Mạng lưới thần kinh nhân tạo sẽ thay thế bộ xử lý thông thường? Liệu bộ xử lý di động thần kinh có trở thành cột mốc mới trong sự phát triển của công nghệ trí tuệ nhân tạo?

công ty trung quốc Huawei công bố Redmi 970 - chipset đầu tiên có chip chuyên dụng bộ xử lý thần kinh(NPU). Theo chân người Trung Quốc, Apple trình diễn A11 Bionic của mình mẫu iPhone 8, 8 Plus và X. Con chip này, cùng với những thứ khác, hỗ trợ công nghệ Neural Engine, theo đại diện của công ty, “được thiết kế đặc biệt cho học máy" Gần đây, Qualcomm đã giới thiệu chip Snapdragon 845, có thể chuyển các tác vụ liên quan đến trí tuệ nhân tạo sang các lõi cụ thể. Không có sự khác biệt cụ thể trong cách tiếp cận của các công ty. Tất cả phụ thuộc vào có sẵn cho các nhà phát triển mức độ kiểm soát cốt lõi và hiệu quả sử dụng năng lượng của chip.

Nhưng những con chip mới có thực sự khác biệt đáng kể so với những con chip tương tự hiện có trên thị trường không và nếu có thì sự khác biệt của chúng là gì? Câu trả lời cho điều này có thể được đưa ra bằng thuật ngữ thường thấy trong các báo cáo về trí tuệ nhân tạo - “điện toán không đồng nhất”. Nó áp dụng cho các bộ xử lý sử dụng các tính năng hệ thống chuyên dụng để cải thiện hiệu suất hoặc giảm mức tiêu thụ điện năng. Cách tiếp cận này đã được thực hiện nhiều lần trong các thế hệ chip trước. Mới bộ xử lý di động họ chỉ đơn giản sử dụng khái niệm này với một số biến thể.

Phát triển tự nhiên?

TRONG thế hệ gần đây bộ xử lý tích cực sử dụng công nghệ ARM Big .Little. Nó kết hợp các lõi chậm, tiết kiệm năng lượng với các lõi hiệu suất cao hơn nhưng tiêu thụ năng lượng cao. Ý tưởng là giảm lượng năng lượng để tăng tính tự chủ của thiết bị. Năm ngoái, chip thần kinh đã tiến thêm một bước theo hướng này, bổ sung thêm một phần tử riêng biệt để xử lý các tác vụ trí tuệ nhân tạo hoặc trong trường hợp sử dụng các lõi năng lượng thấp riêng biệt cho tác vụ này.

Bộ xử lý di động A11 Bionic của Apple sử dụng Neural Engine kết hợp với chip đồ họa để tăng tốc Face ID, Animoji và tăng tốc một số ứng dụng không phải bản địa. Khi người dùng chạy các tiến trình này trên iPhone mới, con chip này bao gồm một Neural Engine để xử lý khuôn mặt của chủ sở hữu hoặc chiếu nét mặt của người đó lên một bức ảnh hoạt hình.

NPU đảm nhận chức năng quét và dịch các từ trong hình ảnh thu được từ sử dụng Microsoft Người phiên dịch. Tuy nhiên, hiện nay chương trình này là chương trình duy nhất ứng dụng của bên thứ ba, làm việc với thích nghi nhà sản xuất Trung Quốc công nghệ. Theo Huawei, công nghệ mới HiAI tăng tốc hầu hết các thành phần của chipset và có khả năng thực hiện nhiều tác vụ hơn so với các NPU khác.

Những chân trời mới

Khi được xem xét riêng biệt, công nghệ này cho phép thực hiện trực tiếp trên thiết bị những tác vụ đã được xử lý trước đó bằng giải pháp đám mây của bên thứ ba với hiệu quả không kém. Với sự trợ giúp của các thành phần mới, một chiếc điện thoại được trang bị những con chip như vậy sẽ có thể hoạt động hành động nhiều hơnđồng thời. Điều này sẽ ảnh hưởng đến nhiều khía cạnh hoạt động của thiết bị, từ việc giảm thời gian dịch cho đến tìm kiếm ảnh bằng hashtag nội bộ. Đồng thời chuyển việc thực hiện các quy trình đó trực tiếp sang điện thoại thông minh thay vì sử dụng giải pháp đám mây sẽ có tác động tích cực đến bảo mật và quyền riêng tư, giảm nguy cơ tin tặc lấy được dữ liệu người dùng.

Một lần nữa tâm điểm Mối quan tâm chính của các chip mới là mức tiêu thụ điện năng, bởi năng lượng là nguồn tài nguyên quý giá cần được phân bổ hợp lý, đặc biệt khi thực hiện các nhiệm vụ lặp đi lặp lại. Chip đồ họa muốn sử dụng hết pin dự trữ rất nhanh, vì vậy việc giảm tải các quy trình của họ cho DSP có thể là một giải pháp tốt.

