Построение и моделирование работы элементов вычислительной техники на быстрых нейронах

Обложка

Цитировать

Полный текст

Аннотация

Статья посвящена построению быстрых нейронов и нейронных сетей для реализации двух полных логических базисов и моделирования на их основе устройств вычислительной техники. Основная идея заключается в формировании быстрой функции активации на основе полупарабол и её вариаций, имеющих эффективную вычислительную поддержку. Построенные функции активации отвечают основным требованиям, позволяющим настраивать логические схемы методом обратного распространения ошибки. Основным результатом является получение полных логических базисов, открывающих путь к построению произвольных логических функций. Представлены и протестированы модели таких элементов как триггер, полусумматор, сумматор, составляющих основу различных конкретных вычислительных устройств. Показано, что новые функции активации позволяют получать быстрые решения при небольшом снижении качества по сравнению с эталонными выходами. Для стандартизации выходов предлагается комбинировать построенные схемы с функцией активации типа единичный скачок.

Об авторах

М. В. Хачумов

Российский университет дружбы народов; Федеральный исследовательский центр «Информатика и управление» Российской академии наук

Email: khmike@inbox.ru
ORCID iD: 0000-0001-5117-384X
Scopus Author ID: 55570238100

Candidate of Physical and Mathematical Sciences, Senior Researcher

ул. Миклухо-Маклая, д.6, Москва, Россия, 117198; ул. Вавилова, д.44, кор.2, Москва, Россия, 119333

Ю. Г. Емельянова

ИПС им. А. К. Айламазяна РАН

Email: yuliya.emelyanowa2015@yandex.ru
ORCID iD: 0000-0001-7735-6820
Scopus Author ID: 57202835704

Candidate of Technical Sciences, Senior Researcher

ул. Петра Первого, д.4а, Переславль-Залесский, Ярославская область, Россия, 152021

В. М. Хачумов

Российский университет дружбы народов; Федеральный исследовательский центр «Информатика и управление» Российской академии наук; ИПС им. А. К. Айламазяна РАН

Автор, ответственный за переписку.
Email: vmh48@mail.ru
ORCID iD: 0000-0001-9577-1438
Scopus Author ID: 56042383100

Doctor of Technical Sciences, Chief Researcher

ул. Миклухо-Маклая, д.6, Москва, Россия, 117198; ул. Вавилова, д.44, кор.2, Москва, Россия, 119333; ул. Петра Первого, д.4а, Переславль-Залесский, Ярославская область, Россия, 152021

Список литературы

  1. Limonova, E., Nikolaev, D. & Alfonso, D. Bipolar morphological neural networks: Gate-efficient architecture for confined environment, 573-580. doi: 10.1109/NAECON46414.2019.9058018 (2019).
  2. Limonova, E., Nikolaev, D. & Arlazarov, V. Bipolar morphological U-Net for document binarization, 1-9. doi: 10.1117/12.2587174 (2021).
  3. Limonova, E., Nikolaev, D., Alfonso, D. & Arlazarov, V. ResNet-like architecture with low hardware requirements, 6204-6211. doi: 10.1109/ICPR48806.2021.9413186 (2021).
  4. Dubey, S., Singh, S. & Chaudhuri, B. Activation Functions in Deep Learning: A Comprehensive Survey and Benchmark. Neurocomputing 503, 1-18. doi: 10.1016/j.neucom.2022.06.111 (2022).
  5. Feng, J. & Lu, S. Performance Analysis of Various Activation Functions in Artificial Neural Networks. Journal of Physics Conference Series, 1-7. doi: 10.1088/1742-6596/1237/2/02203 (2019).
  6. Akgül, I. Activation functions used in artificial neural networks. In book: Academic Studies in Engineering, 41-58 (Oct. 2023).
  7. Arce, F., Zamora, E., Humberto, S. & Barrón, R. Differential evolution training algorithm for dendrite morphological neural networks. Applied Soft Computing 68, 303-313. doi: 10.1016/j.asoc. 2018.03.033 (2018).
  8. Dimitriadis, N. & Maragos, P. Advances in the training, pruning and enforcement of shape constraints of morphological neural networks using tropical algebra, 3825-3829. doi:10.48550/ arXiv.2011.07643 (2021).
  9. Limonova, E., Nikolaev, D., Alfonso, D. & Arlazarov, V. Bipolar morphological neural networks: gate-efficient architecture for computer vision. IEEE Access 9, 97569-97581. doi: 10.1109/ACCESS. 2021.3094484 (2021).
  10. Galushkin, A., Sudarikov,V. & Shabanov, E. Neuromathematics: the methods of solving problems on neurocomputers. 2, 1179-1188. doi: 10.1109/RNNS.1992.268515 (1992).
  11. Khachumov, M. & Emelyanova, Y. Parabola as an Activation Function of Artificial Neural Networks. Scientific and Technical Information Processing 51, 471-477. doi:10. 3103 / S0147688224700382 (2024).
  12. Khachumov, M., Emelyanova, Y. & Khachumov, V. Parabola-Based Artificial Neural Network Activation Functions, 249-254. doi: 10.1109/RusAutoCon58002.2023.10272855 (Sept. 2023).
  13. Hanche-Olsen, H. & Holden, H. The Kolmogorov-Riesz compactness theorem. 28, 385-394. doi: 10.1016/j.exmath.2010.03.001 (June 2009).
  14. Nabavinejad, S., Reda, S. & Ebrahimi, M. Coordinated Batching and DVFS for DNN Inference on GPU Accelerators. 33, 1-12. doi: 10.1109/TPDS.2022.3144614 (Oct. 2022).
  15. Trusov, A., Limonova, E., Slugin, D., Nikolaev, D. & Arlazarov, V. Fast Implementation of 4-bit Convolutional Neural Networks for Mobile Devices, 9897-9903. doi: 10.1109/ICPR48806.2021. 9412841 (Sept. 2020).
  16. Shashev, D. & Shatravin, V. Implementation of the sigmoid activation function using the reconfigurable computing environments. Russian. Tomsk State University Journal of Control and Computer Science, 117-127. doi: 10.17223/19988605/61/12 (2022).
  17. Hyyro, H. & Navarro, G. Bit-Parallel Computation of Local Similarity Score Matrices with Unitary Weights. International Journal of Foundations of Computer Science. doi: 10.1142/S0129054106004443.
  18. Hyyro, H. Explaining and extending the bit-parallel approximate string matching algorithm of Myers (2001).
  19. Hyyro, H. & Navarro, G. Faster bit-parallel approximate string matching, 203-224 (2002).
  20. Hyyro, H. & Navarro, G. Bit-parallel witnesses and their applications to approximate string matching. Algorithmica 41, 203-231 (2005).
  21. Zakharov, A. & Khachumov, V. Bit-parallel Representation of Activation Functions for Fast Neural Networks. 2, 568-571 (2014).
  22. Volder, J. The Birth of Cordic. The Journal of VLSI Signal Processing-Systems for Signal, Image, and Video Technology 25, 101-105. doi: 10.1023/A:1008110704586 (2000).
  23. Chetana & Sharmila, K. VLSI Implementation of Coordinate Rotation Based Design Methodology using Verilog HDL. doi: 10.1109/ICAIS56108.2023.10073928 (2023).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».