С.Н. Данилин – к.т.н., доцент,

Муромский институт (филиал), 

Федеральное государственное бюджетное образовательное учреждение высшего образования  «Владимирский государственный университет им. А.Г. и Н.Г. Столетовых»

E-mail: dsn-55@mail.ru

С.А. Щаников – к.т.н., доцент, декан, факультет информационный технологий, Муромский институт (филиал) 

Федеральное государственное бюджетное образовательное учреждение высшего образования 

«Владимирский государственный университет им. А.Г. и Н.Г. Столетовых»

E-mail: seach@inbox.ru, 

И.А. Борданов – инженер,

Муромский институт (филиал), 

Федеральное государственное бюджетное образовательное учреждение высшего образования 

«Владимирский государственный университет им. А.Г. и Н.Г. Столетовых»

E-mail: bordanov2011@yandex.ru, 

А.Д. Зуев – инженер,

Муромский институт (филиал), 

Федеральное государственное бюджетное образовательное учреждение высшего образования  «Владимирский государственный университет им. А.Г. и Н.Г. Столетовых» E-mail: ad-nemo@mail.ru

Постановка проблемы. Рассмотрена проблема обеспечения высокой отказоустойчивости (ОУ) искусственных нейронных сетей (ИНС) различного назначения и сложности, аппаратно реализуемых с использованием мемристоров (ИНСМ). В опубликованных до настоящего времени работах предложены качественные или косвенные критерии ОУ, не согласованные с действующими нормативными документами по надежности программно-технических комплексов.

Цель. Разработать системный количественный критерий (меру) ОУ ИНС произвольной платформы реализации. Результаты. Разработан системный, многомерный, динамический вариант количественного критерия ОУ – U(t,v) ИНСМ и приведен пример технологии его применения на этапе проектирования ИНСМ тестового уровня сложности. Практическая значимость. Применение на практике критерия U(t,v) позволяет количественно определять ОУ произвольных ИНСМ и эффективно совершенствовать известные и разрабатывать новые методы пассивного и (или) активного обеспечения этого свойства

Данилин С.Н., Щаников С.А., Борданов И.А., Зуев А.Д. Количественное определение отказоустойчивости искусственных нейронных сетей на базе мемристоров. Нейрокомпьютеры: разработка, применение. 2020. Т. 22. № 1. С. 55–65. DOI: 10.18127/j19998554-202001-06.