Trên thực tế, bản thân bộ xử lý di động không thể đưa ra quyết định một cách độc lập về việc lõi nào cần được sử dụng khi thực hiện một số tác vụ nhất định. Điều này phụ thuộc vào việc các nhà phát triển và nhà sản xuất thiết bị sử dụng thư viện được bên thứ ba hỗ trợ cho việc này. và tích cực tích hợp các giải pháp như TensorFlow Lite và Facebook Caffe2. Qualcomm cũng hỗ trợ Open Neural Networks Exchange (ONNX) mới và Apple gần đây đã bổ sung khả năng tương tác cho nhiều mô hình học máy mới trong hệ thống của mình. Khung ML lõi.

Than ôi, bộ xử lý di động mới vẫn chưa mang lại bất kỳ lợi thế đặc biệt nào. Các nhà sản xuất đã được đo lường bằng kết quả thử nghiệm của chính họ và điểm chuẩn. Nhưng không có sự hòa nhập chặt chẽ với môi trường người dùng hiện đại Trên thực tế, những chỉ số này không có nhiều ý nghĩa. Bản thân công nghệ này đang ở giai đoạn phát triển rất sớm và các nhà phát triển sử dụng nó vẫn còn ít và rải rác.

Trong mọi trường hợp, mọi công nghệ mới đều mang lại lợi ích cho người dùng, dù đó là tăng năng suất hay cải thiện hiệu quả sử dụng năng lượng. Các nhà sản xuất rất nghiêm túc trong việc đầu tư thời gian và tiền bạc vào việc phát triển chip thần kinh, điều đó có nghĩa là các bộ xử lý di động trong tương lai sẽ có thể cung cấp danh sách nhiệm vụ rộng hơn nhiều liên quan đến trí tuệ nhân tạo.

Tập đoàn IBM đã vượt qua bước tiếp theo trong việc tạo ra con chip dành cho siêu máy tính tương lai - con chip thần kinh hoạt động dựa trên nguyên lý bộ não con người. Điểm đặc biệt của con chip này là nó có khả năng tự học và tiêu thụ năng lượng ít hơn hàng trăm nghìn lần so với các bộ vi xử lý thông thường. Con chip mới đã có thể phân tích thông tin trực quan, được xác nhận bởi kết quả thử nghiệm.

Số đông máy tính hiện đại sắp xếp theo nguyên tắc kiến ​​trúc von Neumann. Nó dựa trên việc lưu trữ chung dữ liệu và lệnh, trong khi bề ngoài chúng không thể phân biệt được: cùng một thông tin có thể trở thành dữ liệu, lệnh hoặc địa chỉ, tùy thuộc vào cách truy cập. Chính nguyên lý hoạt động này của kiến ​​trúc von Neumann đã tạo ra nhược điểm đáng kể của nó - cái gọi là nút thắt cổ chai (hạn chế băng thông giữa bộ xử lý và bộ nhớ). Bộ xử lý liên tục bị buộc phải chờ dữ liệu cần thiết, vì bộ nhớ chương trình và bộ nhớ dữ liệu không thể được truy cập cùng lúc: xét cho cùng, chúng được lưu trữ trên cùng một bus.

Vấn đề này đã được giải quyết bởi lập trình viên người Mỹ Howard Aiken, tác giả cuốn kiến ​​trúc Harvard. Nó khác với kiến ​​trúc von Neumann ở chỗ dữ liệu và dòng lệnh được tách biệt về mặt vật lý, cho phép bộ xử lý đồng thời đọc hướng dẫn và truy cập dữ liệu, cải thiện tốc độ của máy tính. Mặc dù vậy, vào cuối những năm 1930, trong cuộc thi phát triển máy tính dành cho pháo binh hải quân do chính phủ Mỹ công bố, kiến ​​trúc von Neumann đã giành chiến thắng do dễ thực hiện.

Sau này nó trở thành khả năng sáng tạo hệ thống lai, kết hợp những ưu điểm của cả hai kiến ​​trúc. Tuy nhiên, với sự phát triển của lập trình, tâm trí của các nhà khoa học bắt đầu bị chiếm lĩnh bởi ý tưởng tạo ra hệ thống thần kinh nhân tạo: các bộ xử lý được kết nối và tương tác với nhau, hoạt động theo nguyên tắc hoạt động của các tế bào thần kinh của cơ thể sống. sinh vật. Điểm đặc biệt của những hệ thống như vậy là chúng không được lập trình mà được đào tạo.

Khái niệm mạng nơ-ron nhân tạo nảy sinh khi nghiên cứu hoạt động của mạng nơ-ron sinh học - một tập hợp các mạng nơ-ron được kết nối với nhau hệ thần kinh tế bào thần kinh thực hiện các chức năng sinh lý cụ thể. Mỗi nơron được kết nối với một số lượng lớn những người khác, nơi các tế bào thần kinh tiếp xúc với nhau được gọi là khớp thần kinh, có nhiệm vụ truyền các xung thần kinh giữa các tế bào.

