I.Введение Прошло уже много лет с того момента, когда появилась первая ЭВМ. За это время сменилось уже несколько поколений вычислительных машин. Менялись элементная база, конструктивные решения, языки программирования, программ­ное обеспечение, но основы архитектуры, заложенные при создании машин первого поколения, практически без изменения перешли на машины последующих и успешно работают до настоящего времени.Нет сомнений, что идеи […]

Февраль 09th, 2010

I.Введение

Прошло уже много лет с того момента, когда появилась первая ЭВМ. За это время сменилось уже несколько поколений вычислительных машин. Менялись элементная база, конструктивные решения, языки программирования, программ­ное обеспечение, но основы архитектуры, заложенные при создании машин первого поколения, практически без изменения перешли на машины последующих и успешно работают до настоящего времени.Нет сомнений, что идеи машин первого поколения ещё послужат человеку. Однако всё настоятельнее требуются системы, наделённые элементами интеллекта при обработке колоссального объёма информации и в то же время работающие в темпе управляемых процессов.

В таких прикладных областях деятельности человека, как космология, молекулярная биология, гидрология, охрана окружающей среды, медицина, экономика и многих других, сформулированы проблемы, решение которых потребует вычислительных машин, обладающих колоссальными ресурсами.

На сегодняшний день высокие технические характеристики реализуется только с помощью дорогостоящих уникальных архитектур от CRAY, SGI, Fujitsu, Hitachi с несколькими тысячами процессоров.

В настоящее время концептуально разработаны методы достижения высокого быстродействия, которые охватывают все уровни проектирования вычислительных систем. На самом нижнем уровне – это передовая технология конструирования и изготовления быстродействующей элементной базы и плат с высокой плотностью монтажа.

Теоретически совершенствование элементной базы – самый простой метод повышения производительности вычислительных систем. Однако на практике он приводит к существенному удорожанию новых разработок. Следовательно, требуется разработка новых принципов вычислений, позволяющих ставить и решать задачи подобного типа, а также способных значительно повысить скорость обработки традиционных вычислительных алгоритмов. К числу новых направлений можно отнести и нейрокомпьютеры.

II.Нейрокомпьютеры

1. Что такое нейрокомпьютер

Нейрокомпьютеры — это системы, в которых алгоритм решения задачи представлен логической сетью элементов частного вида — нейронов с полным отказом от булевских элементов типа И, ИЛИ, НЕ. Как следствие этого введены специфические связи между элементами, которые являются предметом отдельного рассмотрения. В отличие от классических методов решения задач нейрокомпьютеры реализуют алгоритмы решения задач, представленные в виде нейронных сетей. Это ограничение позволяет разрабатывать алгоритмы, потенциально более параллельные, чем любая другая их физическая реализация.

Нейросетевая тематика является междисциплинарной, что обусловило значительные разночтения в общих терминологических подходах. Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот — все это породило многочисленные споры и целые терминологические войны по различным направлениям применения всего где есть приставка нейро-.

Приведем некоторые наиболее устоявшиеся определения нейрокомпьютера

№	Научное направление	Определение нейровычислительной системы
1	Математическая статистика	Нейрокомпьютер — это вычислительная система автоматически формирующая описание характеристик случайных процессов или их совокупности, имеющих сложные, зачастую многомодальные или вообще априори неизвестные функции распределения.
2	Математическая логика	Нейрокомпьютер — это вычислительная система алгоритм работы которой представлен логической сетью элементов частного вида — нейронов, с полным отказом от булевых элементов типа И, ИЛИ, НЕ.
3	Пороговая логика	Нейрокомпьютер — это вычислительная система, алгоритм решения задач в которой представлен в виде сети пороговых элементов с динамически перестраиваемыми коэффициентами и алгоритмами настройки, независимыми от размерности сети пороговых элементов и их входного пространства
4.	Вычислительная техника	Нейрокомпьютер — это вычислительная система с MSIMD архитектурой, в которой процессорный элемент однородной структуры упрощен до уровня нейрона, резко усложнены связи между элементами и программирование перенесено на изменение весовых коэффициентов связей между процессорными элементами.
5.	Медицина (нейробиологический подход)	Нейрокомпьютер — это вычислительная система представляющая собой модель взаимодействия клеточного ядра, аксонов и дендридов, связанных синаптическими связями (синапсами) (т.е. модель биохимических процессов протекающих в нервных тканях).
6.	Экономика и финансы	Устоявшегося определения нет, но чаще всего под нейровычислителем понимают систему обеспечивающую параллельное выполнение “бизнес”-транзакций.

В дальнейшем под нейрокомпьютером будем понимать вычислительную систему с архитектурой MSIMD, в которой реализованы два принципиальных технических решения: упрощен до уровня нейрона процессорный элемент однородной структуры и резко усложнены связи между элементами; программирование вычислительной структуры перенесено на изменение весовых связей между процессорными элементами.

Общее определение нейрокомпьютера может быть представлено в следующем виде:

Нейрокомпьютер — это вычислительная система с архитектурой аппаратного и программного обеспечения, адекватной выполнению алгоритмов, представленных в нейросетевом логическом базисе

2. История нейрокомпьютеров

Нейрокомпьютеры – это ЭВМ нового поколения, качественно отличающиеся от других классов вычислительных систем параллельного типа тем, что для решения задач они используют не заранее разработанные алгоритмы, а специальным образом подобранные примеры, на которых учатся. Их появление обусловлено объективными причинами: развитие элементной базы, позволяющее на одной плате реализовать персональный компьютер – полнофункциональный компьютер (модель нейрона), и необходимость решения важных практических задач, поставленных действительностью. Попытки создания ЭВМ, моделирующих работу мозга, предпринимались ещё в 40-х гг. специалистами по нейронной кибернетике. Они стремились разработать самоорганизующиеся системы, способные обучаться интеллектуальному поведению в процессе взаимодействия с окружающим миром, причём компонентами их систем обычно являлись модели нервных клеток. Однако зарождавшаяся в это же время вычислительная техника и связанные с нею науки, особенно математическая логика и теория автоматов, оказали сильное влияние на области исследования, связанные с мозгом.

К концу 50-х гг. сформировался логико-символьный подход к моделированию интеллекта. Его развитие создало такие направления, как эвристическое программирование и машинный интеллект, и способствовало угасанию интереса к нейронным сетям. К началу 80-х гг. были созданы условия для возрождения интереса к нейросетевым моделям. Это было связано с накоплением новых данных при экспериментальных исследованиях мозга.

