Місце нейронних мереж серед інших методів рішення задач

Паралельність обробки і реалізації НС

Швидкодія сучасних ЕОМ складає близько 100 Mflops (flops - операція з плаваючою комою в секунду). У мозку міститься приблизно 10^11 нейронів. Час проходження одного нервового імпульсу близько 1 мс, і можна вважати, що продуктивність одного нейрона порядку 10 flops. Еквівалентна швидкодія мозку складе 10^11 * 10 = 10^12 flops. Якщо розглянути задачі, розв'язувані мозком, і підрахувати необхідну кількість операцій для їхнього рішення на звичайних ЕОМ, то одержимо оцінку швидкодії до 10^12..10^14 flops. Різниця в продуктивності між звичайною ЕОМ і мозком — 4..6 порядків! Чим це розуміється?

Багато в чому цей виграш обумовлений паралельністю обробки інформації в мозку. Отже, для підвищення продуктивності ЕОМ необхідно перейти від принципів теорії Неймана до рівнобіжної обробки інформації. Проте, рівнобіжні комп'ютери поки не підлогичилі поширення з кількох причин:

1. Тиранія між з’єднанням. Кожен процесор у рівнобіжній системі зв'язаний з великою кількістю інших. Кількість зв'язків займає набагато більший обсяг, чим самі процесори.

Така щільність зв'язків не реалізується в звичайних інтегральних схемах.

2. Тривимірність структури зв'язків між процесорами. Існують різні типи зв’язаності процесорів у рівнобіжній системі. Звичайно вимагаються тривимірні зв'язки. Технологічно такі зв'язки теж поки нездійсненні.

3. Складність програмування. Поки не створено єдиних способів програмування паралельних ЕОМ і засобів для написання програм.

Незважаючи на перспективність рівнобіжних ЕОМ і, зокрема, нейронных мереж, для їх створення немає елементної бази. Тому, замість моделювання НС на рівнобіжних машинах, велика частина досліджень проводиться двома способами:

1) моделювання НС на звичайних послідовних ЕОМ;

2) створення спеціалізованих нейроплат і нейропроцесорів для прискорення роботи ЕОМ з нейронними мережами.

Перший спосіб дає програш у швидкодії навіть у порівнянні зі звичайною ЕОМ, а другий спосіб не дозволяє переходити від однієї моделі нейромережі до інший, тому що модель визначається використаною нейроплатою чи нейропроцесором, і потрібно перемінити нейропроцесор, щоб змінити модель.

Спроби використовувати оптичні, хімічні, біологічні й інші технології для створення НС, незважаючи на перспективність, поки не мають практичного застосування.

Нейронні мережі перевершують послідовні машини в рішенні тих же задач, у яких машину перевершує людина. Задачі, що вимагають великого обсягу чи обчислень високої точності краще виконуються звичайною ЕОМ.

До задач, успішно розв'язуваним НС на даному етапі їхнього розвитку відносяться:

— розпізнавання зорових, слухових образів; величезна сфера застосування: від розпізнавання тексту і цілей на екрані радара до систем голосового керування;

— асоціативний пошук інформації і створення асоціативних моделей; синтез мови; формування природної мови;

— формування моделей і різних нелінійних і важко описуваних математично систем, прогнозування розвитку цих систем у часі:

застосування на виробництві; прогнозування розвитку циклонів і інших природних процесів, прогнозування змін курсів валют і інших фінансових процесів;

— системи керування і регулювання з пророкуванням; керування роботами, іншими складними пристроями

— різноманітні кінцеві автомати: системи масового обслуговування і комутації, телекомунікаційні системи;

— прийняття рішень і діагностика, що виключають логічний висновок; особливо в областях, де відсутні чіткі математичні моделі: у медицині, криміналістиці, фінансовій сфері;

Унікальна властивість нейромереж — універсальність. Хоча майже для всіх перерахованих задач існують ефективні математичні методи рішення і незважаючи на те, що НС програють спеціалізованим методам для конкретних задач, завдяки універсальності і перспективності для рішення глобальних задач, наприклад, побудови ІІ і моделювання процесу мшлення, вони є важливим напрямком дослідження, що вимагає ретельного вивчення.

Дата добавления: 2014-01-04