Những người tiên phong trong việc tạo ra mạng lưới thần kinh nhân tạo là người Mỹ Warren McCulloch và Walter Pitts. Vào đầu những năm 1940, các nhà khoa học đã phát minh ra một mô hình não bộ xem tế bào thần kinh như một thiết bị vận hành một cách đơn giản. số nhị phân. Mạng lưới các “tế bào thần kinh” điện tử mà họ phát minh về mặt lý thuyết có thể thực hiện các phép toán số hoặc logic ở bất kỳ mức độ phức tạp nào. Những nền tảng lý thuyết mới về cơ bản cho mô hình não bộ như vậy đã đặt nền tảng cho sự phát triển tiếp theo của công nghệ thần kinh và bước tiếp theođã không bắt tôi phải chờ đợi.

Vào năm 1949, Donald Hebb đã đề xuất thuật toán làm việc đầu tiên để đào tạo các hệ thống thần kinh nhân tạo và vào năm 1958, Frank Rosenblatt đã tạo ra máy tính thần kinh đầu tiên “Mark-1”. Máy tính này được xây dựng trên cơ sở perceptron, một mạng lưới thần kinh được Rosenblatt phát triển ba năm trước.

Một trong những lĩnh vực hứa hẹn nhất để phát triển các kiến ​​trúc cơ bản mới hệ thống máy tính liên quan chặt chẽ đến việc tạo ra một thế hệ máy tính mới dựa trên các nguyên tắc xử lý thông tin được nhúng trong mạng lưới thần kinh nhân tạo(NS). Công việc thực tế đầu tiên về mạng nơ-ron nhân tạo và máy tính nơ-ron bắt đầu từ những năm 40 và 50. Mạng nơ-ron thường được hiểu là một tập hợp các bộ chuyển đổi thông tin cơ bản gọi là “nơ-ron”, được kết nối với nhau theo một cách nhất định bằng các kênh trao đổi thông tin “kết nối khớp thần kinh”.

nơ-ron về bản chất, là một bộ xử lý cơ bản được đặc trưng bởi trạng thái đầu vào và đầu ra, hàm truyền (chức năng kích hoạt) và bộ nhớ cục bộ. Trạng thái của các nơ-ron thay đổi trong quá trình hoạt động và tạo thành bộ nhớ ngắn hạn của mạng nơ-ron. Mỗi nơ-ron tính toán tổng trọng số của các tín hiệu đến nó thông qua các khớp thần kinh và thực hiện một phép biến đổi phi tuyến trên nó. Khi được gửi qua các khớp thần kinh, tín hiệu sẽ được nhân với một hệ số trọng số nhất định. Việc phân bổ các hệ số trọng số chứa thông tin được lưu trữ trong trí nhớ liên kết NS. Yếu tố chính của thiết kế mạng là đào tạo nó. Khi huấn luyện và huấn luyện lại mạng lưới thần kinh, hệ số trọng số của nó thay đổi. Tuy nhiên, chúng không đổi trong quá trình hoạt động của mạng lưới thần kinh, tạo thành trí nhớ dài hạn.

N C có thể bao gồm một lớp, hai lớp, ba và hơn tuy nhiên, theo quy luật, để giải quyết các vấn đề thực tế thì không cần phải có hơn ba lớp trong mạng lưới thần kinh.

Số lượng đầu vào NN xác định kích thước của siêu không gian, trong đó tín hiệu đầu vào có thể được biểu diễn bằng các điểm hoặc siêu vùng của các điểm có khoảng cách gần nhau. Số lượng nơ-ron trong một lớp mạng xác định số lượng siêu phẳng trong siêu không gian. Việc tính tổng có trọng số và thực hiện phép biến đổi phi tuyến giúp xác định phía nào của một siêu phẳng cụ thể mà điểm tín hiệu đầu vào nằm trong siêu không gian.

Hãy xét bài toán kinh điển về nhận dạng mẫu: xác định xem một điểm có thuộc một trong hai lớp hay không. Vấn đề này được giải quyết một cách tự nhiên bằng cách sử dụng một nơ-ron duy nhất. Nó sẽ cho phép chia siêu không gian thành hai siêu vùng không giao nhau và không lồng nhau. Trong thực tế, tín hiệu đầu vào trong các vấn đề được giải quyết bằng cách sử dụng mạng nơ-ron tạo thành các vùng lồng nhau hoặc giao nhau trong siêu không gian, không thể tách rời bằng một nơ-ron đơn lẻ. Điều này chỉ có thể thực hiện được bằng cách vẽ một siêu bề mặt phi tuyến giữa các vùng. Nó có thể được mô tả bằng đa thức bậc n. Tuy nhiên, hàm lũy thừa tính toán quá chậm và do đó rất bất tiện cho công nghệ máy tính. Một lựa chọn khác là tính gần đúng siêu mặt bằng các siêu phẳng tuyến tính. Rõ ràng là độ chính xác của phép tính gần đúng phụ thuộc vào số lượng siêu phẳng được sử dụng, do đó, lại phụ thuộc vào số lượng nơ-ron trong mạng. Do đó, nảy sinh nhu cầu triển khai phần cứng của càng nhiều nơ-ron trong mạng càng tốt. Số lượng nơ-ron trong một lớp của mạng quyết định độ phân giải của nó. Mạng nơ-ron một lớp không thể tách các hình ảnh phụ thuộc tuyến tính. Vì vậy, điều quan trọng là có thể triển khai mạng nơron nhiều lớp trong phần cứng.

