Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования

«Финансовый университет при Правительстве Российской Федерации»

«Разработка, применение и перспективы развития нейрокомпьютеров»

Выполнила:

студентка гр. М1-1

Жилякова А.И.

Проверил:

3.1. Преимущества и недостатки. 8

3.2.1. Сферы применения 10

3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности. 11

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.

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.

4. Перспективы развития нейрокомпьютеров

Многолетние усилия многих исследовательских групп привели к тому, что к настоящему моменту накоплено большое число различных «правил обучения» и архитектур нейронных сетей, их аппаратных реализаций и приёмов использования нейронных сетей для решения прикладных задач.

Эти интеллектуальные изобретения существуют в виде «зоопарка» нейронных сетей. Каждая сеть из зоопарка имеет свою архитектуру, правило обучения и решает конкретный набор задач. В последнее десятилетие прилагаются серьёзные усилия для стандартизации структурных элементов и превращений этого «зоопарка» в «технопарк»: каждая нейронная сеть из зоопарка реализована на идеальном универсальном нейрокомпьютере, имеющем заданную структуру.

Основные правила выделения функциональных компонентов идеального нейрокомпьютера (по Миркесу):

· Относительная функциональная обособленность: каждый компонент имеет чёткий набор функций. Его взаимодействие с другими компонентами может быть описано в виде небольшого числа запросов.

· Возможность взаимозамены различных реализаций любого компонента без изменения других компонентов.

Постепенно складывается рынок нейрокомпьютеров. В настоящее время широко распространены различные высокопараллельные нейро-ускорители (сопроцессоры) для различных задач. Моделей универсальных нейрокомпьютеров на рынке мало отчасти потому, что большинство из них реализованы для спецприменений. Примерами нейрокомпьютеров являются нейрокомпьютер Synapse (Siemens, Германия), процессор NeuroMatrix. Издаётся специализированный научно-технический журнал «Нейрокомпьютеры: разработка, применение». С технической точки зрения сегодняшние нейрокомпьютеры - это вычислительные системы с параллельными потоками одинаковых команд и множественным потоком данных (MSIMD-архитектура). Это одно из основных направлений развития вычислительных систем с массовым параллелизмом.

Искусственная нейронная сеть может передаваться от (нейро)компьютера к (нейро)компьютеру, так же как и компьютерная программа. Более того, на её основе могут быть созданы специализированные быстродействующие аналоговые устройства. «Выделяются несколько уровней отчуждения нейронной сети от универсального (нейро)компьютера: от сети, обучающейся на универсальном устройстве и использующей богатые возможности в манипулировании задачником, алгоритмами обучения и модификации архитектуры, до полного отчуждения без возможностей обучения и модификации, только функционирование обученной сети.»

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 докладе второй половины 2000-х представлен краткий обзор аппаратных реализаций нейрокомпьютеров в России и перспективы их развития.

Необходимость изменения последовательной Фон-неймановской архитектуры классических вычислений диктовалось все возрастающими требованиями к вычислительным ресурсам со стороны новых сложных задач, которые возникали в связи с развитием перспективных технологий.

Нейросетевые технологии являются одним из наиболее интенсивно развиваемых направлений определения и реализации параллельных вычислений. Эти технологии позволяют не только более эффективно решать старые сложные задачи, но и позволяют реализовывать плохо формализуемые или неформализованные задачи, решение которых ранее не представлялось возможным.

Соответственно, аппаратная реализация нейросетевых алгоритмов изменяет логическую основу вычислительной математики и является естественным стремлением получить требуемую производительность.
Практическая реализация аппаратной поддержки нейросетевых вычислений зависит от требований конкретной задачи и возможна лишь в том случае, когда все другие подходы не могут быть использованы. В основном, аппаратная реализация требуется тогда, когда параллельные нейросетевые алгоритмы не могут быть достаточно эффективно реализованы с помощью традиционных вычислительных средств, включая кластерные конфигурации.

