Microsoft Word doc

часть
любой
вычисли
-
тельной
машины
. 
Вычислительную
машину
можно
определить
как
устройство
, 
изменяющее
состояние
памяти
, 
переводящее
па
-
мять
из
одного
состояния
в
другое
. 
В
этом
смысле
память
можно
считать
главным
объектом
работы
вычислительной
машины
. 
Кэш
-
память
 – 
промежуточное
, 
скрытое
от
пользователя
за
-
поминающее
устройство
ассоциативного
типа
, 
позволяющее
ми
-

---

343 
нимизировать
время
обращения
к
основной
оперативной
памяти
и
тем
самым
сократить
общее
время
решения
задач
. 
Кэш
-
память
более
быстродействующее
устройство
, 
но
значительно
меньшее
по
объему
по
сравнению
с
оперативной
памятью
. 
Кэш
-
памятью
снаб
-
жены
почти
все
современные
процессоры
. 
Блок
 
целочисленной
 
арифметики
, 
или
целочисленное
арифметико
-
логическое
 
устройство
(
АЛУ
), 
выполняет
ариф
-
метические
и
логические
операции
над
целыми
числами
в
дво
-
ичном
представлении
: 
сложение
, 
вычитание
, 
умножение
, 
деле
-
ние
с
остатком
, 
логические
операции
, 
сдвиги
. 
Блок
 
арифметики
 
с
 
плавающей
 
точкой
(
АЛУ
с
плаваю
-
щей
точкой
) 
выполняет
арифметические
операции
с
вещест
-
венными
числами
, 
представленными
экспонентой
и
мантиссой
. 
Диапазон
вещественных
чисел
, 
представимых
в
машине
, 
как
правило
, 
значительно
больше
количества
представимых
в
ма
-
шине
целых
чисел
. 
Регистры
 
общего
 
назначения
(
РОН
) 
служат
для
проме
-
жуточного
хранения
операндов
и
результатов
вычислений
и
непосредственно
связаны
с
целочисленным
АЛУ
. 
Они
также
могут
быть
использованы
для
вычисления
адресной
информа
-
ции
. 
Если
операнды
находятся
на
быстрых
регистрах
общего
назначения
, 
то
процесс
вычислений
ускоряется
, 
так
как
нет
необходимости
обращаться
в
основную
сравнительно
медлен
-
ную
оперативную
память
. 
Регистры
 
арифметики
 
с
 
плавающей
 
точкой
 
служат
для
промежуточного
хранения
операндов
и
результатов
вычислений
над
вещественными
числами
, 
представленными
с
плавающей
точ
-
кой
. 
Эти
регистры
обычно
по
разрядности
в
2–3 
раза
длиннее
бы
-
стрых
регистров
общего
назначения
. 
Это
необходимо
для
дости
-
жения
высокой
точности
выполнения
арифметических
операций
над
вещественными
числами
. 

---

344 
Вычислительные
 
машины

нетрадиционной
 
архитектуры
 
По
принципу
организации
обработки
данных
вычислитель
-
ные
системы
делятся
на
две
резко
различающиеся
категории
. 
Большинство
однопроцессорных
и
многопроцессорных
машин
управляется
потоками
команд
. 
Архитектуры
машин
и
вычисли
-
тельных
систем
, 
управляемых
потоками
команд
, 
принято
называть
традиционными
. 
Однако
существуют
проекты
и
опытные
образцы
машин
, 
управляемых
потоком
данных
. 
Машины
, 
управляемые
по
-
токам
данных
, 
принято
относить
к
нетрадиционным
архитектурам
. 
Понятие
традиционности
относительно
: 
то
, 
что
сегодня
считается
нетрадиционным
, 
завтра
может
стать
вполне
обыденным
. 
Рассмотрим
принципы
функционирования
таких
потоко
-
вых
 
машин
. 
В
них
отсутствует
как
таковой
счетчик
команд
, 
опре
-
деляющий
последовательность
действий
. 
Цель
создания
такого
рода
компьютеров
состоит
в
том
, 
чтобы
достичь
максимального
распараллеливания
вычислительного
процесса
. 
Теоретически
та
-
кие
машины
позволяют
максимально
использовать
параллелизм
, 
заложенный
в
алгоритме
. 
Вычислительный
алгоритм
может
быть
представлен
гра
-
фом
потока
данных
. 
Например
, 
алгоритм
вычисления
выражения
: 
(
а
 + b) d + (
а
+ d) b + d 
⋅
 b 
⋅
 c 
представляется
графом
, 
в
узлах
ко
-
торого
расположены
операции
, 
выполняемые
над
переменными
, 
поток
которых
указан
на
рис
. 12.12 
стрелками
на
дугах
. 
В
узлах
графа
, 
расположенных
в
столбцах
, 
все
операции
могут
быть
вы
-
полнены
независимо
и
одновременно
. 
Рис
. 12.12.
Граф
-
схема
потока
данных