VÀ nhân tạo mạng lưới thần kinh có những đặc tính đáng kinh ngạc. Chúng không yêu cầu phát triển phần mềm chi tiết và mở ra khả năng giải quyết các vấn đề không có mô hình lý thuyết hoặc quy tắc heuristic xác định thuật toán giải. Những mạng lưới như vậy có khả năng thích ứng với những thay đổi trong điều kiện hoạt động, bao gồm cả sự xuất hiện của các yếu tố không lường trước được trước đây. Về bản chất, NS là những hệ thống có rất cấp độ cao sự song song.

TRONG máy tính thần kinh các nguyên tắc xử lý thông tin được thực hiện trong mạng lưới thần kinh thực được sử dụng. Những công cụ điện toán mới về cơ bản này với kiến ​​trúc độc đáo cho phép xử lý hiệu suất cao các mảng thông tin quy mô lớn. Không giống như các hệ thống máy tính truyền thống, máy tính mạng nơ-ron, tương tự như mạng nơ-ron, có thể xử lý với tốc độ cao hơn luồng thông tin rời rạc và tín hiệu liên tục, chứa các phần tử tính toán đơn giản và có độ tin cậy cao cho phép bạn giải quyết nhiệm vụ thông tin xử lý dữ liệu, đồng thời đảm bảo chế độ tự xây dựng lại môi trường điện toán tùy theo các quyết định nhận được.

Nói chung, thuật ngữ “Máy tính thần kinh” hiện nay có nghĩa là một loại máy tính khá rộng. Điều này xảy ra vì lý do đơn giản là về mặt hình thức, bất kỳ phần cứng nào triển khai thuật toán mạng thần kinh đều có thể được coi là máy tính thần kinh, từ mô hình đơn giản của tế bào thần kinh sinh học đến hệ thống nhận dạng ký tự hoặc mục tiêu chuyển động. Máy tính thần kinh không phải là máy tính theo nghĩa thông thường của từ này. Hiện nay, công nghệ vẫn chưa đạt đến trình độ phát triển có thể nói về máy tính thần kinh. mục đích chung(cũng có thể là trí tuệ nhân tạo). Hệ thống với giá trị cố định các hệ số trọng số nói chung là hệ số có tính chuyên môn cao nhất trong họ mạng lưới thần kinh. Mạng học tập linh hoạt hơn với nhiều vấn đề khác nhau mà chúng giải quyết. Vì vậy, việc xây dựng một máy tính thần kinh luôn là lĩnh vực rộng nhất cho các hoạt động nghiên cứu trong lĩnh vực triển khai phần cứng của hầu hết các thành phần của mạng lưới thần kinh.

Vào đầu thế kỷ 21, không giống như những năm 40-50 của thế kỷ trước, nhu cầu thực tế khách quan là học cách chế tạo máy tính thần kinh, tức là. cần phải triển khai trong phần cứng khá nhiều nơ-ron hoạt động song song, với hàng triệu khớp thần kinh-kết nối được sửa đổi thích ứng cố định hoặc song song, với một số lớp nơ-ron được kết nối đầy đủ. Đồng thời, công nghệ điện tử tích hợp gần như cạn kiệt khả năng vật lý của nó. Kích thước hình học của bóng bán dẫn không còn có thể giảm về mặt vật lý nữa: với kích thước có thể đạt được về mặt công nghệ ở mức 1 micron trở xuống, các hiện tượng vật lý xuất hiện mà không thể nhận thấy ở mức độ nào đó. kích thước lớn yếu tố hoạt động- Hiệu ứng kích thước lượng tử bắt đầu có tác dụng mạnh. Bóng bán dẫn ngừng hoạt động như bóng bán dẫn.

Để triển khai phần cứng của NN, cần có phương tiện lưu trữ mới. Một phương tiện mang thông tin mới như vậy có thể ánh sáng, điều này sẽ làm tăng đáng kể hiệu suất tính toán lên nhiều bậc độ lớn.

Công nghệ duy nhất để triển khai phần cứng của mạng thần kinh có thể thay thế quang học và quang điện tử trong tương lai là công nghệ nano, có khả năng cung cấp không chỉ mức độ tích hợp vật lý tối đa có thể của các phần tử lượng tử phân tử với tốc độ vật lý tối đa có thể mà còn cung cấp kiến ​​trúc ba chiều rất cần thiết cho việc triển khai phần cứng của mạng lưới thần kinh.