С самого начала использования нейросетевых подходов к решению отдельных задач (более 40 лет назад) проблемам их аппаратной реализации уделялось большое внимание, т.к. значительные вычислительные мощности, не говоря о кластерных конфигурациях, были не доступны.
Рост производительности и новые архитектурные решения реализации вычислений только увеличили внимание к данной проблеме, привлекая к ее решению все новые технические средства от использования аналоговых операционных усилителей до применения FPGA большой интеграции как основы для реализации фрагментов нейронных сетей. Соответственно, росла производительность аппаратной поддержки нейросетевых вычислений.

В работе описаны основные аппаратные реализации нейрокомпьютеров с начала их существования (50-ые годы) до 2000 г.
За эту книгу автору присуждена Премия Правительства Российской Федерации за 2002 г.
Отмечено, что необходимость в аппаратной поддержке нейровычислений возникала каждый раз тогда, когда программная реализация нейрокомпьютеров на универсальных ЭВМ не удовлетворяла требованиям заказчика по времени вычислений или весам и габаритам.

Первыми аппаратными реализациями нейрокомпьютеров в России, выполненными еще в конце 60-ых годов прошлого столетия были реализации в виде аналоговых блоков с сетью настраиваемых резисторов и блоком настройки (вычисления значений коэффициентов), реализуемом на универсальной цифровой ЭВМ.
Первая такая реализация, выполненная в виде двух аналоговых вычислительных машин МН-4 и специализированного блока, была сделана в 1968 г. и логически представляла собой трехслойную нейронную сеть.
Реализация 1970 г. ориентированная на распознавание объектов по характеристикам отраженного радиолокационного сигнала представляла собой более сложную нейронную сеть.
Вариант простой трехслойной нейронной сети, ориентированной на два класса образов и пять признаков, предназначался для решения задач медицинской диагностики (1972 г.). Более сложный вариант 1974-ого г. исполнения, был реализован в виде настольного блока с выносным пультом индикации.

В те же годы был реализован макетный образец континуального (с континуумом признаков) аналогово-цифрового нейрокомпьютера, ориентированного на распознавание по форме реограмм.
При решении задачи распознавания периодических сигналов по форме, аналогово-цифровое преобразование приводило к значительной размерности пространства признаков (число дискрет на периоде существования сигнала), и следовательно к резкому усложнению цифровой части нейрокомпьютера.

Еще в 70-ые годы профессором А.И. Галушкиным было предложено, используя предельный переход: реализовать нейроны первого слоя аналого-цифрового нейрокомпьютера. Эта схема была использована для реализации в середине 70-ых годов аналогового нейрокомпьютера для распознавания патологических реограмм с получением весовых функций на универсальной ЭВМ обработкой архива реограмм. Далее отмечено, что этот принцип был успешно использован через 20 лет на базе современной технологии микроэлектроники при реализации более современного нейрокомпьютера, предназначенного для распознавания сигналов по форме.

Активное развитие микропроцессоров в период с 1975 по 1987 гг. приостановило линию аппаратной реализации нейрокомпьютеров, т.к. наиболее эффективной в эти годы была программная реализация нейрокомпьютеров на микропроцессорах.

Однако в середине 80-ых годов развитие технологии микроэлектроники и высоких технологий, ставящих все более и более сложные задачи, привело к очередному всплеску развития нейрокомпьютеров уже с аппаратной реализацией групп нейронов в кристалле. Переходными здесь были микропроцессорные реализации нейрокомпьютеров в виде специализированных вычислительных систем с архитектурой, адаптированной к нейросетевым операциям (вычислениям). Типичным примером такой разработки был отечественный нейрокомпьютер “Геркулес”.

В начале 90-ых годов экономическая ситуация в России привела к необходимости практически полного отказа от технологии заказных СБИС при реализации нейрочипов. Разработчики пытались сохранить научно-технический потенциал в этой области, используя технологию полузаказных СБИС, базовых матричных кристаллов (БМК) и программируемых логических интегральных схем (ПЛИС).

Были сделаны попытки реализовать нейрочипы и нейроплаты на отечественных БМК “Исполин 60Т” и “Такт 100Т”. В середине 90-ых годов в Научном центре нейрокомпьютеров для реализации нейрочипов, нейроплат и нейроблоков была окончательно выбрана линия использования ПЛИС (FPGA фирмы Xilinx). Были реализованы нейрочипы, нейроплаты и нейроблок на FPGA объемом 400 тысяч вентилей на кристалле. В настоящее время ведутся работы использованию для этих целей FPGA Virtex 2 Pro объемом 6-10 млн. вентилей на кристалле.

