Оценка характеристик хранения и функционирования искусственных нейронных сетей на базе нейрокомпьютерного устройства

Актуальность исследования обусловлена недостаточно развитым математическим аппаратом для описания и анализа функционирования класса нейрокомпьютерных устройств при решении задач, представленных в нейросетевом логическом базисе. В связи с этим, данная статья направлена на решение задачи оценки некоторых временных и количественных характеристик хранения и обработки искусственных нейронных сетей на базе нейрокомпьютерных устройств. Основным подходом к решению задачи является подход, согласно которому искусственная нейронная сеть рассмотрена с использованием теоретико-множественного подхода, что позволило получить аналитические соотношения исходя из количества операций эмуляции нейрона и связей между нейронами в соответствии с топологией нейросети. В статье представлены наиболее популярные и используемые топологии искусственных нейронных сетей (однослойный и многослойный персептрон, сети Хопфилда, сети Хемминга, сети BAM, сети Джордана, сети Элмана, сети АРТ различных модификаций, звезда Гроссберга, сети Кохонена, радиально-базисные нейросети, сети встречного распространения, сверточные сети), для которых приведены временные и количественные аналитические соотношения, позволяющие оценить цикл обучения искусственной нейронной сети, объем необходимой памяти и объем передаваемых данных. Материалы статьи представляют практическую ценность для решения задачи оценки и последующего повышения эффективности функционирования нейрокомпьютерных устройств при решении задач, представленных в нейросетевом логическом базисе, а также для выбора наиболее рациональной модели нейрокомпьютерного устройства.

1. Галушкин А.И. Нейрокомпьютеры. Кн. 3: учеб. пособие для вузов. ИПРЖР. 2000.

2. ЗАО НТЦ «Модуль». Сайт компании НТЦ «Модуль». 2020. Доступно по адресу: https://www.module.ru/directions/iskusstvennyj-intellekt (дата обращения: 01.04.2020).

3. Романчук В.А. Разработка алгоритмического и программного обеспечения контроля функционирования сложных, распределенных и облачных систем на базе нейропроцессоров. Моделирование, оптимизация и информационные технологии. 2015;3(10). Доступно по адресу: http://moit.vivt.ru/wpcontent/uploads/2015/10/Romanchuk_3_15_1.pdf.

4. Романчук В.А., Ручкин В.Н., Фулин В.А. Проектирование нейропроцессорных систем на основе нечеткой кластеризации. Вестник РГРТУ. 2014;4(50-1):87-93.

5. Романчук В.А. Математическое обеспечение оценки производительности систем нейрокомпьютерной обработки информации. Известия Тульского государственного университета. Технические науки. 2016;2:242-251.

6. Романчук В.А. Метод организации параллелизма данных в нейропроцессорах. Известия Тульского государственного университета. Технические науки. 2018;9:148- 157.

7. Романчук В.А. Разработка алгоритма оптимизации задачи кластеризации распределенных вычислительных систем на базе нейропроцессоров. Информатика и прикладная математика: межвузовский сборник научных трудов. 2016;22:79-83.