Trong một thời gian dài, người ta tin rằng máy tính thần kinh có hiệu quả trong việc giải quyết các vấn đề được gọi là không thể chính thức hóa và kém chính thức hóa liên quan đến nhu cầu đưa quá trình học tập sử dụng tài liệu thực nghiệm thực tế vào thuật toán giải quyết vấn đề. Trước hết, những vấn đề như vậy bao gồm nhiệm vụ xấp xỉ một dạng hàm cụ thể lấy một tập giá trị rời rạc, tức là vấn đề nhận dạng mẫu.

Hiện tại, một lớp bài toán đang được thêm vào lớp bài toán này, đôi khi không cần đào tạo về tài liệu thực nghiệm nhưng được thể hiện tốt trên cơ sở logic của mạng thần kinh. Bao gồm các các nhiệm vụ có tính song song tự nhiên rõ rệt của xử lý tín hiệu, xử lý hình ảnh, v.v.. Việc xác nhận quan điểm rằng trong tương lai máy tính thần kinh sẽ hiệu quả hơn các kiến ​​trúc khác, đặc biệt, có thể là một sự mở rộng mạnh mẽ trong những năm trước lớp các bài toán tổng quát được giải trên cơ sở logic của mạng nơ-ron. Những điều này, ngoài những điều được liệt kê ở trên, bao gồm các bài toán giải tuyến tính và phi tuyến phương trình đại số và sự bất bình đẳng về chiều cao; hệ thống phi tuyến phương trình vi phân; phương trình vi phân từng phần; vấn đề tối ưu hóa và các vấn đề khác.

Về cơ bản, nơ-ron là một bộ xử lý cơ bản được đặc trưng bởi trạng thái đầu vào và đầu ra, hàm truyền (chức năng kích hoạt) và bộ nhớ cục bộ.

Cơm. 8.1.

Trạng thái của các nơ-ron thay đổi trong quá trình hoạt động và tạo thành bộ nhớ ngắn hạn của mạng nơ-ron. Mỗi nơ-ron tính toán tổng trọng số của các tín hiệu đến nó thông qua các khớp thần kinh và thực hiện một phép biến đổi phi tuyến trên nó. Khi được gửi qua các khớp thần kinh, tín hiệu sẽ được nhân với một hệ số trọng số nhất định. Việc phân bổ các hệ số trọng số chứa thông tin được lưu trữ trong bộ nhớ kết hợp của mạng lưới thần kinh. Yếu tố chính của thiết kế mạng là đào tạo nó. Khi huấn luyện và huấn luyện lại mạng lưới thần kinh, hệ số trọng số của nó thay đổi. Tuy nhiên, chúng không đổi trong quá trình hoạt động của mạng lưới thần kinh, tạo thành trí nhớ dài hạn.

NS có thể bao gồm một lớp, hai, ba hoặc nhiều lớp, tuy nhiên, theo quy luật, để giải quyết vấn đề thực tế nhiều hơn ba lớp trong NS là không cần thiết.

Số lượng đầu vào NS xác định kích thước siêu không gian, trong đó tín hiệu đầu vào có thể được biểu diễn bằng các điểm hoặc siêu vùng của các điểm có khoảng cách gần nhau. Số lượng nơ-ron trong lớp mạng quyết định số lượng siêu phẳng V. siêu không gian. Việc tính tổng có trọng số và thực hiện phép biến đổi phi tuyến giúp xác định điểm tín hiệu đầu vào nằm ở phía nào của một siêu phẳng cụ thể. siêu không gian.

Hãy xét bài toán kinh điển về nhận dạng mẫu: xác định xem một điểm có thuộc một trong hai lớp hay không. Vấn đề này được giải quyết một cách tự nhiên bằng cách sử dụng một nơ-ron duy nhất. Nó sẽ cho phép bạn chia siêu không gian thành hai siêu miền rời rạc và không lồng nhau. Tín hiệu đầu vào trong các vấn đề được giải quyết bằng cách sử dụng mạng lưới thần kinh, chúng hình thành ở dạng siêu không gian các vùng chồng chéo hoặc lồng nhau cao không thể tách rời bằng một nơ-ron đơn lẻ. Điều này chỉ có thể thực hiện được bằng cách vẽ một siêu bề mặt phi tuyến giữa các vùng. Nó có thể được mô tả bằng đa thức bậc n. Tuy nhiên, hàm lũy thừa được tính toán quá chậm và do đó rất bất tiện cho việc tính toán. Lựa chọn thay thế là sự gần đúng của siêu bề mặt bằng tuyến tính siêu phẳng. Rõ ràng là độ chính xác của phép tính gần đúng phụ thuộc vào số lượng được sử dụng siêu phẳng, do đó, phụ thuộc vào số lượng nơ-ron trong mạng. Do đó, nảy sinh nhu cầu triển khai phần cứng của càng nhiều nơ-ron trong mạng càng tốt. Số lượng nơ-ron trong một lớp của mạng quyết định độ phân giải của nó. Mạng nơ-ron một lớp không thể tách các hình ảnh phụ thuộc tuyến tính. Vì vậy, điều quan trọng là có thể triển khai mạng nơron nhiều lớp trong phần cứng.