К настоящему времени сформировался обширный рынок нейросетевых продуктов. Подавляющее большинство продуктов представлено в виде моделирующего программного обеспечения. Ведущие фирмы разрабатывают также и специализированные нейрочипы или нейроплаты в виде приставок персональным ЭВМ. Наиболее ярким прототипом супернейрокомпьютера является система обработки аэрокосмических изображений, разработанная в США по программе «Силиконовый мозг». Объявленная производительность супернейрокомпьютера составляет 80 PFLOPS (80?1015 операций с плавающей точкой в 1 с) при физическом объёме, равном объёму человеческого мозга, и потребляемой мощности 20 Вт.

В июле 1992 г. в Японии была принята Пятая Программа (действующая и поныне), связанная с созданием координационного исследовательского центра по реализации международного проекта Real World Computing Partnership (RWCP), основной целью которого являлась разработка практических методов решения реальных задач на основе гибких и перспективных информационных технологий.

В настоящее время в рамках развития этого проекта создана трансконтинентальная сеть на базе гетерогенной вычислительной среды, объединяющей Суперкомпьютерный центр в Штутгарте (Германия), Компьютерный центр в Питсбурге (шт. Пенсильвания), Электротехническую лабораторию в Тшукубе (Япония), Компьютерный центр в Манчестере (Великобритания), в которой часть пользовательских компьютеров выполнена по нейросетевой технологии. Пиковая производительность образованного сверхсуперкомпьютера составила 2.2 TFLOPS.

Считается, что теория нейронных сетей, как научное направление, впервые была обозначена в классической работе МакКаллока и Питтса 1943 г., в которой утверждалось, что, в принципе, любую арифметическую или логическую функцию можно реализовать с помощью простой нейронной сети. В 1958 г. Фрэнк Розенблатт придумал нейронную сеть, названную перцептроном, и построил первый нейрокомпьютер Марк-1 . Перцептрон был предназначен для классификации объектов. На этапе обучения “учитель” сообщает перцептрону к какому классу принадлежит предъявленный объект. Обученный перцептрон способен классифицировать объекты, в том числе не использовавшиеся при обучении, делая при этом очень мало ошибок. Примерно в это же время вышла работа Минского и Пейперта, указавшая ограниченные возможности простейшего перцептрона. Результаты Минского и Пейперта погасили энтузиазм большинства исследователей, особенно тех, кто работал в области вычислительных наук.

С начала 80-х годов ИНС вновь привлекли интерес исследователей, что связано с энергетическим подходом Хопфилда и алгоритмом обратного распространения для обучения многослойного перцептрона (многослойные сети прямого распространения), впервые предложенного Вербосом . При этом важную роль сыграли работы группы PDP (Parallel Distributed Processing) . В них рассматривались нейронные сети, названные многослойными перцептронами, которые оказались весьма эффективными для решения задач распознавания, управления и предсказания. (Многослойные перцептроны занимают ведущее положение, как по разнообразию возможностей использования, так и по количеству успешно решенных прикладных задач.)

3. Преимущества нейрокомпьютеров.

По сравнению с обычными компьютерами нейрокомпьютеры обладают рядом преимуществ.

Во первых - высокое быстродействие, связанное с тем, что алгоритмы нейроинформатики обладают высокой степенью параллельности.

Во вторых - нейросистемы делаются очень устойчивыми к помехам и разрушениям.

В третьих - устойчивые и надежные нейросистемы могут создаваться из ненадежных элементов, имеющих значительный разброс параметров.

4. Недостатки нейрокомпьютеров.

Несмотря на перечисленные выше преимущества эти устройства имеют ряд недостатков:

1. Они создаются специально для решения конкретных задач, связанных с нелинейной логикой и теорией самоорганизации. Решение таких задач на обычных компьютерах возможно только численными методами.

2. В силу своей уникальности эти устройства достаточно дорогостоящи.

5. Практическое применение нейрокомпьютеров.

Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях народного хозяйства.

Управление в режиме реального времени: самолетами, ракетами и технологическими процессами непрерывного производства (металлургического, химического и др.);

Распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в современном обществе.

Что же представляет из себя нейрокомпьютер? Нейрокомпьютеры бывают двух типов:

1. Большие универсальные компьютеры построенные на множестве нейрочипов.

2. Нейроимитаторы, представляющие собой программы для обычных компьютеров, имитирующие работу нейронов. В основе такой программы заложен алгоритм работы нейрочипа с определенными внутренними связями. Что - то типа “Черного ящика”, по принципу которого он и работает. На вход такой программы подаются исходные данные и на основании закономерностей, связанных с принципом работы головного мозга, делаются выводы о правомерности полученных результатов.

III.Основы нейроинформатики

Нейронные сети это всего-навсего сети, состоящие из связанных между собой простых элементов формальных нейронов. Большая часть работ по нейроинформатике посвящена переносу различных алгоритмов решения задач на такие сети.

В основу концепции положена идея о том, что нейроны можно моделировать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. Каждая связь представляется как совсем простой элемент, служащий для передачи сигнала. Коротко эту мысль можно выразить так: “структура связей все, свойства элементов ничто”.

Совокупность идей и научно-техническое направление, определяемое описанным представлением о мозге, называется коннекционизмом (connection связь). С реальным мозгом все это соотносится примерно так же, как карикатура или шарж со своим прототипом. Важно не буквальное соответствие оригиналу, а продуктивность технической идеи.

С коннекционизмом тесно связан следующий блок идей:

однородность системы (элементы одинаковы и чрезвычайно просты, все определяется структурой связей);
надежные системы из ненадежных элементов и “аналоговый ренессанс” использование простых аналоговых элементов;
“голографические” системы при разрушении случайно выбранной части система сохраняет свои свойства.

Предполагается, что широкие возможности систем связей компенсируют бедность выбора элементов, их ненадежность и возможные разрушения части связей.

Для описания алгоритмов и устройств в нейроинформатике выработана специальная “схемотехника”, в которой элементарные устройства (сумматоры, синапсы, нейроны и т.п.) объединяются в сети, предназначенные для решения задач. Для многих начинающих кажется неожиданным, что ни в аппаратной реализации нейронных сетей, ни в профессиональном программном обеспечении эти элементы вовсе не обязательно реализуются как отдельные части или блоки. Используемая в нейроинформатике идеальная схемотехника представляет собой особый язык описания нейронных сетей и их обучения. При программной и аппаратной реализации выполненные на этом языке описания переводятся на более подходящие языки другого уровня.

