Современные вычислительные технологии и их аппаратные платформы

6.3. Особенности нейрокомпьютерных технологий

На современном этапе развития вычислительной техники единственной альтернативой кремниевой компиляции является нейрокомпиляция, специфика которой в основном диктуется используемой элементной базой, которая:

• представляет собой не логические вентили, реализующие базисные логические (булевы) функции, а многофункциональные или универсальные модули, которые оперируют в общем случае с многозначным входным и выходным алфавитом и модели которых не претерпели кардинальных изменений начиная с работ Мак-Каллока - Питтса и Ф. Розенблатта (начало 50-х годов прошлого столетия);
• для реализации даже элементарных булевых функций использует более "сложные" арифметико-логические преобразования, что меняет на противоположное отношение "простой-сложный" между вентилями и модулями;
• базируется на методах пороговой логики, основанных на прямой подстановке значений выходных сигналов в зависимости от принадлежности "взвешенной" суммы входных сигналов тому или иному пороговому интервалу.

В результате "программирование" нейрокомпьютера представляет собой синтез схем из нейроподобных элементов и в общем случае сводится к поиску:

• для каждого элемента сети значений вектора порогов и весового вектора;
• структуры связей в сети Мак-Каллока - Питтса или "нулевых" весовых коэффициентов в сети Ф. Розенблатта, элементы которой соединены между слоями по схеме "каждый с каждым".

В случае сетей с ограниченным количеством нейроподобных элементов к этим задачам добавляется еще разбиение всей функции на итеративно реализуемые подфункции.

Сам синтез осуществляется через "обучение" нейросети "материнской" нейро-ЭВМ, формирующей на основе обучающей выборки и алгоритмов поиска пороговых и весовых векторов для "дочерней" нейро-ЭВМ (рис. 6.3).

и/или энергии, кодирующими входные, промежуточные и результирующие потоки данных; - время жизни или удержания в рабочем состоянии проблемно-ориентированного (суб)процессора, которое в общем случае удовлетворяет неравенству .

1. Дуальное ассоциативное взаимодействие потоков инструкций и данных приобретет вероятностный характер как с точки зрения пространственно-временной фиксации потоков инструкций, так и с точки зрения законов их взаимодействия с пространственно-временными потоками данных, так как в квантовых системах преобразования носят нелинейный характер и сами изменяются под воздействием преобразуемых потоков данных.

"Медленное" управление трансформируется в синтез вычислителя-потомка за счет деструкции "рабочего тела" вычислителя-предка как при переходе от одного поток-оператора к другому, так и при регенерации вычислителя-предка при .

"Быстрое" управление трансформируется в параметрическую адаптацию (упругую деформацию) структурно-функциональной схемы нанометрового или супрамолекулярного вычислителя под воздействием внешних управляющих сигналов, отличных по (био)физической или (био)химиче-ской модальности или по частотному спектру от сигналов, кодирующих потоки преобразуемых данных.

"Сверхбыстрое" ассоциативное управление будет носить не только и не столько позитивный, сколько негативный характер, что сведет синтез такого управления не столько к созданию схемо- и системотехнических условий для его реализации, сколько к блокаде уже существующих локальных и глобальных паразитных ассоциаций.

Таким образом, МКМД-бит-потоковые вычислительные технологии в современных условиях способны компенсировать технологическое отставание за счет более интенсивного использования системотехнических факторов организации вычислений. Благодаря этому они способны обеспечить паритет с зарубежными БВС по пропускной способности по потокам команд и данных, а по точности вычислений и по отказоустойчивости, как будет показано далее, они способны превзойти лучшие зарубежные образцы.

Более того, МКМД-бит-потоковые вычислительные технологии обеспечивают минимальные системные издержки на реорганизацию вычислений и поддерживающие их программно-аппаратные инструментальные средства при переходе к нанометровой или супрамолекулярной элементной базе. Объясняется это тем, что в МКМД-бит-потоковых вычислительных технологиях:

Рис. 6.3. Структурно-функциональная схема работы нейро-ЭВМ

Поэтому собственный "интеллект" нейрокомпьютерной системы сосредоточен в "материнской" нейро-ЭВМ и представлен:

• средствами генерации обучающих последовательностей, содержащих входные воздействия и "правильные" реакции;
• средствами поиска адекватных реакций нейросети, причем стратегия и алгоритмы поиска, а также обучающие последовательности выбираются или создаются "естественным интеллектом", от которого в конечном счете и зависит эффективность обучения.