Mạng lưới thần kinh nhân tạo có những đặc tính đáng kinh ngạc. Họ không yêu cầu phát triển chi tiết phần mềm và mở ra khả năng giải quyết các vấn đề không có mô hình lý thuyết hoặc quy tắc heuristic xác định thuật toán giải. Những mạng lưới như vậy có khả năng thích ứng với những thay đổi trong điều kiện hoạt động, bao gồm cả sự xuất hiện của các yếu tố không lường trước được trước đây. Về bản chất, NN là các hệ thống có mức độ song song rất cao.

Máy tính thần kinh sử dụng các nguyên tắc xử lý thông tin được thực hiện trong mạng lưới thần kinh thực. Những công cụ điện toán mới về cơ bản này với kiến ​​trúc độc đáo cho phép xử lý hiệu suất cao các mảng thông tin quy mô lớn. Không giống như các hệ thống máy tính truyền thống, máy tính mạng lưới thần kinh, tương tự như mạng nơ-ron, giúp xử lý các luồng thông tin của tín hiệu rời rạc và liên tục với tốc độ cao hơn, chứa các phần tử tính toán đơn giản và có độ tin cậy cao cho phép giải quyết các vấn đề thông tin trong xử lý dữ liệu, đồng thời cung cấp chế độ tự tái cấu trúc dữ liệu. môi trường tính toán tùy thuộc vào các giải pháp thu được.

Nói chung, thuật ngữ “máy tính thần kinh” hiện nay có nghĩa là một loại máy tính khá rộng. Điều này xảy ra vì lý do đơn giản là về mặt hình thức, bất kỳ triển khai phần cứng nào cũng có thể được coi là máy tính thần kinh. thuật toán mạng lưới thần kinh, từ mô hình nơ-ron sinh học đơn giản đến ký tự hoặc hệ thống nhận dạng mục tiêu chuyển động. Máy tính thần kinh không phải là máy tính theo nghĩa thông thường của từ này. Hiện tại, công nghệ vẫn chưa đạt đến mức phát triển có thể nói về máy tính thần kinh đa năng (cũng có thể là trí tuệ nhân tạo). Các hệ thống có hệ số trọng số cố định thường là hệ thống có tính chuyên môn cao nhất trong họ mạng thần kinh. Mạng học tập thích nghi hơn với nhiều vấn đề đang được giải quyết. Mạng học tập linh hoạt hơn và có khả năng giải quyết nhiều vấn đề khác nhau. Vì vậy, việc xây dựng một máy tính thần kinh luôn là lĩnh vực rộng nhất cho các hoạt động nghiên cứu trong lĩnh vực triển khai phần cứng của hầu hết các thành phần của mạng lưới thần kinh.

Vào đầu thế kỷ 21, không giống như những năm 40-50 của thế kỷ trước, có một nhu cầu thực tế khách quan là học cách tạo ra máy tính thần kinh, tức là. cần phải triển khai trong phần cứng khá nhiều nơ-ron hoạt động song song, với hàng triệu khớp thần kinh-kết nối được sửa đổi thích ứng cố định hoặc song song, với một số lớp nơ-ron được kết nối đầy đủ.

Đồng thời, khả năng vật lý của công nghệ điện tử tích hợp không phải là vô hạn. Kích thước hình học của bóng bán dẫn không còn có thể giảm về mặt vật lý: với kích thước đạt được về mặt công nghệ ở mức 1 micron trở xuống, xuất hiện các hiện tượng vật lý vô hình với kích thước lớn của các phần tử hoạt động - hiệu ứng kích thước lượng tử bắt đầu có tác động mạnh mẽ. Bóng bán dẫn ngừng hoạt động như bóng bán dẫn.

Để triển khai phần cứng của NN, cần có phương tiện lưu trữ mới. Một vật mang thông tin mới như vậy có thể nhẹ, cho phép người ta tăng mạnh, theo vài bậc độ lớn, hiệu suất tính toán.

Công nghệ duy nhất để triển khai phần cứng NS có thể thay thế quang học và quang điện tử trong tương lai là công nghệ nano, công nghệ này không chỉ có thể cung cấp mức độ tích hợp tối đa về mặt vật lý của các phần tử lượng tử phân tử với tốc độ tối đa về mặt vật lý mà còn cả kiến ​​trúc ba chiều. rất cần thiết cho việc triển khai phần cứng của NS.