Самый важный элемент нейросистем адаптивный сумматор, который вычисляет скалярное произведение вектора входного сигнала x на вектор параметров a. Адаптивным он называется из-за наличия вектора настраиваемых параметров a.

Нелинейный преобразователь сигнала получает скалярный входной сигнал x и переводит его в заданную нелинейную функцию f(x).

Стандартный формальный нейрон состоит из входного сумматора, нелинейного преобразователя и точки ветвления на выходе.

Линейная связь синапс отдельно от сумматоров не встречается, однако для некоторых рассуждений бывает удобно выделить этот элемент. Он умножает входной сигнал x на “вес синапса” a.

Итак, мы коротко описали основные элементы, из которых состоят нейронные сети.

IV.Задачи для нейронных сетей

Многие задачи, для решения которых используются нейронные сети, могут рассматриваться как частные случаи следующих основных проблем:

построение функции по конечному набору значений;
оптимизация;
построение отношений на множестве объектов;
распределенный поиск информации и ассоциативная память;
фильтрация;
сжатие информации;
идентификация динамических систем и управление ими;
нейросетевая реализация классических задач и алгоритмов вычислительной математики: решение систем линейных уравнений, решение задач математической физики сеточными методами и др.

V.Заключение

Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки.
Такие системы основывались на высокоуровневом моделировании процесса мышления на обычных компьютерах. Скоро стало ясно, чтобы создать искусственный интеллект, необходимо построить систему с похожей на естественную архитектурой, т. е. перейти от программной реализации процесса мышления к аппаратной.
Естественным продолжением аппаратного и программного подхода к реализации нейрокомпьютера является программно-аппаратный подход.
Аппаратный подход связан с созданием нейрокомпьютеров в виде нейроподобных структур (нейросетей) электронно-аналогового, оптоэлектронного и оптического типов. Для таких компьютеров разрабатываются специальные СБИС (нейрочипы).
Основу нейросетей составляют относительно простые, в большинстве случаев — однотипные, элементы (ячейки), имитирующие работу нейронов мозга — искусственные нейроны. Нейрон обладает группой синапсов — однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон — выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом, который по физическому смыслу эквивалентен электрической проводимости в электрических связях.
Для решения отдельных типов задач существуют оптимальные конфигурации нейронных сетей. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать сложную проблему синтеза новой конфигурации. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом слоев нейронов. Одной из важных особенностью нейронной сети является возможность к обучению. Обучение нейросети может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы нейросети формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. После обучения на достаточно большом количестве примеров можно использовать обученную сеть для прогнозирования, предъявляя ей новые входные значения. Это важнейшее достоинство нейрокомпьютера, позволяющие ему решать интеллектуальные задачи, накапливая опыт.

VI.Список используемой литературы:

А.Горбань, Д. Россиев. Нейронные сети на персональном компьютере. //Новосибирск: Наука, 1996.
Ф.Уоссермен, Нейрокомпьютерная техника, М.,Мир, 1992.
Итоги науки и техники: физические и математические модели нейронных сетей, том 1, М., изд. ВИНИТИ, 1990.

4. http://therocker.narod.ru/doc/neuro.htm#comp1

5. http://www.bmstu.ru

6. http://neurnews.iu4.bmstu.ru

Описаны конструкции запоминающих устройств нового типа с распределенной и суперпозиционной записью. Наличие отдельных записей обнаруживается путем вычисления коэффициентов корреляции. Конструкция базового корреляционного запоминающего устройства получена преобразованием базовой нейросетевой модели с двоичными кодами. Указаны достоинства и недостатки устройств. Обсуждаются возможности практической реализации и применения устройств. В. Ф. Соломатин к. т. н, научн. сотр. лаб. физиологии высшей […]

Ноябрь 01st, 2009

Рассмотрена модель нейронной структуры управления сокращением парой мышц-антогонистов. Представлены модель мышечного волокна и афферентного нейрона как универсального преобразователя сенсорной информации в импульсный поток. Проведены численные эксперименты, показавшие качественную адекватность поведения предложенных математических моделей их биологическим прототипам. А. В. Бахшиев вед. программист Центрального научно-исследовательского института робототехники и технической кибернетики, г. Санкт-Петербург. С. П. Романов д. биол. […]

Ноябрь 01st, 2009

Сопоставляется структура одномерной 5-слойной нейроадаптивной системы управления с организацией управления одним параметром в нервной системе. Представлены результаты исследования формирования управляющей функции нервной системой в задаче удержания изометрического усилия. Показаны особенности структурной организации между основными блоками на разных уровнях управления и предполагаемая функция послойной организации сети из однородных нейронов. С. П. Романов д. биол. н., вед. […]

Ноябрь 01st, 2009

Обсуждены вопросы использования нейронных сетей при решении обратных задач измерительной техники. Особое внимание обращено на реализацию радиально-базисных сетей в задачах обработки аналитических сигналов. Описано программное средство анализа и интерпретации результатов хромато-масс-спектрометрического анализа. Т. З. Хабурзания — аспирант Петербургского политехнического университета.

Ноябрь 01st, 2009

Рассмотрена проблема оценивания пропускной способности каналов передачи данных в распределенных вычислительных системах, в частности при обучении распределенных искусственных нейронных сетей, по пассивным наблюдениям за каналами передачи данных. Описывается линейная модель оценивания, сравниваются четыре метода оценивания, проводятся сравнительные эксперименты и делается вывод о наиболее применимом методе. А. Т. Вахитов аспирант каф. системного программирования математико-механического факультета СПбГУ. […]

Ноябрь 01st, 2009

Рассмотрен подход к идентификации телеметрических параметров на основе частотно-рангового распределения с применением нейронных сетей. Телеметрический сигнал представляется в виде вектора характеристик. Для формирования вектора характеристик используются характеристики, получаемые в результате аппроксимации частотно-ранговой зависимости. На основе полученных векторов характеристик строится нейронная сеть. При помощи нейронной сети проводится идентификация новых телеметрических параметров, представленных в виде вектора характеристик. […]

