Распродажа

Электронные компоненты со склада по низким ценам, подробнее >>>

Содержание ChipNews

2003: 
1, 2, 3, 4, 5, 6, 7, 8, 9, 10
2002: 
1, 5, 6, 7, 8, 9
2001: 
1, 2, 3, 4, 5, 6, 7, 8, 9, 10
2000: 
1, 2, 3, 4, 5, 6, 7, 8, 9, 10
1999: 
1, 2, 3, 4, 5, 6, 7, 8, 9, 10

Новости электроники

Мне нравится

Комментарии

дима пишет в теме Параметры биполярных транзисторов серии КТ827:

люди куплю транзистар кт 827А 0688759652

тамара плохова пишет в теме Журнал Радио 9 номер 1971 год. :

как молоды мы были и как быстро пробежали годы кулотино самое счастливое мое время

Ивашка пишет в теме Параметры отечественных излучающих диодов ИК диапазона:

Светодиод - это диод который излучает свет. А если диод имеет ИК излучение, то это ИК диод, а не "ИК светодиод" и "Светодиод инфракрасный", как указано на сайте.

Владимир пишет в теме 2Т963А-2 (RUS) со склада в Москве. Транзистор биполярный отечественный:

Подскажите 2т963а-2 гарантийный срок

Владимир II пишет... пишет в теме Параметры биполярных транзисторов серии КТ372:

Спасибо!

Окончание. Начало в #6 за 2000 г.

В. Шахнов, А. Власов, А. Кузнецов

Нейрокомпьютеры- архитектура и реализация. Часть 2. Элементная база нейровычислителей

Нейрочипы: анализ и сравнительные характеристики

    Основной элементной базой перспективных нейровычислителей являются нейрочипы. Их производство ведется во многих странах мира, причем большинство из них на сегодня ориентированы на закрытое использование (то есть создавались для конкретных специализированных управляющих систем). Основные характеристики коммерчески доступных нейрочипов приведены в табл. 1 [1-4].

    Прежде чем перейти к рассмотрению наиболее интересных нейрочипов, остановимся на их классификации.

    По способу представления информации нейрочипы можно разделить на цифровые, аналоговые и гибридные.

    По типу реализации нейроалгоритмов: нейрочипы с полностью аппаратной реализацией и с программно-аппаратной (когда нейроалгоритмы хранятся в ПЗУ).

    По характеру реализации нелинейных преобразований: на нейрочипы с жесткой структурой нейронов (аппаратно реализованные) и нейрочипы с настраиваемой структурой нейронов (перепрограммируемые).

    По возможностям построения нейросетей: нейрочипы с жесткой и переменной нейросетевой структурой.

    Обобщенная классификация нейрочипов приведена на рис. 1.

Обобщенная классификация нейрочипов

Рис. 1. Обобщенная классификация нейрочипов

    В отдельные классы следует выделить так называемые систолитические и нейросигнальные процессоры.

    Систолические процессоры (процессорные матрицы) - это чипы, как правило, близкие к обычным RISC-процессорам и объединяющие в своем составе некоторое число процессорных элементов. Вся же остальная логика, как правило, должна быть реализована на базе периферийных схем.

    У нейросигнальных процессоров ядро представляет собой типовой сигнальный процессор, а реализованная на кристале дополнительная логика обеспечивает выполнение нейросетевых операций (например, дополнительный векторный процессор и т.п.).

    Разработка нейрочипов ведется во многих странах мира. На сегодня [2] выделяют две базовые линии развития вычислительных систем с массовым параллелизмом (ВСМП): ВСМП с модифицированными последовательными алгоритмами, характерными для однопроцессорных фоннеймановских алгоритмов и ВСМП на основе принципиально новых сверхпараллельных нейросетевых алгоритмов решения различных задач (на базе нейроматематики).

    Расшифровка базовых показателей производительности: CUPS, CPS, CPSPW, CPPS и MMAC - приведена в предыдущей чаcти обзора.

