В современных системах автоматизированного проектирования ши

---

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». 

---