---

345 
Принцип
работы
машин
, 
управляемых
данными
(Data Flow 
Computers – DFC), 
состоит
в
том
, 
что
всякое
 
действие
 
выполня
-
ется
 
в
 
тот
 
момент
, 
когда
 
для
 
него
 
готовы
 
операнды
. 
Очевидно
, 
что
машина
, 
спроектированная
точно
под
данный
алгоритм
, 
бу
-
дет
работать
с
максимальной
производительностью
, 
полностью
используя
внутренний
параллелизм
алгоритма
. 
Говоря
об
уровнях
параллелизма
, 
имеют
в
виду
число
узлов
графа
потока
данных
, 
в
которых
указанные
действия
могут
вы
-
полняться
одновременно
. 
Когда
же
идет
речь
о
проектировании
универсальной
DFC-
машины
, 
возникает
множество
проблем
, 
не
поддающихся
простому
решению
, 
поскольку
универсальная
потоковая
маши
-
на
, 
пригодная
для
выполнения
любого
алгоритма
, 
теоретически
должна
содержать
неограниченное
число
функциональных
уст
-
ройств
. 
Сделать
такую
универсальную
потоковую
машину
прак
-
тически
невозможно
, 
так
как
число
функциональных
устройств
будет
ограничено
соображениями
технической
реализуемости
и
стоимости
. 
Информация
о
графе
оказывается
весьма
емкой
по
объему
, 
и
ее
необходимо
иметь
на
каждом
шаге
вычислите
-
льного
процесса
. 
Этот
недостаток
потоковых
машин
, 
требую
-
щий
передавать
большой
дополнительный
объем
информации
от
одного
узла
к
другому
, 
сводит
на
нет
возможность
достиже
-
ния
максимального
параллелизма
. 
Нейрокомпьютеры
 
Особое
место
в
вычислительной
технике
занимают
нейро
-
компьютеры
, 
которые
все
более
и
более
широко
используются
для
решения
задач
распознавания
образов
, 
классификации
, 
поис
-
ка
экстремумов
, 
решения
задач
искусственного
интеллекта
. 
Нейрокомпьютер
, 
или
нейроподобная
вычислительная
система
, 
представляет
собой
сеть
 
элементарных
 
процессоров
(
ЭП
), 
которые
, 
следуя
изначальной
биологической
терминоло
-
гии
, 
называются
нейронами
. 
Нейроны
объединены
в
однослой
-

---

346 
ную
или
многослойную
структуру
. 
В
идеальном
случае
все
ней
-
роны
связаны
между
собой
линиями
передачи
данных
по
прин
-
ципу
«
каждый
с
каждым
». 
Нейрон
, 
получив
данные
от
других
нейронов
, 
с
которыми
он
связан
, 
выполняет
вычисления
некоторой
функции
S, 
назы
-
ваемой
функцией
активации
. 
Ее
значениями
в
простейшем
слу
-
чае
могут
быть
0 
либо
1. 
Связям
, 
идущим
от
других
нейронов
к
некоторому
i-
му
 
нейрону
, 
присваиваются
весовые
коэффициенты
w
kl
. 
Эти
весо
-
вые
коэффициенты
, 
умноженные
на
значения
S
k
, 
поступающие
от
других
нейронов
, 
суммируются
, 
и
полученная
сумма
стано
-
вится
аргументом
функции
активации
, 
вычисляемой
прини
-
мающим
нейроном
. 
В
каждый
момент
времени
все
нейроны
ра
-
ботают
одновременно
, 
обеспечивая
максимальный
параллелизм
нейрокомпьютерной
системы
. 
Схематически
один
i-
й
ЭП
нейросети
, 
или
нейрон
, 
можно
представить
так
, 
как
это
показано
на
рис
. 12.13. 
Здесь
использо
-
ваны
обозначения
: w
mi
 – 
вес
, 
на
который
умножаются
значения
, 
поступающие
на
i-
й
ЭП
от
m-
го
ЭП
. 
Величины
X
in
 = S
i
(x
i
) 
обо
-
значают
значение
функции
S
i
, 
рассылаемое
другим
нейронам
, 
связанным
с
данным
. 
Вес
назначается
при
подготовке
(
настрой
-
ке
) 
нейросети
к
работе
. 
Эта
настройка
происходит
по
некоторым
алгоритмам
«
обучения
» 
сети
. 
Рис
. 12.13. 
Схема
нейрона
(
процессорного
элемента
нейрокомпьютера
) 
В
качестве
функции
S
i
(x
i
) = X
i
 
