CC BY
128
Очередь ожидания содержит команды, данные для которых еще не найдены или они будут готовы при выполнении очереди инициированных команд.
УДК 007.57:681.3
Ю. В. Чернухин НЕЙРОСУПЕРТРАНСПЫОТЕРЫ
Дальнейший прогресс вычислительной техники тесно связан с разработкой и созданием мозгоподобных средств обработки информации. В настоящее время прообразом таких средств являются интенсивно разрабатываемые во всех ведущих странах мира новые высокопроизводительные вычислительные системы — нейрокомпьютеры. Ожидается, что благодаря глобальному параллелизму они, подобно мозгу, будут способны к самообучению, самопрограммированию, самооптимизации и смогут воспроизводить другие уникальные свойства биологических объектов.
Структурной единицей параллельных НК служат нейроноподобные элементы (НЭ), моделирующие информационное функционирование нервных клеток — нейронов. Отдельные НЭ связываются друг с другом в нейроноподобные структуры, имитирующие нейронные сети мозга. Следовательно, чем точнее НЭ воспроизводят информационную деятельность нервных клеток и чем ближе конфигурации искусственных нейронных сетей к конфигурации естественных, тем больше шансов воспроизвести в НК самообучение, самопрограммирование, самооптимизацию и другие свойства живых систем. По этой причине одной из главных проблем создания НК является разработка их элементной базы в виде полифункциональных, поливходовых и высокопроизводительных нейроноподобных элементов.
Впервые нейроноподобные элементы были предложены в 1943 году и прошли длительный путь эволюционного развития от простейших пороговых схем до современных нейрочипов. Важным свойством нейроэлементов, функциональные свойства которых близки информационным свойствам естественных нейронов, является класс разработанных в НИИ МВС при ТРТУ.цифро-вых нейропроцессоров (ЦНП). В качестве элементной базы таких ЦНП были разработаны и созданы базовые нейроноподобные модули (БНМ). Микросхемы таких модулей (цифровые нейрочипы) представляют собой дискретные устройства комбинационно-накапливающего типа, ориентированные на работу в режимах различных формально-логических моделей нейрона с переменными синаптическими весами. На основе БНМ могут создаваться различные модификации цифровых нейропроцессоров. Нейропроцессоры, в свою очередь, служат основой для разработки параллельных цифровых нейрокомпьютеров.
Однако известные нейрочипы, в том числе и БНМ, являются специализированными устройствами и по этой причине не способны к гибкой перестройке на программно-аппаратное воспроизведение разнообразных моделей нейрона. Они неудобны также при воспроизведении различных генераторных функций нейропроцессоров, например функций логистического или тангенциального типов. Кроме того, из-за узкой специализации рынок сбыта цифровых нейрочипов пока ограничен, что тормозит их широкое промышленное освоение. Последнее обстоятельство не позволяет снизить цену нейрочипов и перейти
Известия ТРТУ
Специальный выпуск
к практическому созданию на их основе искусственных нейросетей больших размерностей.
В связи с этим, наряду с разработкой специальной элементной базы цифровых НК предпринимаются попытки построения НЭ и ЦНП на достаточно дешевых и весьма распространенных микропроцессорах и однокристальных микроЭВМ — микрокомпьютерах, а также на специально ориентированных на параллельные вычисления транспьютерах. Оказалось, что использование нейрокомпьютеров и транспьютеров позволяет снять многие функциональные ограничения как БНМ, так и других создаваемых на их основе нейроноподобных устройств. В то же время, подробные исследования, в частности те, что проведены в данной работе, показали, что известные микрокомпьютеры (МК), в том числе и известные транспьютеры (ТР), не могут служить эффективной элементной базой цифровых нейропроцессоров и нейрокомпьютеров. Причин'а этого прежде всего связана с особенностями шинной организации МК и с малым числом линий последовательной передачи данных (линков) у ТП.
С учетом изложенного была поставлена задача разработки принципов построения новых высокоэффективных нейроэлементов, объединяющих достоинства известных транспьютеров и базовых нейроноподобных модулей. Такие нейроэлементы названы нейросупертранспьютерами (НСТ).