Таблица 1. Характеристики нейрочипов

Наименование Фирма-изготовитель Разрядность, бит Максималь-ное количество синопсов* Максималь-ное число слоев* Примечание
MA16 Siemens 48 (умножители и сумматоры) - - 400 MMAC
NNP (Neural Networks Processor) Accurate Automation Nx16 - - MIMD, N - число процессоров
СNAPS-1064 Adaptive Solutions 16 128 Кбайт 64  
100 NAP Chip HNC 32 512 Кбайт 4 Плав. арифм. 4 процессорных элемента
Neuro Matrix NM6403, Такт. частота 50 МГц Модуль, Россия 64 (вект.процессор), 32 RISC-ядро 4096 шт. 24 Совместим с портами TMS320C4x
Neuro Matrix NM6404, Такт. частота 133 МГц Модуль, Россия 64 (вект.процессор), 32 RISC-ядро 4096 шт. 48 Совместим с портами TMS320C4x
CLNN 32
CLNN 64
Bellcore 32
64
496
1024
32 нейрона 108 перекл./с
2х108 перекл./с
NC 3001 NeuriGam 16 4096 шт. 32  
ZISC 036 (Zero Instruction Set Computer) IBM 64 разр. входного вектора - 36 нейронов Частота 20 МГц, векторно-прототипный нейрочип
ETANN 80170NW Intel 64 входа Два банка весов 64х80 64 нейрона в слое, 3 слоя Аналоговая
MD-1220 Micro Devices 16 64 шт. 8 8 нейронов
MT 19003 - Neural Instruction Set Processor Micro Circuit Engineering (MCE) 16 разр. умножитель, 35-разр. сумматор - 1 RISC МП 7 спец. командами
Neuro Fuzzu National Semiconductor - - -  
NI 1000 Nestor 5-16 (одного нейрона) - 1024 прототипных, 256 марных векторов Векторно-прототипный нейрочип
NLX420 (NLX 110, 230) Adaptive Logic 16 1 Мбайт 16 16 процессорных элементов
OBL Chip Oxford Computer 16 16 Мбайт -  
L-Neuro 1.0
L-Neuro 2.3
Philips 16
16

1536
16 нейронов
192 (12х16)
26 МГц
60 МГц
RSC (Speech Recognition Chip) -164 Sensory Circuits - - -  
ORC 110xx (Object Recognizer Chip) Synaptics - - -  
Pram-256 Chip UCLi Ltd. 8 (одного нейрона) - 256 нейронов 33 МГц
SAND Datafactory 16 - 4 200 MCPS
ACC   16 - -  
Геркулес Россия 16 1 Мбайт 64  
Neuro Classifier Университет Твента, DESY 70 вх.нейронов - 6 (внутр) 1 вх., 1 вых. 2х1010 перекл./с
ANNA AT&T Число нейронов 16-256 4096 весов - Число входов у нейрона 256-16
WSC (Wafer Scale Integration) Hitachi - 64 связи на нейрон 576 нейронов  
SASLM2 Mitsubishi 2 (одного нейрона) - 4096 (64х64) нейронов 50 МГц
TOTEM Kent (Univer UK), di Trento (Italy) 16 (одного нейрона) - 64 нейрона 30 МГц
Neuron 3120,
Neurom 3150
Echelon (США) 8 бит (шина данных) - - Наличие параллельных, последова-тельных и коммуника-ционных портов

    * ) - максимальное число синапсов определяет размер внутрикристальной памяти весов.

    ** ) - максимальное число слоев определяется числом операций умножения с накоплением, выполняемых за один такт для операндов длиной 8 бит.

Нейросигнальный процессор NEUROMATRIX NM6403 (фирма "Модуль", Россия)

    Основой NeuroMatrix NM6403 является процессорное ядро NeuroMatrixCore (NMC), которое представляет собой синтезабильную модель высокопроизводительного DSP-процессора с архитектурой VLIM/SIMD (язык Ver ilog). Ядро состоит из двух базовых блоков: 32-бит RISC-процессора и 64-бит векторного процессора, обеспечивающего выполнение векторных операций над данными переменной разрядности (патент РФ.N2131145). Имеются два идентичных программируемых интерфейса для работы с внешней памятью различного типа и два коммуникационных порта, аппаратно совместимых с портами ЦПС TMS320C4x, для возможности построения многопроцессорных систем.

