3
ВВЕДЕНИЕ
В современных системах автоматизированного проектирования ши-
роко применяются методы математического моделирования, позволяющие
на основе достаточно точных математических моделей проводить исследо-
вание свойств технических объектов, проводить их полный расчёт и опти-
мизацию. Процесс автоматизированного проектирования, начиная с ран-
них стадий разработки, позволяет накапливать информацию, уточнять мо-
дель и в результате разрабатывать проект изделия с заданными потреби-
тельскими свойствами.
Технология нейронных вычислительных сетей показала свою эффек-
тивность при решении задач распознавания образов, кластеризации дан-
ных, ассоциативного поиска информации в базах данных и в ряде других
применений.
Традиционно нейронные сети реализуются в форме программ на
универсальных компьютерах, или в форме электронных схем, выполнен-
ных на микропроцессорах или на специализированных нейронных процес-
сорах (нейрочипах).
Нейроны (нейрочипы) сети выполняют операцию умножения вход-
ного сигнала на число (вес входа), складывают сигналы и вычисляют вы-
ходной сигнал, на основе заложенной в нейрон функции активации.
Промышленность выпускает цифровые, аналоговые и гибридные
нейрочипы, которые работают соответственно с цифровыми, аналоговыми
или одновременно аналоговыми и цифровыми сигналами.
Нейрочип – специализированный микропроцессор, оптимизирован-
ный для массового выполнения нейронных операций: скалярного умноже-
ния и нелинейного преобразования сигналов, изготовленный по техноло-
гии микроэлектроники. Для создания реально работающих нейронных се-
тей на основе существующих нейрочипов необходимы десятки и сотни
4
микросхем, что делает проекты достаточно дорогими и поэтому не нахо-
дящими широкого спроса.
Работы по исследованию и разработке нейронных сетей проводятся с
середины прошлого века. Теоретически показано, что наиболее универ-
сальны многослойные нейронные сети с пространственной организацией, в
которой входы и выходы каждого нейрочипа могут быть подключены к
входам и выходам любого другого нейрочипа в сети. Аппаратная реализа-
ция таких сетей на кристалле в рамках традиционной планарной техноло-
гии микроэлектроники очень сложна, что не позволило до настоящего
времени создать дешевые нейронные сети.
Нейронная сеть содержит большое количество одинаковых элементов
– нейронов, и относится к классу вычислительных сетей с распределенны-
ми ресурсами. Повысить производительность нейронной сети можно, или
уменьшая число каналов обмена информацией между нейронами, или уве-
личивая степень интеграции элементов в нейрочипе. Наиболее перспек-
тивным направлением реализации нейрочипов для нейронных сетей следу-
ет признать развитие КМОП технологии, применяемой для изготовления
современных программируемых логических интегральных микросхем
(ПЛИС). Архитектура ПЛИС содержит блоки элементов памяти и конфи-
гурируемые логические блоки (КЛБ). Локальная связь между этими эле-
ментами осуществляется при помощи проводников трассировочных мат-
риц, подключаемых при помощи двунаправленных транзисторных про-
граммируемых переключателей. Связь с внешней платой осуществляется
при помощи двунаправленных программируемых блоков ввода-вывода.
Нейронная сеть может быть аппаратно реализована на системе
ПЛИС. Однако по своим функциональным возможностям и цене ПЛИС
слишком сложны, дороги и плохо согласуются с алгоритмами работы ней-
ронной сети.
Развитие КМОП технологии привело к созданию элементов энерго-
5
независимой памяти на базе нанокристаллов Si, Ge, в пленке SiO
2
. Такой
нанокристалл совместно с подведенными к нему электродами образует
элемент, близкий по свойствам к униполярному МОП транзистору с пла-
вающим затвором. Комплементарные пары таких транзисторов служат
элементной базой при создании гигабайтных микросхем «флэш-памяти»
новой архитектуры.
Эти два технологических направления открывают перспективы соз-
дания гигабайтных нейронных сетей на одном кристалле. Группа элементов
памяти и логических элементов, созданных на базе нанокристаллов кремния
и германия, образуют нейроны нейронной сети. Связь между нейронами
осуществляется при помощи проводников трассировочных матриц. В от-
личие от ПЛИС, структура нейронной сети достаточно проста и регулярна,
что приводит к резкому уменьшению числа программируемых переключа-
телей и объема предназначенной для управления ими теневой памяти.
В результате на одном кристалле в рамках стандартной технологии
можно разместить значительно больше нейронов, чем в ПЛИС. Это техно-
логическое направление перспективно для создания массовых и дешевых
гигабайтных нейрочипов, позволяющих аппаратно реализовывать сложные
нейронные сети.
Проблемам моделирования и функционирования нейронных сетей на
основе твердотельных объектов посвящены работы многих российских,
советских и зарубежных учёных.
Развитие технологии производства интегральных микросхем нового
поколения ставит задачу изучения алгоритмов обработки информации в
нейронных сетях, оптимизации структуры нейронной сети и структуры
нейрона, соответствующих возможностям технологии. Это делает задачу
разработки элементов информационной технологии в проектировании
нейронных сетей на основе твёрдотельных объектов актуальной и свое-
временной.
6
Особенностью процессов распознавания образов в кластерных сис-
темах обработки информации является их длительность и большой объём
входных данных.
Проектирование процессов распознавания образов невозможно без
понимания принципов построения кластерных и распределённых систем
обработки информации. Современные средства моделирования позволяют
создавать предварительные проекты подобных систем. В связи с этим ост-
ро встаёт вопрос о производительности систем распознавания образов для
автоматизации проектирования устройств и систем микро- и наноэлектро-
ники, электронного машино- и приборостроения.
Высокая степень автоматизации современных процессов пораждает
риск снижения их безопасности (личной, информационной, государствен-
ной и т.п.). Доступность и широкое распространение информационных
технологий делает их чрезвычайно уязвимыми по отношению к деструк-
тивным воздействиям, в том числе и информационным.
Таким образом, чтобы быть защищённой, система должна успешно
противостоять многочисленным и разнообразным угрозам безопасности,
действующим в пространстве современных информационных технологий.
С возникновением нанотехнологий появилась техническая возмож-
ность сдвинуть ограничения на пространственное разрешение измеритель-
ных и исполнительных инструментов в нанометровую и субнанометровую
область размеров.
Книга предназначена для инженерно-технических и научных работ-
ников, занимающихся информационными технологиями в проектировании
объектов электронного машино- и приборостроения, в том числе проекти-
рованием нейронных сетей на основе твёрдотельных объектов и процессов
распознавания образов в кластерных системах обработки информации. Из-
дание может быть рекомендовано аспирантам вузов и студентам, обучаю-
щимся по специальности 210107 – «Электронное машиностроение» и на-
правлению 210100 – «Электроника и наноэлектроника».
Do'stlaringiz bilan baham: |