Ноябрь 01st, 2009

Обсуждаются принципы построения когнитивных модулей для реализации технических когнитивных систем, определяющих современное состояние информатики и искусственного интеллекта. Рассматриваются методы представления, обработки и формирования когнитивных функций в модулях нейрологического типа. Дается пример построения нейросетевого модуля с нечетко-логическим базисом. Описываются алгоритмы работы когнитивного модуля триангуляционного типа. Рассматриваются варианты когнитивных структур из таких модулей, способных моделировать когнитивные процессы. […]

Ноябрь 01st, 2009

Рассмотрены вопросы применения нечетко-нейросетевого подхода для моделирования управляемого движения морских динамических объектов. Предложена модель нечеткой динамической системы. Указаны методы ее структурного и параметрического синтеза. Изложены принципы параллельно-распределенной реализации модели на основе многослойных сетей с нечеткими и стандартными нейронами. Ю. Л. Сиек докт. техн. наук, проф. Санкт-Петербургского государственного морского технического университета. Соэ Мин Лвин аспирант Санкт-Петербургского […]

Ноябрь 01st, 2009

Fatal error : Cannot redeclare wp_pagenavi() (previously declared in /home/neurocomp/webapps/сайт/wp-content/plugins/wp-pagenavi/core.php:13) in /home/neurocomp/webapps/сайт/wp-content/themes/FLER/includes/pagination.php on line 295

Автор реферата, не претендуя на исчерпывающее изложение темы, в рамках небольшой работы, поставила цель изучить такое новшество в техническом мире, как нейрокомпьютеры, последовательно раскрывая историю их разработки, применение и перспективы развития.

Выбор пал на данную тему из-за ее актуальности. В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых стран. Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд интеллектуальных задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейрокомпьютеры отличаются от ЭВМ предыдущих и поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи. Поэтому сегодня его развитие становится первоочередной задачей науки.

2. История нейрокомпьютеров.

Нейрокомпьютер - устройство переработки информации на основе принципов работы естественных нейронных систем. Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей. «Проблематика же нейрокомпьютеров заключается в построении реальных физических устройств, что позволит не просто моделировать искусственные нейронные сети на обычном компьютере, но так изменить принципы работы компьютера, что станет возможным говорить о том, что они работают в соответствии с теорией искусственных нейронных сетей.» Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот - все это породило многочисленные споры и целые терминологические войны по различным направлениям применения всего, где есть приставка нейро-.

Приведем некоторые наиболее устоявшиеся определения нейрокомпьютера.

	Научное направление	Определение нейровычислительной системы
	Математическая статистика	Нейрокомпьютер - это вычислительная система автоматически формирующая описание характеристик случайных процессов или их совокупности, имеющих сложные, зачастую многомодальные или вообще априори неизвестные функции распределения.
	Математическая логика	Нейрокомпьютер - это вычислительная система алгоритм работы которой представлен логической сетью элементов частного вида - нейронов, с полным отказом от булевых элементов типа И, ИЛИ, НЕ.
	Пороговая логика	Нейрокомпьютер - это вычислительная система, алгоритм решения задач в которой представлен в виде сети пороговых элементов с динамически перестраиваемыми коэффициентами и алгоритмами настройки, независимыми от размерности сети пороговых элементов и их входного пространства
	Вычислительная техника	Нейрокомпьютер - это вычислительная система с MSIMD архитектурой, в которой процессорный элемент однородной структуры упрощен до уровня нейрона, резко усложнены связи между элементами и программирование перенесено на изменение весовых коэффициентов связей между процессорными элементами.
	Медицина (нейробиологический подход)	Нейрокомпьютер - это вычислительная система представляющая собой модель взаимодействия клеточного ядра, аксонов и дендридов, связанных синаптическими связями (синапсами) (т.е. модель биохимических процессов протекающих в нервных тканях).
	Экономика и финансы	Устоявшегося определения нет, но чаще всего под нейровычислителем понимают систему обеспечивающую параллельное выполнение “бизнес”-транзакций.

Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).

Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.

Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом, нейросети позволяют эффективно использовать параллелизм.

3.2. Практическое применение нейрокомпьютеров.

3.2.1. Сферы применения

Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях народного хозяйства:

Управление в режиме реального времени: самолетами, ракетами и

технологическими процессами непрерывного производства (металлургического, химического и др.);

Распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в современном обществе.

Что же представляет из себя нейрокомпьютер? Нейрокомпьютеры бывают двух типов:

1. Большие универсальные компьютеры построенные на множестве нейрочипов.

2. Нейроимитаторы, представляющие собой программы для обычных компьютеров, имитирующие работу нейронов. В основе такой программы заложен алгоритм работы нейрочипа с определенными внутренними связями. Что - то типа “Черного ящика”, по принципу которого он и работает. На вход такой программы подаются исходные данные и на основании закономерностей, связанных с принципом работы головного мозга, делаются выводы о правомерности полученных результатов.

3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности.

Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей.

Задача	Пример использования нейрокомпьютеров
Прогнозирование временных рядов на основе нейросетевых методов обработки	Валютный курс, спрос и котировки акций, фьючерсные контракты и др.
Прогнозирование банкротств на основе нейросетевой системы распознавания	Составление прогнозирующих отчетов
Применение нейронных сетей к задачам биржевой деятельности	Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия
Прогнозирование экономической эффективности финансирования экономических и инновационных проектов	Предсказание результатов вложений

2. Страховая деятельность банков.

Оценка риска страхования инвестиций на основе анализа надежности проекта

Оценка риска страхования вложенных средств

Применение нейронных сетей для оценки риска страхования особенно эффективно с точки зрения способности анализировать как ранее накопленные данные по результатам страхования, так и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности.

3. Прогнозирование банкротств на основе нейросетевой системы распознавания.

Анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде (да. нет)

Анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата - 74% вероятности банкротства).

Анализ банкротств, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные используемые для обанкротившихся фирм могут быть взяты из последних финансовых бюллетеней, вышедших перед тем, как фирмы объявили банкротство.

4. Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия.

Выделение долгосрочных и краткосрочных скачков курсовой стоимости акций на основе нелинейной нейросетевой модели

Предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов

Распознавание ситуаций, когда резкое изменение цены акций является результатом биржевой игры с помощью нейросетевой системы распознавания

Определение соотношения котировок и спроса

Прогнозирующая система может состоять из нескольких нейронных сетей, которые обучаются взаимосвязям между различными техническими и экономическими показателями и периодами покупки и продажи акций. Целью прогноза является выбор наилучшего времени для покупки и продажи акций. Здесь рассматриваются также задачи формирования портфеля ценных бумаг и распознавания шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке времени. На рынке акций шаблон <треугольника> в диаграмме (графике) изменений курса акций является индикатором важного направления будущего изменения цены акций. Однако никакие методы основанные на правилах не дают хорошего результата, только высококвалифицированные эксперты. «Нейросетевой подход дал весьма многообещающие результаты для Токийской фондовой биржи после обучения сети на 15 обучающих шаблонах треугольника и проверке на одном нейросетевом шаблоне. После чего были проведены 16 экспериментов на данных по ценам акций за последние 3 года. Шаблон треугольника был успешно определен в 15 случаях.»

