Т.Е. Михайлюк - аспирант, Уфимский государственный авиационный технический университет E-mail: realotoim@mail.ru С.В. Жернаков - д.т.н., профессор, Уфимский государственный авиационный технический университет E-mail: zhsviit@mail.ru

Рассмотрены подходы к реализации аппаратных нейронных сетей на ПЛИС. Показаны особенности и ограничения классической реализации нейросетей. Предложена модель аппаратно-ориентированной нейронной сети. Приведены результаты повышения эффективности использования ресурсов ППВМ на примере задачи «Исключающего ИЛИ». Показаны преимущества реализации предложенного подхода в нейросетевом базисе на основе ПЛИС по сравнению с существующими подходами.

 

1. Korani R. et al. FPGA modelling of neuron for future artificial intelligence applications // International Journal of Advanced Research in Computer and Communication Engineering. 2013. V. 2. № 12. P. 4763-4768.
2. Грибачев В. Элементная база аппаратных реализаций нейронных сетей [Электронный ресурс] // Компоненты и технологии: сайт. URL: http://kit-e.ru/articles/elcomp/2006_8_100.php (дата обращения: 30.06.2016).
3. Мезенцева О.С. и др. Реализация нестандартных моделей нейронов на векторном процессоре Neuromatrix // Известия Южного федерального университета. Сер. Технические науки. 2012. Т. 131. №. 6. С. 178-182.
4. Adetiba E. et al. Implementation of Efficient Multilayer Perceptron ANN Neurons on Field Programmable Gate Array Chip // International Journal of Engineering & Technology. 2014. V. 14. № 1. P. 151-159.
5. Борисов К.Е. Критический анализ различных архитектурных подходов к построению нейросред [Электронный ресурс]. URL: http://katpop.narod.ru/txt/mympt.htm (дата обращения: 30.06.2016).
6. Нейрокомпьютеры в авиации (самолеты) / под ред. В.И. Васильева, Б.Г. Ильясова, С.Т. Кусимова. Кн. 14: Учеб. пособие для вузов. М.: Радиотехника. 2003. 496 с.
7. Nakkiran P. et al. Compressing Deep Neural Networks using a Rank-Constrained Topology // Proceedings of Annual Conference of the International Speech Communication Association (Interspeech), Dresden, Germany, 6-10 September 2015. P. 1473-1477.
8. Matteucci M. ELeaRNT: Evolutionary Learning of Rich Neural Network Topologies [Электронныйресурс]. URL: https://www.ml.cmu.edu/research/dap-papers/matteucci-cmu-cald-02-103.pdf (датаобращения: 10.09.2016).
9. Manchev O. et al. FPGA implementation of artificial neurons // Electronics: An Open Access Journal. 2004. 22-24 September, Sozopol, Bulgaria. [Электронный ресурс]. URL: http://fett.tu-sofia.bg/et/2004/Papers/Microelectronics/Paper-B_Donchev2.pdf (дата обращения: 30.06.2016).
10. Omondi A.R., Rajapakse J.C. FPGA Implementations of Neural Networks // Springer. 2006 Электронныйресурс. URL: http://lab.fs.uni-lj.si/lasin/wp/IMIT_files/neural/doc/Omondi2006.pdf (дата обращения: 30.06.2016).
11. Anthony M. Boolean Functions and Artificial Neural Networks [Электронный ресурс]. URL: http://www.cdam.lse.ac.uk/Reports/Files/cdam-2003-01.pdf (дата обращения: 10.09.2016)
12. Zhang C., Yang J., Wu W. Binary Higher Order Neural Networks for Realizing Boolean Functions // IEEE Transactions on Neural Networks. 2011. V. 22. № 5. P. 701-713.
13. Хайкин С. Нейронные сети: Полный курс. М.: Вильямс. 2008. 1104 с.
14. https://ru.wikipedia.org/wiki/Сложение_по_модулю_2 (дата обращения: 10.09.2016).
15. Minsky M., Papert S. Perceptrons: an introduction to computational geometry. Cambridge MA. 1988.
16. Virtex-5 FPGA User Guide. UG190 (v5.4) March 16, 2012 [Электронныйресурс] // Xilinx: All Programmable: сайт. URL: http://www.xilinx.com/support/documentation/user_guides/ug190.pdf (датаобращения: 30.06.2016).
17. Михайлюк Т.Е., Жернаков С.В. К вопросу об аппаратной реализации модуля потокового шифрования для комплексной системы защиты информации // Вестник УГАТУ. 2014. Т. 18. №. 3 (63). С. 138-148.