1. Danilin S., Shchanikov S., Bordanov I., Zuev A., Sakulin A. The system approach to designing memristor-based neural networks // Proc. MEMRISYS. 2019. P. 1.
2. Schuman C.D., Potok T.E., Patton R.M., Birdwell J.D., Dean M.E., Rose G.S., Plank J.S. A Survey of Neuromorphic Computing and Neural Networks in Hardware // Proceedings of CoRR journal. [Электронный ресурс] URL: https://arxiv.org/pdf/1705.06963.pdf (Дата обращения: 24.08.2019).
3. Chekushkin V.V., Zhiganov S.N. Computational methods in optimization of engineering problems. Raleigh, North Carolina USA: Open Science Publishing. 2018. P. 202.
4. Старовойтов А.В., Галушкин А.И. Новые технологии микроэлектроники и разработки перспективных нейрокомпьютеров // Информатизация и связь. 2017. №1. С. 7-17.
5. Torres-Huitzil C., Girau B. Fault and error tolerance in neural networks: A review. // IEEE Access. 2017. V. 5.  P. 17322-17341.
6. Yeung D.S., Cloete I., Shi D., Ng W.W.Y. Sensitivity Analysis for Neural Networks. Heidelberg: Springer. 2010. P. 89.
7. Merritt R. AI Becomes the New Moore’s Law // EE Times. [Электронный ресурс]URL: https://www.eetimes.com/document.asp?doc_id=1333471 (Дата обращения: 3.09.2019).
8. Галушкин А.И., Пантюхин Д.В. СуперЭВМ и мемристоры // Информационные технологии. 2016. Т. 22. № 4. С. 304-312.
9. Mikhaylov A.N., Morozov O.A., Ovchinnikov P.E., Antonov I.N., Belov A.I., Korolev D.S., Sharapov A.N., Gryaznov E.G., Gorshkov O.N., Pigareva Y.I., Pimashkin A.S., Lobov S.A., Kazantsev V.B. One-board design and simulation of double-layer perceptron based on metal-oxide memristive nanostructures // IEEE Transactions on Emerging Topics in Computational Intelligence. 2018. V. 2. № 5. P. 371-379.
10. Merrikh F., Prezioso M., Chakrabarti B., Kataeva I., Strukov D. Implementation of multilayer perceptron network with highly uniform passive memristive crossbar circuits / // Nature Communications. 2018. V. 9. № 1.
11. Kataeva I., Ohtsuka S., Nili H., Kim H., Isobe Y., Yako K., Strukov D. Towards the development of analog neuromorphic chip prototype with 2.4m integrated memristors // 2019 IEEE International Symposium on Circuits and Systems (ISCAS). 2019. P. 1-5.
12. Nikiruy K.E., Emelyanov A.V., Rylkov V.V., Sitnikov A.V., Demin V.A. Adaptive Properties of Spiking Neuromorphic Networks with Synapses Based on Memristive Elements // Technical Physics Letters. 2019. V. 45. P. 386-390. 
13. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия-Телеком. 2013. 496 с.
14. Lanza M., Wong P., Pop E., Ielmini D. Recommended Methods to Study Resistive Switching Devices // Advanced Electronic Materials. 2019. V. 5. P. 1-28.
15. Chua L. Five non-volatile memristor enigmas solved // Applied Physics. 2018. V. 124. P. 563-606.
16. Mehonic A., Joksas D., Ng W., Buckwell M., Kenyon A. Simulation of Inference Accuracy Using Realistic RRAM Devices Front // Neuroscience. 2019. V. 13. Р. 1-15.
17. Galushkin A.I., Danilin S.N., Shchanikov S.A. The research of memristor-based neural network components operation accuracy in control and communication systems // 2015 Proceedings of International Siberian Conference on Control and Communications. 2015. P. 1-6. 
18. ГОСТ 27.002-2015 Надежность в технике. Термины и определения. Официальное издание. М.: Стандартинформ. 2016. 28 с.
19. Details for IEV number 192-01-22: «dependability» // IEC 60050 International Electrotechnical Vocabulary. [Электронный ресурс] URL: http://www.electropedia.org/iev/iev.nsf/display?openform&ievref=192-01-22 (дата обращения: 23.01.2019).
20. Details for IEV number 192-10-09: «fault tolerance» // IEC 60050 – International Electrotechnical Vocabulary. [Электронный ресурс] URL: http://www.electropedia.org/iev/iev.nsf/display?openform&ievref=192-10-09 (дата обращения: 23.01.2019).
21. ГОСТ Р 27.301–2011. Надежность в технике. Управление надежностью. Техника анализа безотказности. Основные положения. М.: Стандартинформ. 2013. 19 с.
22. Danilin S.N., Shchanikov S.A., Panteleev S.V. Determining Operation Tolerances of Memristor-Based Artificial Neural Networks // Engineering and Telecommunication (EnT). 2016. P. 34-38.
23. Danilin S.N., Shchanikov S.A., Sakulin A.E., Bordanov I.A. Determining the Fault Tolerance of Memristors-Based Neural Network Using Simulation and Design of Experiments // Engineering and Telecommunication (EnT-MIPT). 2018.  Р. 205-209.
24. Морозов О.А., Овчинников П.Е., Михайлов А.Н. Разработка искусственной нейронной сети с формированием весовых коэффициентов на основе мемристивных наноструктур // Tруды XXI науч. конф. по радиофизике. 2017.  С. 348-350.