5. Применение нейронных сетей к задачам анализа биржевой деятельности.

Нейросетевая система распознавания всплесков биржевой активности - анализ деятельности биржи на основе нейросетевой модели

Предсказание цен на товары и сырье с выделением трендов вне зависимости от инфляции и сезонных колебаний - нейросетевая система выделения трендов по методикам <японских свечей> и других гистографических источников отображения информации

Для задач биржевой деятельности наиболее интересным представляется построение системы распознавания природы биржевых событий и выделение основных закономерностей, то есть поиск взаимосвязи резкого изменения биржевой цены и биржевой активности в зависимости от биржевой игры или инфляционных процессов. Эффективным может быть применение нейронной сети для предсказания цен на товары и сырье вне зависимости от сезона и уровня инфляции (выделение трендов).

6. Прогнозирование экономической эффективности финансирования экономических и инновационных проектов.

Предсказание на основе анализа реализованных ранее проектов;

Предсказание на основе соответствия предлагаемого проекта экономической ситуации

В первом случае используется способность нейронных сетей к предсказанию на основе временных рядов, во втором - построения нелинейной модели на базе нейронной сети.

7. Предсказание результатов займов.

Определение возможности кредитования предприятий

Предоставление кредитов и займов без залога

Используется (в редком случае) при предоставлении займов без залога на основе анализа дополнительной информации о потребителе кредитов. Оценивает риск займа на основе построения нелинейной модели. Имеющаяся информация основана на исследованиях, производимых международными финансовыми группами.

8. Общие приложения нейронных сетей

Применение нейронных сетей в задачах маркетинга и розничной торговли

Одно из самых <модных> применений нейрокомпьютеров в финансовой области. Один из решаемых вопросов - установление цены на новый вид товара на основе многокритериальной оценки.

Моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий

Моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа

Построение модели структуры расходов семьи.

Одним из способов подготовки нейронной сети для передачи является её вербализация: обученную нейронную сеть минимизируют с сохранением полезных навыков. Описание минимизированной сети компактнее и часто допускает понятную интерпретацию.

В нейрокомпьютинге постепенно созревает новое направление, основанное на соединении биологических нейронов с электронными элементами. По аналогии с Software (программное обеспечение - «мягкий продукт») и Hardware (электронное аппаратное обеспечение - «твёрдый продукт»), эти разработки получили наименование Wetware «влажный продукт».

В настоящее время уже существует технология соединения биологических нейронов со сверхминиатюрными полевыми транзисторами с помощью нановолокон (Nanowire). В разработках используется современная нанотехнология. В том числе, для создания соединений между нейронами и электронными устройствами используются углеродные нанотрубки.

(Распространено также и другое определение термина «Wetware» - человеческий компонент в системах «человек-компьютер».)

5. Заключение.

Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки.

Такие системы основывались на высокоуровневом моделировании процесса мышления на обычных компьютерах. Скоро стало ясно, чтобы создать искусственный интеллект, необходимо построить систему с похожей на естественную архитектурой, т. е. перейти от программной реализации процесса мышления к аппаратной.

Естественным продолжением аппаратного и программного подхода к реализации нейрокомпьютера является программно-аппаратный подход.

Аппаратный подход связан с созданием нейрокомпьютеров в виде нейроподобных структур (нейросетей) электронно-аналогового, оптоэлектронного и оптического типов. Для таких компьютеров разрабатываются специальные СБИС (нейрочипы).

Основу нейросетей составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), имитирующие работу нейронов мозга - искусственные нейроны. Нейрон обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом, который по физическому смыслу эквивалентен электрической проводимости в электрических связях.

Для решения отдельных типов задач существуют оптимальные конфигурации нейронных сетей. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать сложную проблему синтеза новой конфигурации. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом слоев нейронов. Одной из важных особенностью нейронной сети является возможность к обучению. Обучение нейросети может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы нейросети формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. После обучения на достаточно большом количестве примеров можно использовать обученную сеть для прогнозирования, предъявляя ей новые входные значения. Это важнейшее достоинство нейрокомпьютера, позволяющие ему решать интеллектуальные задачи, накапливая опыт.

Список используемой литературы.

1. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80- и 90-е годы) // Нейрокомпьютер. 2000. № 1

2. Власов А.И. Нейросетевая реализация микропроцессорных систем активной акусто- и виброзащиты // Нейрокомпьютеры: разработка и применение. 2000. № 1.

3. Ф.Уоссермен, Нейрокомпьютерная техника, М.,Мир, 1992.

4. Итоги науки и техники: физические и математические модели нейронных сетей, том 1, М., изд. ВИНИТИ, 1990.

5. http://ru.wikipedia.org/wiki/Нейрокомпьютер

6. http://www.chipinfo.ru/literature/chipnews/200005/34.html

7. http://works.tarefer.ru/30/100032/index.html

8. http://www.tiptoptech.net/neirokomputer.html

9. http://www.iam.ru/world/neuron.htm

10. http://www.intuit.ru/department/expert/neurocomputing/2/2.html

Http://ru.wikipedia.org/wiki/Нейрокомпьютер

Http://works.tarefer.ru/30/100032/index.html

Уоссермен Ф., Нейрокомпьютерная техника - М., Изд. «Мир», 1992. – С.93

Http://www.chipinfo.ru/literature/chipnews/200005/34.html

Http://ru.wikipedia.org/wiki/Нейрокомпьютер

Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования

«Финансовый университет при Правительстве Российской Федерации»

Кафедра

"Разработка, применение и перспективы развития нейрокомпьютеров"

Выполнила:

студентка гр. М1-1

Жилякова А.И.

Проверил:

Магомедов Р.М.

1. Введение

Автор реферата, не претендуя на исчерпывающее изложение темы, в рамках небольшой работы, поставила цель изучить такое новшество в техническом мире, как нейрокомпьютеры, последовательно раскрывая историю их разработки, применение и перспективы развития.