    Основные характеристики:

    RISC-ядро:

    VECTOR-сопроцессор:

    Производительность:

    I/O и интерфейсы с памятью:

    Базовыми для нейропроцессора являются вычисления вида: Zi = f (Yi) = = f ( Ui + е( Xj Wij), (i = 1,...,M; j = 1,...,N) , где Zi - выходной сигнал i-ro нейрона, Xj - j-й входной сигнал слоя, Ui - смещение i-ro нейрона, Wij - весовой коэффициент j-го входа 1-го нейрона, Yi - сумма взвешенных входов i-го нейрона, f - функция активации, N - количество входных сигналов слоя, М - количество нейронов в слое. Операнды Zi , Xi , Ui и Wij представлены в дополнительном параллельном коде и могут иметь произвольную разрядность. Основными особенностями данного нейропроцессора являются:

    Технические характеристики:

    Нейропроцессор, благодаря своей универсальности, сможет применяться как базовый элемент для плат нейроускорителей PC, для создания нейрокомпьютерных параллельных вычислительных систем большой производительности, а также для аппаратной поддержки операций над матрицами большой размерности и в задачах цифровой обработки сигналов. Нейропроцессор используется в нейроускорителях фирмы "Модуль" (Россия) [5].

Процессор NeuroMatrix╝ NM6404

    NeuroMatrix╝ NM6404 [5] представляет собой высокопроизводительный DSP-ориентированный RISC-микропроцессор. В его состав входят два основных блока: 32-разрядное RISC-ядро и 64-разрядное VECTOR-сопроцессор для поддержки операций над векторами с элементами переменной разрядности. NM6404 по системе команд совместим с предыдущей версией NM6403. Имеются два идентичных программируемых интерфейса для работы с внешней памятью различного типа и два коммуникационных порта, аппаратно совместимых с портами ЦПС TMS320C4x, для возможности построения многопроцессорных систем.

    Особенности:

    RISC-ядро:

    VECTOR-сопроцессор:

    Производительность:

NNP (Accurate Automation Corp.)

    Процессор NNP (Neural Networks Processor ) построен по MIMD-архитектуре, то есть состоит из нескольких миниатюрных процессоров, работающих параллельно. Каждый из них представляет собой быстрый 16-разрядный вычислитель с памятью для хранения синаптических весов. Процессор имеет всего 9 простых команд. Процессоры на кристалле связаны друг с другом локальной шиной. NNP создан в коммерческих целях и доступен на рынке.

    В комплект поставки процессора включены средства разработки программ, а также библиотека подпрограмм с реализованными нейросетевыми алгоритмами, такими как сети Хопфилда, сети Кохенена и другими.

    Процессор выпускается на платах под шины ISA, VME. Производительность: 140 MCPS - для однопроцессорной системы и 1,4 GCPS - для 10-процессорной системы.

Нейропроцессор МА16 (Siemens)

    МА16 изготовлен по 1-мкм КМОП-технологии, состоит из 610 тыс. транзисторов и выполняет до 400 млн. операций умножения и сложения в секунду. Используется в качестве элементной базы нейрокомпьютера Synaps 1 и нейроускорителей Synaps 2 и Synaps 3 (распространяемых сегодня на рынке французской фирмой TIGA TECHNOLOGIES).

    МА16 представляет собой программируемый каскадируемый процессор для векторных и матричных операций. Он поддерживает на аппаратном уровне следующие операции:

    Процессор содержит 4 идентичных процессорных элемента, работающих параллельно. Входные данные имеют точность 16 бит, тактовая частота - 50 мГц. Для операций матричного умножения/сложения скорость вычислений достигает 8╢10 8 операций/с. Программное обеспечение работает в среде UNIX/XWIND и реализовано на C++. Нейронная сеть тоже описывается на С++ или может вводится интерактивно с помощью графического интерфейса типа OSF/Motif, что позволяет визуализировать конфигурацию чипа после отображения на него структуры сети. Хорошо развиты средства тестирования и эмуляции. С 1995 года МА16 является коммерчески доступным продуктом.

