Современная электроника №1/2023

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ 31 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 1 / 2023 Рис . 3. Искусственная нейронная сеть Структура искусственного нейрона Искусственный нейрон является упрощённой моделью естественного нейрона . Математически искусственный нейрон обычно представляют как некоторую нелинейную функцию от единственного аргумента : линей - ной комбинации всех входных сиг - налов . Данную функцию называют функци - ей активации . Полученный результат посылается на единственный выход . Такие искусственные нейроны объеди - няют в сети : соединяют выходы одних нейронов со входами других ( рис . 2). Поступившие на входы искусствен - ного нейрона сигналы умножаются на свои веса ( веса изображены кружками ). Сигнал первого входа x 1 умножается на соответствующий этому входу вес w 1. В итоге получаем x 1 w 1. И так до n - го входа . В итоге на последнем входе получаем xnwn . Теперь все произведе - ния передаются в сумматор , а он про - сто суммирует все входные сигналы , умноженные на соответствующие веса : x 1 w 1+ x 2 w 2+ … + xnwn = ∑ i =1 nxiwi . Искусственные нейроны объеди - няются между собой определённым образом , образуя искусственную ней - ронную сеть ( ИНС ) с различным уров - нем слоёв ( рис . 3). Многослойная ИНС позволяет решать задачи любой формы и сложно - сти . При этом преимущество нейрон - ных сетей – универсальность : они пре - вращают разные задачи в однотипные . Проблемы в аппаратной реализации ИНС Синапс – сетевое соединение : коли - чество синапсов растёт квадратично с ростом числа нейронов . Вес синапсов : массы должны быть определены с высокой точностью , для того чтобы обеспечить правильную сходимость алгоритмов . Преимущества нейрокомпьютера Искусственные нейроны и сети явля - ются основными элементами нейро - компьютера . Все алгоритмы нейроинформатики высокопараллельны , а это залог высо - кого быстродействия . Нейросистемы можно сделать устой - чивыми к помехам и разрушениям . Устойчивые и надёжные нейросисте - мы могут создаваться и из ненадёж - ных элементов , имеющих значитель - ный разброс параметров . Сегодня нет готовых решений по соз - данию идеальной искусственной ней - ронной сети . Системный анализ архитектуры нейропроцессора и классификация нейрочипов Элементной базой нейровычислите - лей служат нейрочипы . Большинство из них ориентировано на конкретные специализированные управляющие системы . Нейрочипы делятся : ● по типу логики – на цифровые , ана - логовые и гибридные ; ● по типу реализации нейроалгорит - мов – с полностью аппаратной и с программно - аппаратной реализаци - ей ( когда нейроалгоритмы хранят - ся в ПЗУ ); ● по характеру реализации нелиней - ных преобразований – на нейрочипы с жёсткой структурой нейронов ( ап - паратно - реализованные ) и нейрочи - пы с настраиваемой структурой ней - ронов ( перепрограммируемые ); ● по возможностям построения нейро - сетей – нейрочипы с жёсткой и пе - ременной нейросетевой структурой ( т . е . нейрочипы , в которых тополо - гия нейросетей реализована жёстко или гибко ). Процессорные матрицы ( систоли - ческие процессоры ) обычно близки к обычным RISC- процессорам ; они объе - диняют в своём составе некоторое чис - ло процессорных элементов , вся же остальная логика , как правило , долж - на быть реализована на базе перифе - рийных схем . В отдельный класс следует выделить так называемые нейросигнальные про - цессоры , ядро которых представляет собой типовой DSP- процессор . Нейронным процессорам , построен - ным на основе сигнальных , тензорных , систолических чипов для формирова - ния и управления нейронной сетью , требуется внешняя память и управля - ющий процессор . Существует огромное количество способов соединения нейронов , расту - щее с увеличением числа нейронов в сети . Наиболее употребительной явля - ется слоистая архитектура , в которой нейроны располагаются « слоями ». В наиболее общем случае аксоны каж - дого нейрона одного слоя направлены к нейронам следующего слоя . Таким образом , нейроны первого слоя явля - ются входными ( принимающими информацию из внешнего мира ), ней - роны последнего слоя – выходными ( выдающими информацию во внеш - ний мир ). Другой вид архитектуры – полносвязная , когда каждый нейрон соединён с каждым , в том числе сам с собой . Процессор NeuroMatrixR NM6404 NeuroMatrixR NM6404 ( рис . 4) пред - ставляет собой высокопроизводитель - ный DSP- ориентированный RISC- микропроцессор . В его состав входят два основных блока : 32- разрядное RISC- ядро и 64- разрядное VECTOR- сопроцессор для поддержки операций над векторами с элементами перемен - ной разрядности . NM6404 по системе команд совместим с предыдущей вер - сией NM6403. Имеются два идентич - ных программируемых интерфейса для работы с внешней памятью раз - личного типа и два коммуникацион - ных порта , аппаратно - совместимых с портами ЦПС TMS320C4x, для воз - можности построения многопроцес - сорных систем . Особенности : ● тактовая частота – 133 M Гц (8 нс – время выполнения любой инструк - ции ); ● технология КМОП 0,25 мкм ; ● корпус PQFP256; x 1 y 1 y 2 y p W ( 1) 1 2 1 2 1 2 1 2 k (1) Входной слой Выходной слой Промежуточные слои k (2) k (3) k (4) W ( 2) W ( 3) x 2 x n