Параллельно с этим была реализована разработка континуального нейрокомпьютера для распознавания сигналов по форме в виде трехслойной нейронной сети. Первый слой содержал восемь континуальных аналого-цифровых нейронов с весовой функцией, загружаемой в аналоговый умножитель из ПЗУ через ЦАП.

В настоящее время уделяется значительное внимание анализу состояния и определению перспектив разработок нейрочипов во всем мире. К наиболее важным направлениям этих работ можно отнести:

• цифровые нейрочипы;
• аналоговые и аналого-цифровые нейрочипы;
• клеточные нейрочипы;
• нейрочипы с частотно-импульсной модуляцией сигналов;
• специализированные нейрочипы;
• оптические и оптоэлектронные нейрочипы.

При этом важной задачей является поиск для реализации практических задач, требующих для своего решения аппаратной поддержки в виде нейроплат и нейроблоков на базе нейрочипов. Это наиболее сложные задачи, инициируемые развитием высоких технологий и которые невозможно решить вычислительными системами других типов при наличии реальных ограничений на время решения и объемы и веса вычислительной системы.

Литература
1. Галушкин А.И. Нейрокомпьютеры. Серия “Нейрокомпьютеры и их применение” книга 3, Изд-во “Радиотехника”, М., 2002 г.
Об авторе: НИИ автоматической аппаратуры Научный центр нейроком,
Материалы международной конференции SORUCOM 2006 (3–7 июля 2006 года)

Детальный анализ зарубежных разработок нейрокомпьютеров позволил выделить основные перспективные направления современного развития нейрокомпьютерных технологий: нейропакеты, нейросетевые экспертные системы, СУБД с включением нейросетевых алгоритмов, обработка изображений, управление динамическими системами и обработка сигналов, управление финансовой деятельностью, оптические нейрокомпьютеры, виртуальная реальность. Сегодня разработками в этой области занимается более 300 зарубежных компаний, причем число их постоянно увеличивается. Среди них такие гиганты как Intel, DEC, IBM и Motorolla. Сегодня наблюдается тенденция перехода от программной эмуляции к программно-аппаратной реализации нейросетевых алгоритмов с резким увеличением числа разработок СБИС нейрочипов с нейросетевой архитектурой. Резко возросло количество военных разработок, в основном направленных на создание сверхбыстрых, "умных" супервычислителей.

Если говорить о главном перспективном направлении - интеллектуализации вычислительных систем, придания им свойств человеческого мышления и восприятия, то здесь нейрокомпьютеры - практически единственный путь развития вычислительной техники. Многие неудачи на пути совершенствования искусственного интеллекта на протяжении последних 30 лет связаны с тем, что для решения важных и сложных по постановке задач выбирались вычислительные средства, не адекватные по возможностям решаемой задаче, в основном из числа компьютеров, имеющихся под рукой. При этом как правило не решалась задача, а показывалась принципиальная возможность ее решения. Сегодня активное развитие систем MPP создало объективные условия для построения вычислительных систем, адекватных по возможностям и архитектуре практически любым задачам искусственного интеллекта.

В Японии с 1993 года принята программа "Real world computing program". Ее основная цель - создание адаптивной, эволюционирующей ЭВМ. Проект рассчитан на 10 лет. Основой разработки является нейротехнология, используемая для распознавания образов, обработки семантической информации, управления информационными потоками и роботами, которые способны адаптироваться к окружающей обстановке. Только в 1996 году было проведено около сотни международных конференций по нейрокомпьютерам и смежным проблемам. Разработки нейрокомпьютеров ведутся во многих странах мира и даже в Австралии создан свой образец коммерческого супернейрокомпьютера.

Теория нейронных сетей

В области теории нейронных сетей российская научная школа, которая развивается уже в течение 30 лет, имеет определенный приоритет по сравнению с зарубежными исследованиями. Теория нейронных сетей - алгоритмический базис нейрокомпьютеров, подобно тому как булева алгебра служила основой логики однопроцессорных и многопроцессорных компьютеров.