Функциональная схема МА16

Рис. 2. Функциональная схема МА16

MD1220 (Micro Devices)

    Цифровой нейрочип MD1220 фирмы MICRO DEVICES содержит 8 нейронов с 8 связями и 16-разрядные сумматоры. Во внутрикристальной памяти хранятся 16-разрядные веса. Входы имеют одноразрядные последовательные умножители с продолжительностью такта 7,2 мкс. Средняя производительность - около 9 MCPS.

L-Neuro (Philips)

    Нейропроцессор L-Neuro фирмы PHILIPS - один из первых нейропроцессоров. На сегодня широко известны две его модификации: L-Neuro 1.0 и L-Neuro 2.3. Вторая версия имеет 12 слоев, а первая - один слой из 16 одноразрядных, или двух 8-разрядных, или 4 4-разрядных, или двух 8-разрядных процессорных элементов, то есть имеет возможность работать в мультиразрядном режиме. На кристалле реализован 1 Кбайт памяти для хранения 1024 8-разрядных или 512 16-разрядных весов. Гибкая каскадируемая структура нейрочипа позволяет использовать его при реализации различных нейросетевых парадигм. При реализации 64 8-разрядных процессорных элементов средняя производительность составляет 26 MCPS (32 MCUPS).

NLX-420 (NeuroLogix)

    Каждый из 16 процессорных элементов нейрочипа NLX-420 фирмы NEUROLOGIX содержит 32-разрядный сумматор, логику параллельного выполнения 16 умножений. Средняя производительность - 300 MCPS. Также имеется возможность каскадирования и мультиразрядных вычислений.

СБИС ETANN 80170NX (INTEL)

    Аналоговая СБИС ETANN 80170NX фирмы INTEL содержит 64 входа, 16 внутренних уровней и 64 нейрона (пороговый усилитель с сигмоидной передаточной функцией). Каждый вход соединен с 64 синапсами. Передаточная функция нейрона в СБИС близка к сигмоиде.

    Усиление передаточной функции определяет чувствительность нейрона. Низкое значение усиления позволяет интерпретировать выход нейрона как аналоговый, а высокое - как цифровой. Максимальное значение выхода нейрона определяется напряжением Vrefo . Веса ограничены интервалом [-2,5, 2,5]. Скорость прохождения сигнала по одному слою зависит от усиления и примерно равна 1,5 мкс, что и определяет быстродействие. Точность выполнения операций примерно эквивалентна 6 бит, быстродействие - 1,3-109 переключений/с. Обучение выполняется методом Back Propagation с помощью Intel Neural Network Training System (INNTS). Применяемое системное окружение представляет собой специальную версию пакета DynaMind. Обучение выполняется до получения приемлемого уровня ошибки выхода сети, и после достижения удовлетворительной работы веса загружаются в СБИС. Для реальной работы такого обучения недостаточно, так как программа симуляции не может точно смоделировать аналоговую работу СБИС и, например, не отслеживает флуктуации в передаточной функции каждого нейрона. Поэтому следующий этап обучения представляет собой так называемый chi p-in-loop (CIL) training, когда после каждого цикла веса записываются в СБИС, и выход сети непосредственно используется в процессе обучения. Точность ETANN - 5-6 разрядов для весов и выходов.

    Поскольку ETANN представляет собой аналоговую СБИС, то для ее надежной работы важны стабильные внешние условия. Специально сконструированный для этого модуль обеспечивает низкую пульсацию источника питания < 5 мВ (напряжение питания 5 В) и температурную стабильность при 18С < 1С. Потребляемая мощность ETANN - 5 Вт.