Trong một thời gian dài người ta tin rằng máy tính thần kinh có hiệu quả trong việc giải quyết cái gọi là nhiệm vụ không thể chính thức hóa và kém chính thức hóa liên quan đến nhu cầu đưa quá trình học tập sử dụng tài liệu thực nghiệm thực tế vào thuật toán để giải quyết vấn đề. Trước hết, những vấn đề như vậy bao gồm nhiệm vụ xấp xỉ một dạng hàm cụ thể lấy một tập giá trị rời rạc, tức là vấn đề nhận dạng mẫu.

Hiện tại, một lớp bài toán đang được thêm vào lớp bài toán này, đôi khi không cần đào tạo về tài liệu thực nghiệm nhưng được thể hiện tốt trên cơ sở logic của mạng thần kinh. Chúng bao gồm các nhiệm vụ có tính song song tự nhiên rõ rệt trong xử lý tín hiệu, xử lý hình ảnh, v.v. Quan điểm rằng trong tương lai máy tính thần kinh sẽ hiệu quả hơn các kiến ​​trúc khác có thể được khẳng định, đặc biệt, bằng sự mở rộng mạnh mẽ trong những năm gần đây của lớp máy tính thần kinh. các bài toán tổng quát được giải trên cơ sở logic của mạng nơ-ron. Những điều này, ngoài những điều được liệt kê ở trên, bao gồm các vấn đề giải phương trình đại số tuyến tính và phi tuyến và các bất đẳng thức nhiều chiều; hệ phương trình vi phân phi tuyến; phương trình vi phân từng phần; vấn đề tối ưu hóa và các vấn đề khác.

13/10/2017, Thứ Sáu, 15:28, giờ Moscow, Text: Vladimir Bakhur

Điện thoại thông minh hàng đầu mới Huawei Mate 10 Pro không viền sẽ có bộ xử lý thần kinh Kirin 970 mới nhất, quang học kép của Leica, Android 8.0 Oreo và bút thông minh. Và không chỉ.

Huawei đã học được cách gây bất ngờ thú vị

Blogger và nhà báo Evan Blass(Evan Blass), được biết đến với mức độ xác nhận cao về thông tin nội bộ mà ông công bố tiện ích di động, đăng trên trang xã hội của anh ấy Mạng Twitter một số kết xuất mới điện thoại thông minh Huawei Mate 10 Pro.

Một số đặc điểm của điện thoại thông minh Huawei Mate 10 Pro, nhưng chính từ những ấn phẩm mới nhất của Evan Blas, người ta mới biết rằng hạm mới sẽ hỗ trợ bút cảm ứng có cảm biến vị trí không gian, cho phép bạn viết trên giấy bằng Truyền không dây ghi chú vào điện thoại thông minh.

Huawei dự kiến ​​công bố dòng điện thoại thông minh Mate 10 Pro vào thứ Hai, ngày 16 tháng 10 lúc 14:00 giờ Moscow. Điều này được xác nhận bằng chương trình phát sóng trực tiếp theo kế hoạch của bài thuyết trình Keynote Live của Huawei Mate 10 trên YouTube từ Munich với sự tham gia của Giám đốc điều hành Huawei Richard Yu.

Chiếc bút thông minh Bluetooth dự kiến ​​đi kèm với Mate 10 Pro trông giống với chiếc bút stylus đi kèm trong Bộ viết thông minh Moleskine.

Chi tiết kỹ thuật

Điện thoại thông minh Huawei Mate 10 Pro đã nhận được tên làm việc Blanc ("thông thường" Mate 10 có chức danh làm việc Alps), sẽ là một trong những thiết bị đầu tiên trên thị trường được trang bị điện thoại di động lần đầu tiên Bộ vi xử lý Huawei Hisilicon Kirk 970 tích hợp bộ đồng xử lý trí tuệ nhân tạo (AI).

Ngoại hình của điện thoại thông minh Huawei Mate 10 Pro

Chip di động Kiri 970 là bộ xử lý 8 nhân 64 bit dựa trên bốn lõi ARM Cortex-A73 với tần số đồng hồ 2,4 GHz và 4 lõi ARM Cortex-A53 với tốc độ xung nhịp lên tới 1,8 GHz. Con chip này được trang bị đồ họa Mali-G72 MP12 12 nhân thế hệ tiếp theo tích hợp và một số bộ đồng xử lý phụ trợ để tăng tốc các tác vụ tính toán cụ thể.

Các thành phần chính của bộ xử lý di động Kiri 970

Con chip này chứa 5,5 tỷ bóng bán dẫn được đặt trên một con chip rộng 1 mét vuông. cm và được sản xuất tại các cơ sở sản xuất của TSMC tuân thủ các tiêu chuẩn 10 nm chính xác nhất cho đến nay Quy trình công nghệ FinFET.