При этом не исключается адаптация нейросети на заранее заданное множество задач, решаемых в режиме разделения времени, за счет

модификации весовых коэффициентов, порогов и связей в "дочерней" нейросети. Такая перестройка нейросети инициируется либо извне, либо за счет интеллектуального блока собственных нужд, осуществляющего анализ летной, боевой и технической обстановки и вырабатывающего или выбирающего одну из возможных адекватных реакций на прогнозируемое или состоявшееся их изменение.

Разделение на "материнскую" и "дочернюю" нейро-ЭВМ объясняется тем, что процессы обучения еще достаточно продолжительны во времени (единицы и десятки часов) и потребляют несравненно больший аппаратурный ресурс, чем порождаемые "дочерние" нейро-ЭВМ.

Если отвлечься от методов и параметров настройки нейросети, то в современных компьютерных технологиях представлены практически все структурно-функциональные компоненты нейрокомпьютерных технологий:

1. Режим разделения времени между "обучением" и настройкой нейро-сети и ее использованием при решении задач наиболее полно представлен в бит-процессорных, систолических и ПЛИС -технологиях, что, по всей видимости, свойственно всем системам со (сверх)массо-вым параллелизмом.
2. Многофункциональные модули, "неэкономно" расходуемые на реализацию даже элементарных булевых функций, составляют основу бит-процессорных и ПЛИС -технологий.
3. Функции "материнской" нейро-ЭВМ широко представлены кросс-средствами и интеллектуальными интерактивными программными оболочками в бит-процессорных, систолических, ПЛИС -, ЦПОС - и RISC -технологиях.
4. Принцип "одна инструкция - один процессор" и вытекающий из него (сверх)массовый параллелизм является базовым для МКМД-бит-процессорных матриц и (полу)заказных спецпроцессоров, реализуемых по ПЛИС -технологии и кремниевой компиляцией. Отсюда следует, что нейрокомпьютерные технологии интегрируют в себе

практически полный спектр атрибутивных свойств современных компьютерных технологий, определяющих потребительские свойства БВС военного назначения с наиболее экстремальными и противоречивыми по современным меркам требованиями к производительности (пропускной способности по потокам команд), отказоустойчивости и вычислительной устойчивости.

Принципиальное отличие нейрокомпьютерных от традиционных компьютерных технологий проектирования и использования ЭВМ состоит в следующем:

1. Настройка нейрокомпьютера не требует формализованной постановки задач пользователя, и для его "обучения" достаточно использовать существенно неполные, но репрезентативные выборки данных, полученные специалистами предметной области либо экспериментальным путем, либо имитационным моделированием, что типично для систем реального времени военного назначения, особенно на этапах доводки.
2. Нейрокомпьютер изначально ориентирован не на вычисления, а на прямое отображение входных воздействий сети в ее выходные реакции, даже если сеть используется в итеративном режиме.
3. Методы и алгоритмы "обучения" нейросетей инвариантны задачам пользователя и при настройке на разные классы задач могут отличаться только временем поиска параметров и объемами "дочерней" нейросети.
4. Погружение задач пользователя на нейросетевой уровень реализации не требует поиска их булева представления и может быть остановлен на уровне множества функций, описывающих пространственно-временные и физико-химические процессы в квантовых системах (рис. 6.4).

Рис. 6.4. Структурно-функциональная схема нейрокомпиляции

Из приведенных данных можно заключить:

1. К утверждениям о том, что нейрокомпьютеры обеспечивают наиболее высокое соотношение "производительность/стоимость", следует относиться с определенной осторожностью, так как при определении этого показателя качества сторонники нейрокомпьютерных технологий учитывают только аппаратно-временные затраты на "дочернюю" нейро-ЭВМ и не учитывают затраты на "обучение" "материнской" нейро-ЭВМ.
2. Высокий уровень аппаратно-временных затрат на "материнскую" нейро-ЭВМ вынуждает использовать современные "дочерние" нейро-ЭВМ в проблемно- или алгоритмически ориентированных (суб)процессорных трактах с заранее фиксированным множеством ответных реакций на изменения боевой, воздушной и технической обстановки. В результате по реально используемой структурно-функциональной гибкости нейрокомпьютерные (суб)процессорные тракты остаются пока еще сопоставимыми с обычными компьютерами, работающими под управлением оттранслированного программного обеспечения.
3. Циклы (пере)обучения современных нейро-ЭВМ составляют от единиц до десятков часов, что не позволяет включить задачи (пере) обучения в контур реального времени технотронных комплексов двойного назначения. Более того, психофизиологические и нейрофизиологические данные указывают на серьезную опасность решения задач (пере)обучения в условиях активного противодействия "противника", который может спровоцировать кривую обучения с помощью случайной обучающей выборки, что приведет к полной потере управляемости технотронных комплексов двойного назначения.
4. Переход к нейрокомпьютерным технологиям не снижает требований к качеству и глубине физико-технических и математических исследований предметной области, так как от этих исследований зависят качество и корректность отбора обучающей выборки, стратегии и алгоритма поиска, критерии адекватного останова алгоритмов поиска параметров настройки "дочерней" нейро-ЭВМ и т. п.

Тем не менее, качественные изменения в нейрокомпьютерной технологии погружения задач пользователя на аппаратный уровень исполнения проявляются начиная с глобальных этапов проектирования технотронных комплексов двойного назначения.

В традиционных компьютерных технологиях на первом этапе обычно проводится статистическая обработка результатов экспериментов, которая завершается построением или уточнением аналитической модели.

На втором этапе, который существенно отстоит по времени от первого, осуществляется поиск "оптимального" представления аналитической модели предметной области в структурно-операционном базисе используемой ЭВМ. Сформированная таким образом вычислительная модель предметной области, как правило, отличается от "усредненной" аналитической модели по темпу реального времени, времени задержки, характеристикам вычислительной устойчивости, зависящим от точности обработки потоков данных, и т. д.

В результате технотронные системы двойного назначения оказываются "оптимальными в среднем" и для достаточно широкого комплекса внешних условий, который в реальной боевой и технической обстановке реализуется с достаточно низкой вероятностью, что приводит к недоиспользованию тактико-технических характеристик технотронных комплексов двойного назначения.

Адаптивные технотронные системы потенциально способны изменять стратегию, критерии оценки качества и сами алгоритмы управления ресурсами технотронных комплексов двойного назначения в зависимости от этапов ведения боевых действий, решаемых комплексов задач, действующих векторов ограничений и т. д. Однако чтобы в полной мере использовать возможности адаптивного управления ресурсами комплексов двойного назначения, их технотронные системы дол жны в реальном времени синтезировать или хотя бы компоновать вычислительные алгоритмы и программы, что неосуществимо современными инструментальными средствами.

Переход к нейрокомпиляции позволяет включить синтез нейро-вычислителей в общий контур оптимизации технотронных комплексов двойного назначения, а усредняющую обработку распределить между этапом статистической обработки эмпирических данных и этапом статистической оптимизации самой нейросети в соответствии со стратегией и алгоритмами ее адаптации под реальные условия эксплуатации и (боевого) применения технотронных комплексов двойного назначения.

Однако темп обучения современных нейрокомпьютеров пока еще таков, что глубокая структурно-функциональная адаптация нейросетей может быть проведена (территориально удаленным) квалифицированным персоналом в условиях предбоевой подготовки, когда уже достаточно четко очерчен "сценарий боя" и условия его проведения.

Такая предбоевая адаптация технотронных комплексов двойного назначения служит еще одним доводом в пользу выделения средств вычислительной техники в самостоятельный вид боевого обеспечения.

Таким образом, пока не будет совершен качественный скачок в области обучающих нейрокомпьютерных систем, главное позитивное влияние нейрокомпьютерных технологий можно ожидать в области погружения задач пользователя либо на уровень аппаратурной реализации, либо на уровень технологических процессов изготовления элементной базы, так как в этом случае отпадают интеллектуально- и времяемкие этапы формализации задач и алгоритмов и их бездефектного программирования, а само погружение можно будет осуществлять в темпе предбоевой подготовки.