Общая методика синтеза многослойных нейронных сетей была разработана сотрудниками Научного центра нейрокомпьютеров еще в конце 60-х годов и постоянно развивалась в течение 30 лет. В результате в России сформировалось направление в области теории нейронных сетей, которое по ряду параметров превосходит уровень зарубежных работ. Например были разработаны методы адаптивной настройки нейронных сетей с произвольным видом нейрона и произвольным числом слоев; с различными видами связей между слоями; с различными видами критериев оптимизации; с различными ограничениями на весовые коэффициенты нейронных сетей.

Реализованные в известных зарубежных нейропакетах нейросетевые парадигмы имеют по крайней мере два серьезных недостатка:

• они реализуют нейросетевой алгоритм, не адекватный выбранной задаче;
• достигают локального эффекта на первомом этапе использования без возможности улучшения для повышения качества решения задачи.

В таблице 1 представлена сравнительная характеристика зарубежных и отечественных методов настройки многослойных нейронных сетей.

Таблица 1. Сравнение метода обратного распространения и российских методов адаптации в многослойных нейронных сетях.

Определенная общность отечественных методов развития теории нейронных сетей позволила создать единый подход к разработке нейросетевых алгоритмов решения самых разнообразных задач, сформировав новое направление в вычислительной математике - нейроматематику. Эта область связана с разработкой алгоритмов решения математических задач в нейросетевом логическом базисе. Необходимо отметить, что передовая в этом направлении американская школа разработки нейрокомпьютеров уже трижды в истории развития вычислительной техники совершала принципиальные ошибки.

Первая из них была сделана в 60-е годы, когда создавались нейрокомпьютеры с ориентацией на элементную базу с адаптацией весовых коэффициентов. Российская школа приняла тогда концепцию разработки нейрокомпьютеров, в которых рабочая, распознающая часть, реализовывалась в виде аналогового блока с фиксированными или перестраиваемыми коэффициентами, а блок адаптации реализовывался на универсальных ЭВМ.

Вторая ошибка была связана с публикацией работы Минского и Пейперта "Персептроны", где показывалась, якобы, невозможность решения на двухслойной нейронной сети задачи реализации "исключающего или". Российские специалисты, владея в то время общей методикой настройки многослойных нейронных сетей, продолжая работы в этой области, наблюдали практически полное их отсутствие за рубежом вплоть до середины 80-х годов.

Третья ошибка связана с тем, что в работах американских ученых решение отдельных математических задач в нейросетевом логическом базисе ориентируется на частные нейросетевые парадигмы. В наших работах общий метод синтеза нейронных сетей позволил создать и развивать в дальнейшем единую методику решения любых математических задач, создавая нейроматематику - новый раздел вычислительной математики.

Нейроматематика

Всегда звучит вопрос: для какого класса задач наиболее эффективно применение того или иного вычислительного устройства, построенного по новым признакам. По отношению к нейрокомпьютерам ответ на него постоянно меняется в течение уже почти 50 лет.

Долгое время считалось, что нейрокомпьютеры эффективны для решения неформализуемых и плохо формализуемых задач, связанных с необходимостью включения в алгоритм решения задач процесса обучения на реальном экспериментальном материале - распознавания образов. Конечно неформализуемые задачи являются важным аргументом использования нейрокомпьютеров. Однако необходимо помнить, что это всего лишь частная постановка аппроксимации функций, заданных некоторым множеством значений. При этом главное, что для аппроксимации используются не прежние статистические, в частности, регрессионные, а гибкие нелинейные нейросетевые модели.

Сегодня к этому классу задач добавляется второй класс задач, иногда не требующих обучения на экспериментальном материале, но хорошо представимых в нейросетевом логическом базисе - это задачи с ярко выраженным естественным параллелизмом: обработка сигналов и обработка изображений. В истории вычислительной техники всегда были задачи, не решаемые компьютерами текущего уровня развития и для них переход к нейросетевому логическому базису характерен в случае резкого увеличения размерности пространства решения или необходимости резкого сокращения времени. Различают три раздела нейроматематики: общая, прикладная и специальная.

