Современные вычислительные технологии и их аппаратные платформы

6.4. Роль и место нейроподобных вычислительных систем в технотронных комплексах двойного назначения

Как и любая вычислительная математика, современная нейромате-матика развивается в двух направлениях:

• совершенствование методов и алгоритмов "обучения" нейросетей, что соответствует развитию системных программных платформ традиционной вычислительной техники;
• повышение эффективности использования нейросетевых алгоритмов (в том числе управления и адаптации нейросетей) при решении задач предметной области.

Если выбраны множество обучающих выборок и способы вычисления суммарной оценки, то задача обучения нейросети превращается в задачу многомерной оптимизации, где отечественная наука имеет достаточно высокие приоритеты перед зарубежной.

Однако зарубежные ученые имеют несопоставимое преимущество в получении индустриальными методами экспериментальных обучающих выборок и полунатурной имитации процессов предметной области за счет широкого спектра доступных им интеллектуальных мини-супер-ЭВМ и рабочих станций с быстро модифицируемыми устройствами сопряжения с объектом. В результате можно ожидать, что отечественные нейрокомпьютеры будут выигрывать у зарубежных по скорости сходимости алгоритмов обучения, но проигрывать по уровню адекватности и/или достоверности принимаемых решений.

Отличительная особенность задач обучения нейросетей состоит в том, что их оптимизация базируется на поисковых методах и алгоритмах, которые хорошо поддаются распараллеливанию, как по многомерному аргументу, так и по частным критериям качества. Поэтому зарубежные исследователи имеют более широкие возможности в компенсации низкой скорости сходимости алгоритмов и поиска векторов настройки нейросетей за счет более высокого коэффициента распараллеливания вычислений.

Современные исследования нейроматематики в военной области сконцентрированы на плохо формализуемых задачах эксплуатации и боевого применения ВВТ. Плохо формализуемыми считаются задачи подавления естественных и искусственных помех, учета маскирующего влияния местности и т. п. Для них характерна высокая зависимость законов управления от возмущающих факторов при фиксированных начальных и конечных состояниях объекта управления и "некорректность" системы ограничений на ресурсы управления, что достаточно типично для военной робототехники, систем вооружений, систем "слепого" захода на посадку на подвижное основание и т. д.

Достигнутые к концу прошлого столетия результаты исследований нейрокомпьютерной техники в военной области сведены в табл. 6.1 и 6.2 [84], из которых видно:

1. Прикладная военная нейроматематика является естественным продолжением дискретной математики систем цифровой обработки сигналов и изображений, причем она расширяет не столько спектр решаемых задач, что определяется "сценариями" эксплуатации и боевого применения ВВТ, сколько сами условия эксплуатации и боевого применения технотронных комплексов ВВТ, поведение которых описывается нестационарными случайными процессами и существенно нелинейными алгоритмами решения задач управления и оценки ситуации.
2. Пока не преодолена высокая проблемная и алгоритмическая ориентированность нейросетей даже внутри одного класса задач эксплуатации и боевого применения ВВТ.
3. При оценке пропускной способности нейрокомпьютеров для систем реального времени необходимо учитывать не только временные издержки этапа обучения, но и составляющие единицы минут временные издержки на (пере)настройку нейросети, что приводит к нелинейному перераспределению затрат в пространстве "аппаратура - время" в задачах с итеративным использованием нейросетей.
4. Для повышения вероятности принятия правильных решений в ней-росети, как правило, требуется еще и предобработка потоков входных данных, приводящая входную информацию к "масштабам" и "углам зрения", соответствующим условиям получения обучающей выборки.
5. С середины 80-х годов прошлого столетия США сконцентрировали свои усилия на исследовании нейрокомпьютерных технологий для аэрокосмических комплексов наблюдения за земной поверхностью, сопровождения и распознавания целей, а также управления лазерным оружием. В совокупности с роботизированными системами "поля боя" это позволит им в ближайшей перспективе создать первые комплексные беспилотные системы ВВТ, оперативное управление которыми ведется из удаленных центров.

Аппаратные платформы нейрокомпьютерных технологий развиваются менее интенсивно по сравнению с нейроматематикой [169], что видно из данных табл. 6.3 [170, 171].