Mới bộ vi xử lý hàng đầu Kirin 970 là một " nền tảng di độngđể giải quyết các vấn đề về AI.” Nó bao gồm cái gọi là đơn vị xử lý thần kinh (NPU, Đơn vị xử lý thần kinh, NPU) để xử lý tốc độ cao các nhiệm vụ trí tuệ nhân tạo với mức tiêu thụ năng lượng tối thiểu, cung cấp, theo Huawei, hiệu suất tốt hơn 25 lần và hiệu suất cao hơn 50 lần so với phiên bản tiền nhiệm.

Cortex 970 cũng tích hợp modem di động 4,5G với Hỗ trợ LTE Các tập hợp danh mục 18, 5CC, 4x4MIMO và 256QAM mà công ty tuyên bố cung cấp tốc độ tải xuống lên tới 1,2 Gbps.

Con chip này hỗ trợ hoạt động đồng thời của hai thẻ SIM ở chế độ LTE, tuy nhiên, điện thoại thông minh Huawei Mate 10 Pro dự kiến ​​​​sẽ có phiên bản Hybrid Hai SIM(Nano-SIM, chế độ chờ kép, một trong các khe cắm được kết hợp với đầu đọc thẻ nhớ microSD cho thẻ có dung lượng lên tới 256 GB) và ở phiên bản có một khe cắm cho thẻ Nano-SIM.

Cortex 970 cung cấp khả năng giải mã video 4K phần cứng lên tới 60 khung hình/giây và mã hóa video 4K lên đến 30 khung hình/giây với codec H.264 và H.265, đồng thời hỗ trợ không gian màu HDR10. Ngoài ra,Kirin 970 hỗ trợ tới 4 kênh bộ nhớ truy cập tạm thời LPDDR4X 1866 MHz, được trang bị DAC 32-bit/384 kHz tích hợp, Cảm biến Huawei i7 thế hệ mới và hỗ trợ camera kép.

Điện thoại thông minh Huawei Mate 10 Pro dự kiến ​​sẽ có màn hình lớn 5,99 inch. Ma trận AMOLED với độ phân giải 1440x2880 pixel, tỷ lệ khung hình 18: 9 và độ sắc nét 546 pixel mỗi inch. Độ dày của điện thoại thông minh chỉ 7,5 mm, trong khi nó có khả năng bảo vệ theo tiêu chuẩn IP68, nghĩa là thiết bị có thể ngâm trong nước ở độ sâu 1,5 mét trong 30 phút.

Chính đôi Máy ảnh Mate 10 chuyên nghiệp

Mate 10 Pro sẽ có phiên bản RAM 6 GB và bộ nhớ trong 64 GB hoặc 128 GB. Máy được trang bị camera chính kép gồm cảm biến màu 20 MP và cảm biến đơn sắc 12 MP, với hệ thống quang học f/1.6 của Leica, ổn định quang học hình ảnh, pha và tự động lấy nét bằng laser, Hỗ trợ HDR và quay video ở định dạng 2160p@30fps và 1080p@30/60fps. Camera phía trước có độ phân giải 8 MP.

Điện thoại thông minh Mate 10 Pro sẽ ngay lập tức được đưa vào tầm kiểm soát phiên bản mới nhất Hệ điều hành Android 8.0 (Oreo) độc quyền Giao diện đồ họa Huawei EMUI 6.0. Thiết bị hỗ trợ Mạng Wi-Fi tiêu chuẩn 802.11 a/b/g/n/ac, Bluetooth 5.0 với cấu hình A2DP, EDR và ​​​​LE, Định vị A-GPS, GLONASS, BDS và GALILEO, công nghệ NFC. Ngoài ra còn có cổng IR và cổng kết nối chuẩn USB 2.0 Loại C.

Tích hợp không thể tháo rời pin lithium polymerĐiện thoại thông minh có dung lượng 4000 mAh.

Bút thông minh cho Huawei Mate 10 Pro

Mặc dù có khả năng số hóa ngay lập tức các ghi chú được thực hiện trên giấy thường, nhưng chiếc bút thông minh, theo dữ liệu sơ bộ, sẽ đi kèm với Mate 10 Pro, sẽ không hoạt động như bút stylus hoặc bút để nhập liệu. màn hình cảm ứng Huawei Mate 10 Pro hoặc sẽ được trang bị thêm công nghệ đầu vào cho những mục đích này.

Bắt đầu bán hàng và giá cả

Không có thông tin rõ ràng hơn về thời điểm bắt đầu bán hàng và giá cả điện thoại thông minh hàng đầu Vẫn chưa có Huawei Mate 10, mọi thứ sẽ được biết đến vào thứ Hai ngày 16 tháng 9.

Thông báo về buổi giới thiệu điện thoại thông minh Huawei Mate 10 series

Sơ bộ, các nhà phân tích mạng ước tính giá của Huawei Mate 10 tại Trung Quốc là 835 USD, trong khi Huawei Mate 10 “thông thường” sẽ có giá khoảng 650 USD.