Такие казалось бы простые задачи, как сложение чисел, умножение, деление, извлечение корня, обращение чисел и т.п. многие авторы пытаются решить с помощью нейрокомпьютеров. Действительно, при ориентации на нейросетевую физическую реализацию алгоритмов эти операции можно реализовать значительно эффективнее, чем на известных булевских элементах. В нейронных сетях это функции активации, поэтому сегодня много говорят о решении систем линейных уравнений и неравенств, обращении матриц, сортировки с помощью нейрокомпьютерных технологий.

Прикладная нейроматематика

Как правило множество задач прикладной нейроматематики не решается известными типами вычислительных машин.

Общие задачи

Это задачи, достаточно просто сводимые к обработке нейронной сетью многомерных векторов вещественных переменных, например:

• контроль кредитных карточек. Сегодня 60% кредитных карточек в США обрабатываются с помощью нейросетевых технологий;
• система скрытого обнаружения веществ с помощью системы на базе тепловых нейронов и с помощью нейрокомпьютера на заказных цифровых нейрочипах. Подобная система фирмы SAIC эксплуатируется уже во многих аэропортах США при досмотре багажа для обнаружения наркотиков, взрывчатых веществ, ядерных и других материалов;
• система автоматизированного контроля безопасного хранения ядерных изделий.

Обработка изображений

Наиболее перспективными задачами обработки изображений нейрокомпьютерами являются обработка аэрокосмических изображений (сжатие с восстановлением, сегментация, контрастирование и обработка текстур), выделение на изображении движущихся целей, поиск и распознавание на нем объектов заданной формы, обработка потоков изображений, обработка информации в высокопроизводительных сканерах.

Обработка сигналов

В первую очередь это класс задач, связанных с прогнозированием временных зависимостей:

• прогнозирование финансовых показателей;
• прогнозирование надежности электродвигателей;
• упреждение мощности АЭС и прогнозирование надежности систем электропитания на самолетах;
• обработка траекторных измерений.

При решении этих задач сейчас все переходят от простейших регрессионных и других статистических моделей прогноза к существенно нелинейным адаптивным экстраполирующим фильтрам, реализованным в виде сложных нейронных сетей.

При обработке гидролокационных сигналов нейрокомпьютеры применяются при непосредственной обработке сигнала, распознавании типа надводной или подводной цели, определении координат цели. Сейсмические сигналы по структуре весьма близки к гидролокационным. Обработанные нейрокомпьютером позволяют получить с достаточной точностью данные о координатах и мощности землетрясения или ядерного взрыва. Нейрокомпьютеры начали активно использовать при обработке сейсмических сигналов в нефтегазоразведке. В Международном обществе по нейронным сетям для этого создана специальнаягруппа.

Нейрокомпьютеры в системах управления динамическими объектами

Это одна из самых перспективных, областей применения нейрокомпьютеров. По крайней мере США и Финляндия ведут работы по использования нейрокомпьютеров для управления химическими реакторами. В нашей стране этим не занимались, в частности, по причине морального устаревания существующих реакторов и нецелесообразности совершенствования их систем управления.

Перспективной считается разработка нейрокомпьютера для управления двигательной установкой гиперзвукового самолета. Фактически единственным вариантом реализации высокопараллельной вычислительной системы управления зеркалами (100-400 зеркал) адаптивного составного телескопа сегодня является нейрокомпьютер. Адаптивные режимы управления этим сложным объектом по критерию обеспечения максимального высокого качества изображения и компенсации атмосферных возмущений может обеспечить мощный нейрокомпьютер, в свою очередь реализующий адаптивный режим собственного функционирования.

Весьма адекватной нейрокомпьютеру является задача обучения нейронной сети выработке точного маневра истребителя. Обучение системы с достаточно слабой нейронной сетью требовало 10 часов на ПК 386. Тоже можно сказать и о задаче управления роботами: прямая, обратная кинематические и динамические задачи, планирование маршрута движения робота. Переход к нейрокомпьютерам здесь связан в первую очередь с ограниченностью объемов размещения вычислительных систем, а также с необходимостью реализации эффективного управления в реальном масштабе времени.