СБИС CLNN32/CLNN64 (Bellcore)

    Гибридный нейрочип CLNN32 состоит из 32 нейронов и 496 двунаправленных адаптивных синапса. CLNN64 содержит только 1024 адаптивных синапсов. В наборе CLNN32/CLNN64 все нейроны взаимосвязаны, так что любая топология сети отображается подбором синапсов. Динамика сети полностью аналоговая, но значения синапсов хранятся/обновляются в цифровом виде с точностью 5 бит. На аппаратном уровне реализовано обучение сети - подбор весов происходит по алгоритму обучения машины Больцмана или Mean Field. Внутри также имеется некоррелированный генератор шума (32 канала), используемый при обучении по методу машины Больцмана. CLNN32 может быть использован независимо или совместно с CLNN64 для построения более сложной архитектуры сети. Производительность достигает 108 переключений/с (при работе с CLNN64 - удваивается). Для CLNN32 это означает, что примерно 105 32-бит образцов/с или 32 аналоговых канала (с полосой пропускания 50 кГц) могут быть использованы для быстрого распознавания/обучения. Время распространения для одного слоя нейронов < 1 мкс. "Охлаждение" (по методу Больцмана) или MF-обучение требует 10-20 мкс. По сравнению с ETANN, СБИС CLNN32 имеет следующие очевидные преимущества:

СБИС ANNA (AT&T)

    Другим примером реализации гибридного нейрочипа является нейрочип ANNA фирмы AT&T. Логика нейрочипа - цифровая, хранение весов - аналоговое (на элементах динамической (конденсаторной) памяти). Чип содержит 4096 весов, максимальное число нейронов - 256. Точность весов - 6 разрядов, для однослойной сети 64x64 производительность достигает 2,1 GCPS.

СБИС NeuroClassifier

    Аналоговая СБИС NeuroClassifier создана в университете Твенте совместно с фирмой DESY. Ее архитектура состоит из входного слоя (70 входов, полоса пропускания - до 4 Гбайт/с), шести внутренних слоев и одного выходного нейрона. Точность аналогового умножения - 5 бит, время решения - всего лишь 20 нс, что позволяет использовать NeuroClassifier в триггере первого уровня. Эквивалентное быстродействие - примерно 2x1010 переключений/с.

SAND/1 (Datafactory)

    Компания DATAFACTORY (бывшая INCO) выпустила на рынок SAND/1 (Simple Applicable Neural Device). SAND/1 представляет собой каскадно соединенные систолические процессоры, оптимизированные для быстрого решения задач в нейросетевом базисе. Производительность одного процессора составляет 200 MCPS (миллионов связей в секунду). Процессор имеет 4 16-бит потока и 40-бит сумматор. SAND/1 был разработан Исследовательским центром в Карлсруе и Институтом микроэлектроники Штутгарта.

N64000 (Inova)

    Этот нейрочип фирмы INOVA SIMD-архитектуры относится так же, как и предыдущий, к классу систолических нейропроцессоров. Он содержит 80 процессорных элементов, из которых 64 образуют основную матрицу, а 16 являются резервом, 4 Кбайт памяти весов и 32 регистра общего назначения. Арифметический модуль процессора имеет 9 параллельных 16-разрядных умножителя и один 32-разрядный сумматор.

100 NAP (Hecht-Nielson Computer)

    Другой систолический нейрочип 100 NAP фирмы HECHT-NIELSON COMPUTER содержит 4 32-разрядных процессорных элемента с плавающей точкой. Средняя производительность - около 150 MFLOPS, адресуемое адресное пространство внекристальной памяти - 512 Кбайт.

MT19003 (Micro Circuit Engineering)

    Нейрочип MT19003 фирмы MICRO CIRCUIT ENGINEERING также относится к классу систолических нейропроцессоров. Основой архитектуры является RISC-ядро с семью специальными командами, 16-разрядный векторный умножитель и 32-разрядный сумматор, внутрикристальная память для хранения весов отсутствует. Точность входов и весов - 13 разрядов. Средняя производительность - 50 MCPS.