Выбор пал на данную тему из-за ее актуальности. В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых стран. Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд интеллектуальных задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейрокомпьютеры отличаются от ЭВМ предыдущих и поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи. Поэтому сегодня его развитие становится первоочередной задачей науки.

2. История нейрокомпьютеров.

Нейрокомпьютер - устройство переработки информации на основе принципов работы естественных нейронных систем. Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей. «Проблематика же нейрокомпьютеров заключается в построении реальных физических устройств, что позволит не просто моделировать искусственные нейронные сети на обычном компьютере, но так изменить принципы работы компьютера, что станет возможным говорить о том, что они работают в соответствии с теорией искусственных нейронных сетей.» Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот - все это породило многочисленные споры и целые терминологические войны по различным направлениям применения всего, где есть приставка нейро-.

Приведем некоторые наиболее устоявшиеся определения нейрокомпьютера.

	Научное направление	Определение нейровычислительной системы
	Математическая статистика	Нейрокомпьютер - это вычислительная система автоматически формирующая описание характеристик случайных процессов или их совокупности, имеющих сложные, зачастую многомодальные или вообще априори неизвестные функции распределения.
	Математическая логика	Нейрокомпьютер - это вычислительная система алгоритм работы которой представлен логической сетью элементов частного вида - нейронов, с полным отказом от булевых элементов типа И, ИЛИ, НЕ.
	Пороговая логика	Нейрокомпьютер - это вычислительная система, алгоритм решения задач в которой представлен в виде сети пороговых элементов с динамически перестраиваемыми коэффициентами и алгоритмами настройки, независимыми от размерности сети пороговых элементов и их входного пространства
	Вычислительная техника	Нейрокомпьютер - это вычислительная система с MSIMD архитектурой, в которой процессорный элемент однородной структуры упрощен до уровня нейрона, резко усложнены связи между элементами и программирование перенесено на изменение весовых коэффициентов связей между процессорными элементами.
	Медицина (нейробиологический подход)	Нейрокомпьютер - это вычислительная система представляющая собой модель взаимодействия клеточного ядра, аксонов и дендридов, связанных синаптическими связями (синапсами) (т.е. модель биохимических процессов протекающих в нервных тканях).
	Экономика и финансы	Устоявшегося определения нет, но чаще всего под нейровычислителем понимают систему обеспечивающую параллельное выполнение “бизнес”-транзакций.

Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).

Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.

Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом, нейросети позволяют эффективно использовать параллелизм.

Слово «нейрокомпьютер» в нашей стране, к сожалению, все еще новинка. В словарях и энциклопедиях приживается оно неохотно, хотя догадаться о смысле этого понятия особого труда не составляет. Если, конечно, не путать нейроны, клетки мозга, с нейтронами, составляющими атомных ядер. Мода на нейрокомпьютеры очень сильна в передовых странах Запада и, как выясняется, не только в них. Там царит настоящий нейрокомпьютерный ренессанс. О нейрокомпьютерах, нейрочипах, суперЭВМ, нейросетевых алгоритмах и прочих слагаемых нового вида многообещающей компьютерной техники рассказывает читателям «Хранителя» директор Научного центра нейрокомпьютеров, доктор технических наук, профессор, заслуженный деятель науки России Александр Галушкин.

− Александр Иванович, есть компьютеры, они продаются в магазинах и быстро совершенствуются. Зачем нам еще нейрокомпьютеры?

− Все задачи, которые решаются в мире с помощью вычислительных машин, можно поделить условно на две: простые и сложные. Развитие цивилизации идет в основном не за счет решения простых задач, а за счет решения задач сложных, именно они определяют «интеллект» общества в текущий момент его развития. Это и основа всех высоких технологий. Они-то и ставят новые задачи, трудные и даже безумно трудные, которые не могут быть решены в принципе на обычных персональных компьютерах. Для решения сложных задач существуют и развиваются два класса машин во всем мире.

Первый − это классические кластерные ЭВМ и суперЭВМ с массовым параллелизмом, которые строятся из множества процессоров типа пентиум. Второй класс − нейрокомпьютеры. Нейрокомпьютеры адекватны тем сложным задачам, которые обладают двумя отличительными особенностями. Во-первых, невозможностью их формализации. Допустим, вам нужно распознать человека, идентифицировать его по фотографии, вы не опишите эту задачу никакими дифференциальными или интегральными уравнениями - задача не формализуема. Таких задач в процессе развития новых высоких технологий возникает все больше и больше.

А вторая особенность проблем, которые также требуют нейрокомпьютеров, - это уже задачи формализуемые, но они столь большой размерности и сложности, что решать их на обычных ПК и ЭВМ приходится недопустимо долго. А на кластерных машинах или суперЭВМ делать это либо очень дорого, либо компьютер по габаритам не соответствует требованиям того объекта, где должна решаться задача.

− Чем нейрокомпьютер отличается от того, к чему мы уже привыкли?

− В нейрокомпьютере принципиально другая логическая основа построения алгоритмов решения задач. Логическая основа обычных вычислительных машин, машин с фон-неймановской структурой и даже кластерных машин, или суперЭВМ с массовым параллелизмом, основана на использовании классической математической (булевой) логики и аппаратно реализуемых элементов И-ИЛИ-НЕ, из которых делается само «железо» машины. В нейрокомпьютере на уровне алгоритмов наблюдается полный отказ от аппарата булевой логики и переход к нейронным сетям, которые являются логической основой построения алгоритмов решения задач и, как следствие, основой для построения архитектуры всех аппаратных средств: нейрочипов, нейроплат, нейроблоков и мощных нейрокомпьютеров. И будущее, несомненно, за нейрокомпьютерами.

− А чем работа нейрокомпьютера отличается от того, что творится в нашей голове, когда мы мыслим или решаем задачу?

− Между работой нейрокомпьютеров и работой нашей головы никакой связи нет по основной и простой причине: человечеству пока не известно то, как работает мозг. Сделать техническую систему из нескольких миллиардов искусственных нейронов сейчас не представляет трудности. Однако, если такая система будет создана, она даже в малой степени не будет функционировать так, как это делает мозг. Тем более что вся вычислительная техника идет к повышению скорости обработки информации, к росту частоты - сейчас это гигагерцы, завтра - десятки гигагерц, а скорость передачи информации в мозгу человека - лишь метры в секунду. Всего десятки герц, максимум десятки килогерц - очень низкая частота.