Нейросетевые экспертные системы

Необходимость реализации экспертных систем в нейросетевом логическом базисе возникает при значительном увеличении числа правил и выводов. Примерами реализации конкретных нейросетевых экспертных систем могут служить система выбора воздушных маневров в ходе воздушного боя и медицинская диагностическая экспертная система для оценки состояния летчика.

Нейрочипы и нейрокомпьютеры

В 1995 году была завершена разработка первого отечественного нейрокомпьютера на стандартной микропроцессорной элементной базе, а сегодня проводится разработка на базе отечественных нейрочипов, в том числе супернейрокомпьютера для решения задач, связанных с системами уравнений математической физики: аэро-, гидро-, и газодинамики.

Главный результат разработки нейростевого алгоритма решения задачи - возможность создания архитектуры нейрочипа, адекватного решаемой задаче. Можно с уверенностью сказать что программная эмуляция нейросетевых алгоритмов на вычислительных средствах, реализованных на элементной базе, не имеющей отношения к нейросетевому логическому базису, либо неэффективна, либо представляет собой временное явление. Для эмуляции нейросетевых алгоритмов с использованием универсальных микропроцессорных средств эффективнее создать архитектуры, ориентированные на выполнение нейросетевых операций, чем использовать стандартные, ориентированные на модификацию однопроцессорных алгоритмов решения задач.

В отличие от других направлений развития сверхвысокопроизводительной вычислительной техники нейрокомпьютеры дают возможность вести отечественные разработки с использованием имеющегося потенциала электронной промышленности. Необходимо отметить ряд важных особенностей данных работ:

• это направление позволяет создать уникальные суперкомпьютеры на отечественной элементной базе, поскольку для них не так важен уровень развития технологии;
• разработки нейрочипов и нейрокомпьютеров характеризуются переходом от цифровой обработки к аналого-цифровой и аналоговой с целью резкого увеличения отношения производительность/цена при контролируемой точности вычислений;
• для разработки нейрочипов больше подходит полузаказная технология, нежели заказная, из-за относительной "сырости" идей архитектуры алгоритмов и нейрочипов, нехватки времени и средств для проведения работ;
• нейросетевые архитектуры по сравнению с другими приводят к активизации использования новых технологических направлений реализации: нейросистемы на пластине, оптоэлектронные и оптические нейрокомпьютеры, молекулярные нейрокомпьютеры и нанонейроэлементы;
• возникает потребность в универсализации САПР нейрочипов. Сейчас основное внимание разработчиков нейрочипов сосредоточено на системах Компас и SPICE, которые становятся базовыми для таких предприятий как НИИ "Квант", АО "Ангстрем", "Ангстрем РТМ", НИИМЭ, НИИ "Научный центр", НИИМА "Прогресс";
• рождение технологии систем на пластине и нанотехнологии приведет к появлению новых сверхпараллельных архитектур. Уже сейчас ясна адекватность нейросетевых архитектур технологии на пластине (американская и японская разработки). Поэтому попытки на уровне наноэлементов делать функциональные блоки со старой архитектурой, соответствующей однопроцессорным машинам, можно считать бесплодными. Начиная с нанонейроэлементов, мы вплотную подходим к другим принципиально новым архитектурным элементам, образующим сверхпараллельные высокопроизводительные вычислительные системы.

Оценка производительности нейрокомпьютеров

Иллюстрацией преимуществ нейрокомпьютеров по сравнению с другими типами суперкомпьютеров может быть диаграмма из рис. 1, подготовленная известным американским специалистом в области нейрокомпьютеров Хехт-Нильсеном.

Рис. 1. Сравнительная диаграмма по соотношению цена/производительность.

***

Нейрокомпьютеры являются перспективным направлением развития современной высокопроизводительной вычислительной техники, а теория нейронных сетей и нейроматематика представляют собой приоритетные направления российской вычислительной науки, и при соответствующей поддержке, в ближайшее время станут интенсивно развиваться.

Основой активного развития нейрокомпьютеров является принципиальное отличие нейросетевых алгоритмов решения задач от однопроцессорных, малопроцессорных, а также транспьютерных. Для данного направления развития вычислительной техники не так важен уровень развития отечественной микроэлектроники, поэтому оно позволяет создать основу построения российской элементной базы суперкомпьютеров.