NEURON (Echelon)

    Нейропроцессор NEURON ориентирован на создание кластерно-параллельных вычислительных систем. Программно-алгоритмическое обеспечение по управлению кластерной структурой реализовано внутри кристала. Предложенная архитектура кристала стала в настоящее время основой стандарта ANSI/EIA 709.1-1999 построения различных АСУ технологическими процессами [2].

    В семействе нейрочипов NEURON выделяют: NEURON 3120 и NEURON 3150. Структурная схема NEURON 3150 приведена на рис. 3.

Структурная схема нейрочипа NEURON 3150 фирмы ECHELON (США)

Рис. 3. Структурная схема нейрочипа NEURON 3150 фирмы ECHELON (США)

    Кристал содержит 2К динамической памяти для хранения весов и данных, 512 байт (EEPROM) для размещения управляющих программ. Для выполнения специализированных сетевых и управляющих операций в структуре кристала имеется два спецвычислителя: Applications CPU и Network CPU. Так же следует отметить широкие коммуникационные возможности, реализованные на кристалле.

ZISC036 (IBM)

    Нейрочип ZISC036 (Zero Instructions Set Computer ) фирмы IBM относится к нейрочипам векторно-прототипной архитектуры, то есть алгоритм обучения строится на соотношении входного вектора и запомненных прототипных векторов весов входов нейронов. Он содержит 36 нейронов. Ориентирован на решение широкого круга задач, в том числе, задач распознавания образов и классификации. Каждый нейрон представляет собой независимый процессор.

    ZISC способен решать и задачи в реальном масштабе времени (рис. 4).

Функциональная схема процессора ZISC

Рис. 4. Функциональная схема процессора ZISC

    Характеристики ZISC036:

    Для увеличения производительности фирма IBM разработала ISA и PCI модули параллельно работающих ZISC-процессоров.

    Подводя итоги, приведем сводные данные по производительности некоторых наиболее интереснных нейропроцессоров (табл. 2).

Таблица 2*

Наименование нейрочипа Конфигурация CPS CPSPW CPPS CUPS
NLX420 32-16, 8-бит режим 10М 20К 640М -
100 NAP 4 chips, 2M wts, 16 бит мантисса 250М 125 256G 64M
WSI (Hitachi) 576 нейронов сети Холфилда 138М 3,7 10G -
N64000 (Inova) 64-64-1, 8-бит режим 871M 128K 56G 220M
MA16 1 chip, 25 МГц 400М 15М 103G -
ZISC036 64, 8-бит входной вектор - - - -
MT19003 4-4-1-, 32 МГц 32М 32М 6,8G -
MD1220 8-8 9M 1M 142M -
NI 1000 256 5-бит входной вектор 40 000 vec in sec/ - - -
L-neuro-1 1-chip, 8-бит режим 26M 26K 1,6G 32M
NM6403 8-бит режим, 50 МГц 1200М 150М 77G -

    * ) в таблице приведены средние округленные показатели производительности.

    В третьей части обзора мы перейдем к анализу вопросов структурно-функционального построения конкретных нейроускорителей и нейрокомпьютеров.

Литература

  1. Проблемы построения и обучения нейронных сетей / под ред. А.И. Галушкина и В.А. Шахнова. - М.: Издво Машиностроение. Библиотечка журнала Информационные технологии ╧1. - 1999. - 105 с.
  2. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80- и 90-е годы)// Нейрокомпьютер. - 2000. - ╧ 1. - С. 68-82.
  3. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. - Новосибирск: Наука. Сибирская издательская фирма РАН. 1996. ┼ 276 с.
  4. http://neurnews.iu4.bmstu.ru.
  5. http://www.module.ru.

vlasov@chat.ru







Ваш комментарий к статье
Нейрокомпьютеры- архитектура и реализация. Часть 2. Элементная база нейровычислителей :
Ваше имя:
Отзыв: Разрешено использование тэгов:
<b>жирный текст</b>
<i>курсив</i>
<a href="http://site.ru"> ссылка</a>