Отсюда следует, что никакой аналогии между работой нейрокомпьютера, в том понимании, которое я изложил, и мозгом человека нет. Однако это не означает, что не нужно изучать нервную систему с целью построения будущих поколений нейрокомпьютеров. Уже сейчас это делается в части таких систем, как «искусственный глаз», «искусственное ухо». Это такие специализированные нейрокомпьютеры, которые вживляются слепому или глухому пациенту. Существуют и нейрочипы, которые можно вживлять человеку, если его спинной мозг разрушен под воздействием каких-то травм. Это все касается периферийных систем, которые в нейрофизиологии изучены достаточно хорошо. Что же касается мозга человека, так пока это тайна за семью печатями. И для инженеров, и для нейрофизиологов. Думаю, что много еще пройдет времени, пока тайна будет познана. При этом надо не просто понять работу мозга, нужно еще и отработать технологии реализации, адекватные той «технологии», которая реализована в мозге человека. Это возможно только с применением нанотехнологий и, может быть, с переходом на технологии биомолекулярные - создание биочипов из биомолекул. Произойдет это, видимо, лишь через несколько десятков лет.

− Нейрокомпьютеры уже поступили в продажу? Какие они?

− Нейрокомпьютер в значительной степени не является коммерческим продуктом. Их поставляют адресно, под конкретные объекты. Известны несколько десятков типов нейрокомпьютеров, однако любая фирма, которая применяет нейрокомпьютеры, делает это, не афишируя свои устройства. Она афиширует только результат, который достигается с помощью применения нейрокомпьютера. Нейрокомпьютеры сейчас в некотором виде, может быть, модифицированном, стоят в стиральных машинах, в видеокамерах, они трудятся на прокатных станах в черной и цветной металлургии. Расплачиваясь по пластиковой карточке, вы и не подозреваете, что ваши действия незаметно, на лету проверяются нейросетевой программой, обученной на десятках тысячах случаев санкционированных и несанкционированных транзакций. Много примеров применения нейрокомпьютеров можно привести. Но афишируются всегда лишь то качество, та услуга, которые в итоге достигаются.

− Это как бы некоторое ноу-хау?

− Ноу-хау - это не сам нейрокомпьютер и не только сам нейрокомпьютер. Это столь специфический раздел вычислительной техники, что в нем тесно связано прикладное программное обеспечение, алгоритм, реализуемый в нейрокомпьютере, и само «железо». И в общей стоимости нейросистемы стоимость самого нейрокомпьютера - это 10%. Остальные 90 − стоимость прикладного программного обеспечения и реализованных алгоритмов. Это и есть основное ноу-хау любой фирмы. Если фирма «Мерседес» применяет нейрокомпьютеры в автомобилях для управления впрыскиванием и воспламенением топлива, то она афиширует это в виде сокращения потребления бензина, а не тем, что они там применили нейронную сеть определенной архитектуры.

− Известно, что программисты были вначале в большом фаворе, потом сникли. Разработка нейросетевых алгоритмов не сделает ли вновь престижной эту профессию?

− Несколько лет назад известные разработчики-программисты написали статьи, в которых сказали, что профессия программиста исчезает. Сейчас в разделе «Разработка нейрокомпьютеров» это произошло на все 100%. Программистов как таковых нет, они не нужны. Нужны алгоритмисты, разработчики алгоритмов для нейрокомпьютеров, а запрограммировать, сделать программу для нейрокомпьютера - это полпроцента работы этого алгоритмиста. Заводить для этого неграмотных в теории нейронных сетей и нейроматематики программистов нет смысла. Профессия алгоритмиста? Да, она есть. Наша кафедра «Нейрокомпьютеры» в Московском физико-техническом институте (МФТИ) существует уже 14 лет. Мы выпускаем в рамках специальности «Прикладные математика и физика» специалистов-алгоритмистов по разработке алгоритмов решения различных задач в нейросетевом отечественном базисе и программировании на нейрокомпьютерах. Кроме МФТИ, мы являемся учебно-производственной базой четырех кафедр МВТУ имени Баумана, кафедры вычислительной техники МАТИ, тесно сотрудничаем с МГУ и с МИРЭА.

− А что такое нейрочипы?

− Нейрочипы - это сверхбольшая интегральная схема, реализующая в том или ином виде фрагмент нейронной сети определенной архитектуры. Нейрочипы составляют элементную базу нейрокомпьютеров. Количество нейрочипов, разработанных в мире, − сотни. Они разрабатываются и изготавливаются по самой различной технологии: цифровые, аналоговые, аналогово-цифровые, оптические и так далее. В отличие от существующей цифровой техники, которая делается исключительно на базе цифровых кристаллов, цифровых технологий, нейрокомпьютеры используют очень широкий спектр технологий микроэлектроники.

− Где используются нейрокомпьютеры, в каких областях?

− Несколько примеров. В NASA для истребителя F-15 создан бортовой нейрокомпьютер, предназначенный для управления в аварийных ситуациях. Опубликована работа под названием «Опыт семилетнего применения нейрокомпьютеров на атомных станциях Южной Кореи». Во многих аэропортах действуют системы скрытого обнаружения взрывчатых веществ, металлов, наркотиков. Багаж облучается тепловыми нейтронами, а обработку данных таких измерений ведет нейрокомпьютер, без участия человека.

На международной конференции по нейронным сетям в Вашингтоне в 1999 году М. Мозер объявил о проекте «Нейродом», интеллектуального здания, в котором нейронные сети управляют всем: вентиляцией, освещением, температурой воздуха, температурой воды в доме, адаптируясь к поведению и потребностям обитателей. Нейрокомпьютеры применяются всюду: в машиностроении, в энергетике, на транспорте, при управлении роботами (известный американский ученый Р. Хехт-Нильсен считает, что производство нейросетевых роботов станет ведущей отраслью промышленности нового тысячелетия), в финансовой деятельности, научных исследованиях, при работе в сети Интернет.

Больших успехов в применении нейрокомпьютеров добились в Китае. Ответ на вопрос, что происходит в Китае, содержится в моей книге, которая называется «Нейрокомпьютеры в Китае на рубеже тысячелетий». Это большая книга, 800 страниц, в которой описаны достижения китайских ученых в области теории нейронных сетей, нейроматематики, алгоритмов решения задач в самых различных областях применения. И вот что интересно. Практическим все их работы финансируются государством, координируются, идут широким фронтом, разрабатывается множество типов нейрокомпьютеров. Если вы посмотрите сайт китайского посольства, то значительная часть информации на этом сайте посвящена разработкам нейрокомпьютеров. Они считают это большим государственным достижением. Китай уже давно обошел в этой области не только Россию. Думаю, что в ближайшее время китайцы мощью своих работ обойдут и высокоразвитые страны.