Сегодня начинает расширяться сфера коммерческой деятельности в области нейрокомпьютеров или подобных им систем, в частности: нейропакеты; нейроплаты (CNAPS и другие); нейрокомпьютеры (Sinapse и другие); видеокурсы; нейросетевые системы управления электроэррозионными станками; охранные системы с нейросетевыми алгоритмами выделения движущихся объектов; системы "электронного ключа" с распознаванием отпечатков пальцев, рисунка радужной оболочки глаза; экспертная система G2.

Несколько определений

Нейрокомпьютеры являются предметом исследований сразу нескольких дисциплин, поэтому единое определение нейрокомпьютера можно дать только с учетом различных точек зрения, адекватных разным направлениям науки.

Математическая статистика. Нейрокомпьютеры - это системы, позволяющие сформировать описания характеристик случайных процессов и совокупности случайных процессов, имеющих в отличие от общепринятого, сложные, зачастую многомодальные или вообще априори неизвестные функции распределения.

Математическая логика и теория автоматов. 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.

Теория управления. В качестве объекта управления выбирается частный случай, хорошо формализуемый объект - многослойная нейронная сеть, а динамический процесс ее настройки представляет собой процесс решения задачи. При этом практически весь аппарат синтеза адаптивных систем управления переносится на нейронную сеть как частный вид объекта управления.

Вычислительная математика. 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. Множество нейросетевых алгоритмов решения задач составляет новый перспективный раздел вычислительной математики, условно называемый нейроматематикой.

Вычислительная техника. Нейрокомпьютер - это вычислительная система 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.

Построение модели структуры расходов семьи.

4. Перспективы развития нейрокомпьютеров.

Многолетние усилия многих исследовательских групп привели к тому, что к настоящему моменту накоплено большое число различных «правил обучения» и архитектур нейронных сетей, их аппаратных реализаций и приёмов использования нейронных сетей для решения прикладных задач.

Эти интеллектуальные изобретения существуют в виде «зоопарка» нейронных сетей. Каждая сеть из зоопарка имеет свою архитектуру, правило обучения и решает конкретный набор задач. В последнее десятилетие прилагаются серьёзные усилия для стандартизации структурных элементов и превращений этого «зоопарка» в «технопарк»: каждая нейронная сеть из зоопарка реализована на идеальном универсальном нейрокомпьютере, имеющем заданную структуру.

Основные правила выделения функциональных компонентов идеального нейрокомпьютера (по Миркесу):

· Относительная функциональная обособленность: каждый компонент имеет чёткий набор функций. Его взаимодействие с другими компонентами может быть описано в виде небольшого числа запросов.

· Возможность взаимозамены различных реализаций любого компонента без изменения других компонентов.

Постепенно складывается рынок нейрокомпьютеров. В настоящее время широко распространены различные высокопараллельные нейро-ускорители (сопроцессоры) для различных задач. Моделей универсальных нейрокомпьютеров на рынке мало отчасти потому, что большинство из них реализованы для спецприменений. Примерами нейрокомпьютеров являются нейрокомпьютер Synapse (Siemens, Германия), процессор NeuroMatrix. Издаётся специализированный научно-технический журнал «Нейрокомпьютеры: разработка, применение». С технической точки зрения сегодняшние нейрокомпьютеры - это вычислительные системы с параллельными потоками одинаковых команд и множественным потоком данных (MSIMD-архитектура). Это одно из основных направлений развития вычислительных систем с массовым параллелизмом.

Искусственная нейронная сеть может передаваться от (нейро)компьютера к (нейро)компьютеру, так же как и компьютерная программа. Более того, на её основе могут быть созданы специализированные быстродействующие аналоговые устройства. «Выделяются несколько уровней отчуждения нейронной сети от универсального (нейро)компьютера: от сети, обучающейся на универсальном устройстве и использующей богатые возможности в манипулировании задачником, алгоритмами обучения и модификации архитектуры, до полного отчуждения без возможностей обучения и модификации, только функционирование обученной сети.»

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.

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