26. Симулиране на невронни мрежи

Два подхода на симулиране. 1 използува цифров модел на неврон и на негова основа се изгражда невронна мрежа. 2 предполага симулирането на. невронни мрежи в паралелна матрична среда от процесорни елементи от типа .Обикновено се използуват аналогови схеми. Аналоговият подход има редица недостатъци: чувствителност към околните условия и стареенето на елементите; необходимост от компенсаторни схеми и др. Тези недостатъци се избягват, ако моделът на неврона е цифров. Цифровата схема, макар и да изисква по-голям брой елементи, по-лесно се изпълнява във VlsI технология. Конструират се специализирани невро-чипове. Тяхното свързване предполага изграждането на достатъчно големи по размери невронни мрежи.

Цифров модел на неврон. Както и при реалните неврони, входът и изходът се представя чрез плътност (гъстота) на импулсната последователност. Всяка синаптична връзка трансформира входната импулсна плътност към плътност, пропорционална на нейното синаптично тегло. Тази трансформация се извършва чрез нормиращо умножение. Интегралът в последното уравнение се реализира посредством реверсивен (на сумиране и изваждане) брояч. Импулсите на възбуждащите синапси се подават към сумиращия вход, а тези от задържащите синапси - към входа на изваждане. Двоичното число на брояча изразява интегралния потенциал на неврона. Вътрешният потенциал се превръща до изходна импулсна последователност чрез нормиращо умножение. Плътността й е пропорционална на абсолютната стойност на брояча. Отрицателната обратна връзка в интегралното уравнение се реализира от схема на обратната връзка. Тя дава вътрешни импулси към сумиращия вход на брояча, ако стойността на брояча е отрицателна или към изваждащия вход, ако тя е положителна. Изходни импулси на неврона се предават, когато стойността на брояча е положителна. Всяка синаптична схема се състои от нормиращ умножи-тел и синаптичен теглови регистър. Обикновено разрядната дължина на умножителя и синаптичния регистър са еднакви. Нормиращият умножител трансформира входната импулсна плътност О до плътност, определяща се от формулата: където А е съдържанието на синаптичния регистър. Тъй като /1<2 го сн-наптичното тегло, което може да бъде изразено от нормиращия умножите.) е по-малко от единица. По същество отношението (.4/2'^) определя състоянията (или състоянието) на умножителя (на неговия регистър), които пропускат импулси към дендридната схема. Всеки синаптичен теглови регистър може да бъде директно достъпен от управляващ компютър и синап-тичните тегла могат да бъдат модифицирани динамично. Всяка дендридна схема представлява ИЛИ схема. Импулсите на възбуждащите и задържащите синапси имат еднаква полярност. За тяхното разграничаване са необходими две дендридни схеми - една за възбуждащите синапси и друга за задържащите синапси. Възбуждащата дендридна схема е свързана със сумиращия вход, а задържащата дендридна схема е свързана с изваждащия вход на брояча в схемата на тялото на неврона - фиг. 8.16с. Изходната импулсна плътност от нормиращия умножител е пропорционална на абсолютната стойност на съдържанието (двоичното число) на брояча. Импулси се предават от изхода на схемата, само ако вътрешният потенциал (числото, формирано в брояча) е положителен. Показана е обратната връзка, която отчита знака на числото в брояча.

На основата на разгледания модел на неврон в [85] е дадена схема на нейрочип. Чипът съдържа шест неврона. Те са взаимно свързани чрез възбуждащите и задържащите синапси. Два изхода има от всяка схема на неврон - съответно за възбуждащия и задържащия път. Има също две външни входни линии - едната е за възбуждащия, а другата за задържащия вход към всеки неврон. Следователно, има шест неврона с 42 възбуждащи и 42 задържащи синапса в чип. Има и интерфейсна схема за управляващ компютър. Дендридните схеми могат да бъдат свързани директно към изходните терминали, заобикаляйки невроните. При свързването на няколко чипа могат да бъдат разширени дендридните схеми към входовете на невро-ните и съответно да се увеличат синаптичните връзки към тях. Това позволява създаване на невронни мрежи с достатъчно големи размери. Може да се организира невронно-мрежова платка, управлявана от главен компютър. Този компютър има достъп до всички реверсивнц броячи и регистри и може да установява и изменя стойностите им. Следователно, той може да управлява активацията на невроните и синаптичните тегла и да извърши обучение на невронната мрежа, включително и реализиране на алгоритъма на обучение с обратно разпространение на грешката (ВРА). За да се поддържа преносимост на симулационните програми за невронните мрежи.

'системното програмно осигуряване се организира йерархично в четири слоя: приложен, макро, микро и физически. Приложният слой осигурява симулиращите програми, които зависят от структурата на мрежата и обучаващия алгоритъм. Макрослоят осигурява свързването в невронната мрежа, инициализацията и достъпът до съответните регистри на мрежата. Този слой дава интерфейса независимо от компютърната система и невронно-мрежовия хардуер. Микрослоят отчита особеностите на физическото ниво, а именно конкретната компютърна система и конкретния неврон но-мрежов

хардуер.

По-голяма гъвкавост и бързодействие предполага симулирането на невронни мрежи в процесорна матрична среда от типа на фиг. 8.9. В конкретна такава среда, а именно на основата на ААР-2, Уа1апаЬе и др. [116] предлагат механизми за симулиране на невронни мрежи. Те реализират алгоритъма на обучение с обратно разпространение на грешката. Най-напред се определя топологията на мрежата. Приема се пълно свързан мрежов модел, като броят на входните, вътрешните и изходните елементи е еднакъв. Всеки РЕ асоциира тегла на връзките между елементите, т.е. симулира самите връзки. Конкретното асоцииране предполага безконфликтен, паралелен трансфер на данни. Структурата на данните съответствува на мрежовото свързване на РЕ. Операции на вълново сумиране могат да бъдат извършени по всеки ред или стълб от процесорни елементи чрез изменение посоките на трансфер. Вълновото реализиране на операции и предаване на данни осигурява голямо бързодействие. Симулирането се извършва в универсална паралелна среда, която се използува за решаването на много други задачи. Очевидно е, че този подход на симулиране на невронни мрежи е достатъчно гъвкав и бърз.