Нейрокомпьютеры - не дань моде, а стабильное направление развития сверхвысокопроизводительной вычислительной техники. Ныне в мире нейрокомпьютерами занимаются более 300 фирм и практически все университеты. Среди известных фирм, занимающихся нейрокомпьютерами, можно назвать IBM, DEC, HP, Intel, Motorola, Hitachi, Toshiba, Mitsubishi, Siemens. За последние годы выпущено более 500 монографий, издается около 30 периодических журналов, ежегодно проводится более 100 конференций и семинаров.

− А как с нейрокомпьютерами обстоит дело в России?

− Работа идет. Мы ежегодно, с 1995 года, проводим всероссийскую конференцию «Нейрокомпьютеры и их применение». Собираем около 700 гостей, около 300 докладов заслушиваются. Конференция происходит ежегодно в Институте проблем управления РАН. Список рассылки на предприятия, которые занимаются нейрокомпьютерами либо активно интересуются, имеет порядка тысячи адресов. Но тут надо отметить два негативных момента. Первое - в России наблюдается острая нехватка информации по нейрокомпьютерам. По объективным причинам, существующим в нашей стране, к нам не поступают книги, которые выходят за рубежом сотнями, не поступают журналы, не поступают труды конференций. Мы за счет своих сил и средств стараемся восполнить этот пробел. Издаем 40-томную серию книг «Нейрокомпьютеры и их применение». В нее войдут монографии российских ученых по таким сферам применения нейрокомпьютеров, как авиация, космическая техника, вертолеты, обработка текстов и изображений, энергетика, нанотехнологии и др. Теперь о втором и главном негативном моменте. В России в отличие от Китая, например, отсутствует программа разработки и применения нейрокомпьютеров. Нами в инициативном порядке разработан проект такой программы, согласована кооперация с ведущими предприятиями по каждому направлению, однако, кроме одобрения на словах, никакой реальной поддержки в государственных структурах она не получила. На одной из последних конференций в Гонконге китайская делегация составляла 60 человек, от России не было никого. Это характерный пример отсутствия внимания государства к этой проблеме.

− Насколько мы отстаем или еще держимся на каком-то уровне?

− В нейрокомпьютерах есть несколько разделов. Теория нейронных сетей, или нейроматематика, - это раз, нейросетевые алгоритмы решения задач - это два, нейрочипы - это три, и нейрокомпьютерные применения - это четыре. Четыре основных кита.

Мы резко отстаем в сфере применения, в четвертом разделе. Отстаем резко, потому что, с нашей точки зрения, в промышленности не развиваются высокие технологии. Как следствие, не формулируются сложные задачи. Потому-то и слаба потребность в нейрокомпьютерах. В мире все идет наоборот: имеет место широкая сфера применения нейрокомпьютеров, в том числе и в Китае, поэтому там формулируются сложные задачи, недоступные обычным персональным ЭВМ, и, как следствие, возникает значительный рынок нейрокомпьютеров.

Мы отстаем и по нейрочипам. Причина та же − нет спроса. Я объездил, обошел многие министерства, промышленные объекты - предлагал переходить на нейротехнологии, объяснял все плюсы и преимущества. Полная апатия! Директора изо всех сил стараются выжать из оборудования последнее, ни о какой модернизации никто и не помышляет. Ссылаются, как правило, на отсутствие денег и на другие различные трудности. Так и получается, что никому в нашей стране высокие технологии не нужны, следовательно, нет нужды и в нейрокомпьютерах.

Есть и другая причина отставания - это слабость нашей микроэлектроники. Если Китай вложил в электронику, в свою «силиконовую долину» в Шанхае, 12 миллиардов долларов и уже освоил топологию 0,18 микрон и осваивает 0,15 микрон, то в России несколько иная картина. Здесь мы также отстаем.

Но зато мы опережаем по первым двум позициям. Мы находимся либо на уровне, либо опережаем зарубежных специалистов и в теории нейронных сетей, и в нейросетевых алгоритмах решения математических задач. Это стандартные области, где Россия всегда опережала зарубежные страны, однако достижения эти повисают в воздухе вследствие отсутствия возможности внедрять этот интеллект.

− Расскажите, пожалуйста, о вашем научном центре.

− Центр возник 10 лет назад. Это федеральное государственное унитарное предприятие. Мы принадлежим Российскому агентству по системам управления (РАСУ), входим в концерн «Компьютерные технологии». Наши основные достижения - это разработки в интересах конкретных заказчиков, которые мы ведем.

Теперь об МФТИ. Мы считаем большим нашим достижением подготовку молодежи, поскольку молодежь определяет будущие применения и готовность к расширению сферы применения нейрокомпьютеров. Мы верим, что нейрокомпьютерное БУДУЩЕЕ придет в Россию. У нас много молодежи. Наш штат около 40 человек, небольшое предприятие. У нас большая кооперация, мы формируем и издаем, как я уже говорил, несколько десятков томов монографий по теме «Нейрокомпьютеры и их применения». Издаем журнал «Нейрокомпьютеры: разработка и применение», 12 номеров в год.

С 2000 года этот журнал под названием «Neurocomputers: design and applications» издается в США, я - главный редактор этих двух изданий. Есть у нас хорошие связи и с Академией наук, в основном наши совместные с РАН работы посвящены созданию супернейрокомпьютера, мощной вычислительной системы, которая потенциально намного превышает возможности известных терафлопных машин. Мы работаем с ведущими институтами Академии наук по таким основным проблемам, как обработка аэрокосмических изображений, управление динамическими системами, исследование генома человека, синтез лекарств и решение специальных систем дифференциальных уравнений в частных производных. Сотрудничаем и с зарубежными организациями. С Китаем, с США, с Германией, начинаем организацию сотрудничества с Южной Кореей и Вьетнамом. Только что начата работа по теме «Искусственный глаз», германо-американский консорциум подключил нас к этой работе. Цель - построение системы нейрочипов, вживляемой в глаз слепого человека через атрофированный зрительный нерв, что позволит практически слепому человеку видеть хотя бы нечеткие контуры окружающих предметов.