Современные нейрочипы используют достаточно широкий спектр моделей формальных нейронов ( ФН), изготавливаются по субмикронным нормам, и их работа характеризуется достаточно специфической системой параметров, ориентированной на оценку коммутационных возможностей и возможностей взвешенного суммирования входных возбуждений, как по показателям точности, так и по показателям быстродействия (табл. 6.3):

• количеством соединений в секунду ( ), измеряемых количеством умножений с накоплением в секунду;
• взвешенным на один синапс количеством соединений в секунду ( , где - количество синапсов ФН);
• количеством соединений примитивов в секунду ( , где и - разрядность весов и синапсов);
• количеством модификаций в секунду ( ), которое характеризует возможности подсистемы ввода-вывода нейрочипа.

Из данных табл. 6.3 следует:

1. Количество ФН на одном чипе находится в пределах десятков и сотен, а количество входов у каждого - в пределах десятков.
2. Тактовая частота далеко не рекордная (25-50 МГц), но физическая производительность ( ) - на порядок выше за счет коэффициентов распараллеливания и составляет 10⁸-10⁹ операций/с.
3. Однокристальный отечественный нейроэмулятор NM6403 на основе 32-разрядного RISC -ядра и 64-разрядного векторного сопроцессора с программируемой (расщепляемой) разрядностью обеспечивает максимальную из приведенных физическую производительность. Отсутствие данных о двух его подсистемах ввода-вывода не позволяет судить о его реальной пропускной способности и ее зависимости от топологии нейросети.

Технические расчеты [172] показывают, что наибольший уровень функциональной интеграции достигается в сетях на ассоциативных ФН, которые при 0,2 мкм топологических нормах позволяют создать в одном чипе ~10⁴ ФН с числом входов ~10² у каждого. При использовании вертикально интегрированных вентилей и 0,1 мкм технологии можно создать на одном чипе сеть из ~10⁶ ассоциативных ФН с ~10² входов у каждого.

Однако реальный прирост уровня функциональной интеграции ассоциативных ФН по отношению к обычным ФН можно оценить только после сравнения функционального разнообразия, достигаемого в каждой сети. Это можно объяснить следующими причинами:

1. Обучающие алгоритмы "материнской" нейро-ЭВМ хорошо эмулируются на ЦПОС - и RISC -процессорах, что показывает опыт использования нейрочипа отечественной разработки RC Module NM 6403 [171]. Это нейрочип по существу является спаренным процессором цифровой обработки сигналов, и тем не менее при решении задач "материнской" нейро-ЭВМ он получил высокую оценку не только у нас в стране, но и за рубежом, что не характерно для отечественной микроэлектроники и вычислительной техники.
2. Произвольно коммутируемые нейросети Мак-Каллока - Питтса и персептронные сети Ф. Розенблатта требуют разветвленной системы связей, которая реализуема средствами оптоэлектроники, а в микроэлектронном исполнении здесь возникают серьезные проблемы устойчивого обмена информацией через гальванические шины произвольной конфигурации, особенно в диапазоне гигагерцовых частот и выше. Однако оптоэлектронные вентили на 2-3 порядка пока еще превосходят микроэлектронные вентили по потребляемой мощности, а смешанные опто- и микроэлектронные технологии находятся еще в стадии лабораторных исследований.

Из приведенных данных можно заключить:

1. Инерционность этапов обучения и настройки нейрокомпьютеров еще такова, что они способны решать в основном плохо формализуемые задачи на этапах планирования и подготовки боевых действий. Такой скорости обучения (порядка единиц часов) достаточно для оперативной адаптации космических средств разведки к сезонным, погодным и климатическим условиям района боевых действий, а роботизированных комплексов "поля боя" еще и "сценариям" ведения боевых действий при наличии стратегической и оперативно-тактической инициативы по отношению к "противнику".
2. Нейрокомпьютерные технологии в ближайшей перспективе не выйдут за рамки задач эксплуатации и боевого применения, возлагаемые на современные системы цифровой обработки сигналов и изображений [173, 174]. При этом переход к нейроподобным вычислительным технологиям способен повысить уровень адаптации алгоритмов к плохо прогнозируемым и формализуемым погодным и климатическим условиям и увеличить на 1-2 порядка темп обработки в реальном времени потоков данных за счет сверхвысоких (~10⁶-10⁹) коэффициентов распараллеливания вычислений, что труднодостижимо на основе ЦПОС.
3. Высокий допустимый уровень распараллеливания алгоритмов обучения нейрокомпьютеров обуславливает создание если и не самообучающихся, то по крайней мере взаимно обучающихся нейросетей.

Такой нейроподобный самообучающийся комплекс должен содержать 3 нейро-ЭВМ, одна из которых является обучаемой, а две другие осуществляют адаптивную генерацию обучающих выборок и оценку адекватности реакции обучаемой нейросети.