SUPS - SUPS

В вычислительная нейробиология, SUPS (для Synaptic Uдаты пэ Sвторой) или ранее CUPS (Cсоединения Uдаты пэ Sвторой) - это мера производительности нейронной сети, полезная в областях нейробиология, наука о мышлении, искусственный интеллект, и Информатика.

Вычисление

Для процессора или компьютера, предназначенного для моделирования нейронной сети, SUPS измеряется как продукт моделируемых нейронов. ${ displaystyle N}$ и средняя возможность подключения ${ displaystyle c}$ (синапсов) на нейрон в секунду:

${ displaystyle SUPS = c times N}$

В зависимости от типа моделирования оно обычно равно общему количеству смоделированных синапсов.

В «асинхронном» динамическом моделировании, если нейрон дает импульс ${ displaystyle upsilon}$ Гц, средняя частота синаптических обновлений, вызванных активностью этого нейрона, равна ${ displaystyle upsilon cN}$ . При синхронном моделировании с шагом ${ displaystyle Delta t}$ количество синаптических обновлений в секунду будет ${ displaystyle { frac {cN} { Delta t}}}$ . Так как ${ displaystyle Delta t}$ должен быть выбран намного меньшим, чем средний интервал между двумя последовательными афферентными спайками, что подразумевает ${ displaystyle Delta t <{ frac {1} { upsilon N}}}$ , что дает среднее количество синаптических обновлений, равное ${ displaystyle upsilon cN ^ {2}}$ . Следовательно, синаптическая динамика, управляемая спайками, приводит к линейному масштабированию вычислительной сложности. О (N) на нейрон по сравнению с O (N²) в «синхронном» случае.^[1]

Записи

Чип цифрового параллельного процессора CNAPS-1064, разработанный в 1980-х годах, представляет собой полноценный нейронная сеть (NNW). Он был разработан как сопроцессор к хосту и имеет 64 подпроцессора, расположенных в 1D массив и работает в SIMD Режим. Каждый подпроцессор может имитировать один или несколько нейронов, и несколько чипов могут быть сгруппированы вместе. На 25 МГц он способен 1,28GMAC.^[2]

После презентации одиночного нейронного чипа RN-100 (12 МГц) в Сиэтле в 1991 г. Ricoh разработал многонейронный чип РН-200. У него было 16 нейронов и 16 синапсов на нейрон. Чип имеет возможность обучения на кристалле с использованием запатентованного алгоритма фонового изображения. Он пришел на 257-контактный PGA инкапсуляция и потребляла максимум 3,0 Вт. Он был способен на 3GCPS (1 GCPS на 32 МГц).^[3]

В 1991-97 гг. Сименс разработали микросхему MA-16, нейрокомпьютер SYNAPSE-1 и SYNAPSE-3. MA-16 был быстрым матричным умножителем, который можно комбинировать для получения систолические массивы. Он мог обрабатывать 4 шаблона по 16 элементов в каждом (16 бит), с 16 значениями нейронов (16 бит) со скоростью 800MMAC или 400 MCPS при 50 МГц. SYNAPSE3-PC Карта PCI содержал 2 МА-16 с максимальной производительностью 2560 MOPS (1,28 GMAC); 7160 MOPS (3,58 GMAC) при использовании трех плат.^[4]

В 2013 г. K компьютер был использован для моделирования нейронной сети из 1,73 миллиарда нейронов с общим количеством синапсов 10,4 триллиона (1% человеческого мозга). Моделирование длилось 40 минут, чтобы смоделировать 1 секунду активности мозга при нормальном уровне активности (в среднем 4,4). Для моделирования требуется 1 Петабайт памяти.^[5]

Смотрите также

использованная литература

^ Маурицио Маттиа; Паоло Дель Джудиче (1998). Асинхронное моделирование больших сетей импульсных нейронов и динамических синапсов. Материалы 8-й Международной конференции по искусственным нейронным сетям. Перспективы нейронных вычислений. С. 1045–1050. CiteSeerX 10.1.1.56.272. Дои:10.1007/978-1-4471-1599-1_164. ISBN 978-3-540-76263-8.
^ Вычисления в реальном времени: значение для микропроцессоров общего назначения Чип Вимс, Стив Дропшо
^ Л. Алмейда; Луис Б. Алмейда; С. Бовери (2003). Интеллектуальные компоненты и инструменты для приложений управления 2003 (SICICA 2003). ISBN 9780080440101.
^ Оборудование нейронной сети Кларк С. Линдси, Брюс Денби, Томас Линдблад, 1998 г.
^ Суперкомпьютер Fujitsu имитирует 1 секунду мозговой активности Тим Хорняк, CNET, 5 августа 2013 г.

внешние ссылки

[Mattia1998-1] Маурицио Маттиа; Паоло Дель Джудиче (1998). Асинхронное моделирование больших сетей импульсных нейронов и динамических синапсов. Материалы 8-й Международной конференции по искусственным нейронным сетям. Перспективы нейронных вычислений. С. 1045–1050. CiteSeerX 10.1.1.56.272. Дои:10.1007/978-1-4471-1599-1_164. ISBN 978-3-540-76263-8.

[Weems-2] Вычисления в реальном времени: значение для микропроцессоров общего назначения Чип Вимс, Стив Дропшо

[Almeida2003-3] Л. Алмейда; Луис Б. Алмейда; С. Бовери (2003). Интеллектуальные компоненты и инструменты для приложений управления 2003 (SICICA 2003). ISBN 9780080440101.

[Lindsey1998-4] Оборудование нейронной сети Кларк С. Линдси, Брюс Денби, Томас Линдблад, 1998 г.

[CNET20130805-5] Суперкомпьютер Fujitsu имитирует 1 секунду мозговой активности Тим Хорняк, CNET, 5 августа 2013 г.

[1]

[2]

[3]

[4]

[5]