В простейшем случае НСТ строятся так, что имеющиеся у транспьютера линки разделяются на один выходной и несколько входных. К входным линкам подсоединяются выходы последовательных кодов БНМ через интерфейсные схемы сопряжения. Такая же схема сопряжения включается и на выходном линке ТП. К входам расширения БНМ подключаются аналогичные модули до получения требуемого числа входов. Возникающая при этом совокупность базовых нейроноподобных модулей образует коммуникационный блок НСТ. Схемы сопряжения осуществляют согласование режимов обмена данными между ТП и его коммуникационным блоком.
В отличие от обычных транспьютеров, имеющих 4—6 линков, нейросупертранспьютеры могут, соде ржать сотни и тысячи входов с изменяемыми синаптическими весами. По сравнению с базовыми нейроноподобными модулями и создаваемыми на их основе нейропроцессорами, НСТ является полифункциональным элементом, способным к гибкой перестройке на аппаратно-программное воспроизведение функций формально-логических, динамических, пластичных, адаптивйых и других известных моделей нейронов. Другими словами, введение большого числа дополнительных линий последовательной передачи данных существенно расширяет коммуникационные возможности транспьютеров, что, в свою очередь, оправдывает использование для их обозначения термина «супертранспьютер» (СТ). С другой стороны, оставаясь универсальным вычислительным и коммуникационным устройством, СТ оказывается структурно и функционально ориентированным на нейровычисления, что, в свою очередь, делает целесообразным введение для его обозначения нового термина «нейросупертранспьютер».
В докладе проанализированы алгоритмические основы НСТ и приведены различные варианты их архитектурных решений. Рассмотрены структуры базовых модулей, предназначенных для сопряжения с ТП. В частности, рассмотрены модули параллельно-программируемого типа, реализующие механизм ортогонального конвейера. Использование такого механизма позволяет преодолевать ограничения по входам микроэлектронных БНМ из-за ограниченного количества выводов в известных корпусах микросхем. Кроме того,
сформулирована задача разработки специального нейротранспьютера, функционально и структурно ориентированного на использование в составе НСТ.
В заключение приведены результаты исследований возможностей микроэлектронной реализации НСТ в виде БИС и СБИС различной степени интеграции, а также результаты оценки их производительности. Установлено, что производительность СНТ лежит в пределах от 67,5 миллионов нейросоединений в секунду для 24-входовых СНТ на базе транспьютера Т800 (в состав СНТ входят 3 кристалла БНМ емкостью 104 вентиля на кристалл) до 15,5 миллиардов нейросоединений в секунду для 49536-входовых СНТ на базе того же ТП (в состав СНТ входит 387 кристаллов емкостью 105 вентилей каждый). Причем при реализации одного нейросоединения выполняется одно умножение двух однобайтных операндов и две операции алгебраического суммирования.
Таким образом, можно заключить, что, являясь полифункциональным нейроноподобным элементом,'НСТ по числу входов сравним с естественным интернейроном, а по производительности — с современным суперкомпьютером. Поэтому можно надеяться, что разработка НСТ явится еще одним шагом на пути к созданию новых мозгоподобных средств вычислительной техники.
УДК 681.324
В. Г. Павленко ПОСТРОЕНИЕ ПОТОКОВЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ С ИЗМЕНЯЕМОЙ РАЗРЯДНОСТЬЮ
Современное состояние развития вычислительной техники позволяет эффективно решать большинство задач, связанных со значительными объемами вычислений и традиционно перекладываемых на различные счетно-решающие устройства.
Разнообразие архитектур, подходов к организации данных и технических решений перекрывает практически все существующие стандартные классы задач*. Это матричные, конвейерные системы, различные систолические и спецпроцессоры, машины потоков данных, ассоциативные процессоры и т.д. и т. п. Однако традиционно существуют сферы, где невозможно заранее предсказать, какие параметры потребуются от вычислительных устройств. Это задачи моделирования сложных объектов и отработка новых алгоритмов и программ. Единственное, что можно утверждать для таких систем, это то, что они должны обладать высоким быстродействием. Ни форма представления данных, ни их разрядность, ни способ организации вычислений не являются постоянными. Они могут изменяться как от задачи к задаче, так и внутри их. Выбор приемлемой вычислительной системы в этом случае является очень сложной проблемой. Традиционные системы позволяют изменять только отдельные свои параметры (число процессоров, разрядность данных), да и то статически. Настройку же в процессе решения задачи не допускает практически ни одна из них. Это связано отчасти с недостатками традиционной двоичной системы счисления требование вычислений с изменяемой разрядностью делает невозможным для двоичных устройств использование схем
