабочих станциях, особенно с использованием языков высокого уровня (ЯВУ), где имеются библиотеки разнообразных функций, используемых в нейроприложениях, разработаны визуальные средства, содержащие множество типовых решений и удобный графический интерфейс, для которых даже не обязательны специальные навыки программирования. Во-вторых, широкое моделирование ИНС в архитектурах обычных компьютеров объясняется постоянным ростом производительности в этой области, что позволяет для большинства задач получать приемлемые по скорости решения даже без особых процедур оптимизации. Достоинства и недостатки ПОН для построения нейросред приведены в таблице. 8.1.

К настоящему времени как фирмами, так и отдельными исследователями разработано значительное число (>30) универсальных нейропакетов (НП), позволяющих конструировать, обучать и использовать ИНС для решения практических задач. Сравнительный анализ некоторых из них на основе базовых показателей приведен в таблице 8.2 по десятибалльной шкале. Первые три показателя важны для начинающих пользователей НП, 3…8 – для опытных пользователей, решающих конкретные прикладные задачи, 7…11 – для профессиональных разработчиков и программистов. Видно, что наиболее мощными НП являются Neurosolutions и Neural Works Professional: первый из них отличает развитый интерфейс и наглядность представления информации, второй – количество реализуемых нейропарадигм (28) и алгоритмов обучения. Пакет расширения NNT (Neural Network Toolbox) MATLAB 7.0 по указанным в таблице критериям, хотя и имеет средние показатели (15 нейросетевых парадигм, ограничения в плане построения оригинальных ИНС и т.п.), тем не менее, достаточно удобен для использования в образовательном процессе. Заметим, что число специализированных НП, ориентированных на решение более узких задач науки, техники, экономики, финансов, социальной сферы, неизмеримо больше.

Таблица 8.1.

Достоинства	Недостатки
Высокие темпы роста производительности. Наличие программных средств высокого уровня. Совместимость с предыдущими разработками. Возможность интеграции нейроприложений с другими программными средствами. Большой объем доступной памяти.	Аппаратная избыточность, ведущая к недоиспользованию вычислительных ресурсов. Малая пригодность к созданию дешевых промышленно применимых устройств, а также автономных и мобильных систем. Сложность построения масштабируемых, многопроцессорных систем.

Таблица 8.2.

Нейропакеты (автор) Показатель сравнения	NeuroSolutions (NeuroDimension Inc.)	NeuralWorks Professional (neural Ware Inc.)	Brain Maker Pro (California Scientific Software)	NNT MATLAB 6 (Math Works)
простота создания и обучения НС	9	9	6	9
простота подготовки обучающей выборки	9	9	7	8
наглядность представления информации	10	9	4	6
количество реализуемых нейропарадигм и алгоритмов обучения	8	10	6	6
возможность создания собственных нейроструктур	10	8	5	5
возможность использования собственных критериев оптимизации	8	7	-	5
возможность использования собственных алгоритмов обучения	10	7	4	5
простота обмена информации между НП и ОС	10	8	5	7
открытость архитектуры, т.е. возможность расширения НП за счет собственных программных модулей	10	10	-	7
возможность генерации исходного кода	10	10	-	8
наличие макроязыка для ускорения работы с НП	10	-	-	6
Суммарный показатель	104	87	37	72