чаще
используют
бинарную
пороговую
 
функцию
, 
принимающую
два
значения
: 0 
или
1. 
Поро
-

---

347 
говая
функция
, 
ее
называют
еще
функцией
 
активации
, 
переводит
нейрон
в
два
состояния
– 
активное
или
пассивное
. 
Нейрокомпьютерная
сеть
обычно
работает
по
тактам
(
дис
-
кретно
). 
За
такт
происходит
вычисление
одновременно
всех
по
-
роговых
функций
, 
при
этом
новые
значения
этих
функций
будут
участвовать
в
следующем
такте
работы
нейронной
сети
. 
Нейрон
, 
принявший
значение
0, 
становится
пассивным
. 
Это
равносильно
тому
, 
что
он
перестает
передавать
информацию
другим
, 
связан
-
ным
с
ним
нейронам
. 
Во
многих
нейросетях
функции
активации
полагают
одинаковыми
для
всех
нейронов
и
могут
быть
приняты
линейными
, 
в
виде
гиперболического
тангенса
и
т
.
д
. 
Считается
, 
что
сеть
пришла
в
равновесное
состояние
, 
ко
-
гда
перестают
изменяться
значения
выходов
. 
Это
эквивалентно
тому
, 
что
некий
итерационный
процесс
сошелся
. 
Распределяя
нужным
образом
веса
связей
и
варьируя
правила
вычисления
функций
всех
узлов
, 
можно
настраивать
такую
сеть
на
решение
широкого
круга
задач
указанных
выше
классов
. 
Нейронные
сети
можно
«
обучать
», 
автоматически
изменяя
вес
и
значения
порогов
таким
образом
, 
чтобы
на
обучающих
примерах
сеть
давала
правильный
ответ
на
поставленный
вопрос
. 
В
этом
случае
можно
надеяться
на
то
, 
что
сеть
будет
давать
пра
-
вильные
ответы
на
аналогичные
вопросы
, 
касающиеся
других
объектов
с
другими
параметрами
. 
Для
нейрокомпьютеров
исключаются
привычные
понятия
программирования
. 
Процесс
обучения
сети
заменяет
программи
-
рование
в
обычных
машинах
. 
Он
, 
как
правило
, 
требует
больших
затрат
времени
, 
но
легко
поддается
автоматизации
с
использова
-
нием
обычных
компьютеров
. 
Обученная
нейросеть
затем
очень
быстро
находит
решения
поставленных
задач
и
намного
превос
-
ходит
компьютеры
традиционной
архитектуры
по
эффективности
работы
. 
Наиболее
широко
нейрокомпьютеры
используются
для
задач
распознавания
образов
. 
В
настоящее
время
интенсивно
исследуются
возможности
применения
совершенно
новых
принципов
, 
на
основе
которых
можно
создавать
вычислительные
системы
и
машины
. 

---

348 
Ведутся
работы
по
применению
биохимических
реакций
для
создания
так
называемых
биокомпьютеров
. 
Теоретически
доказана
возможность
создания
на
этой
основе
универсального
вычислителя
. 
Многообещающей
является
идея
создания
квантовых
 
ком
-
пьютеров
на
основе
использования
свойств
атомов
, 
то
есть
кван
-
товой
машины
, 
основным
логическим
элементом
которой
будет
отдельный
атом
. 
Такая
машина
должна
обладать
быстродействием
, 
достаточным
для
расшифровки
самых
сложных
кодов
в
считанные
секунды
, 
в
то
время
как
на
самых
быстродействующих
современ
-
ных
машинах
на
это
потребуются
сотни
лет
. 
Новые
принципы
по
-
требуют
нового
взгляда
на
архитектуру
компьютеров
начавшегося
тысячелетия
, 
которая
будет
резко
отличаться
от
архитектур
совре
-
менных
вычислительных
систем
, 
построенных
на
традиционной
элементной
базе
. 
Оптические
компьютеры
, 
основанные
на
кванто
-
вых
эффектах
, 
идеях
голографии
будут
отличаться
глубоким
па
-
раллелизмом
, 
вытекающим
из
естественного
параллелизма
физи
-
ческих
процессов
, 
лежащих
в
основе
их
работы
. 
Взаимоотношение
классов
архитектур
представлено
на
рис
. 12.14. 
Рис
. 12.14. 
Иерархия
архитектур

---

349