Сформовано операційний базис нейронних мереж і вибрано для апаратної реалізації такі операції: пошуку максимального і мінімального значень, обчисленням суми квадратів різниць і скалярного добутку. Визначено вимоги до апаратних компонентів нейронних мереж з узгодженою вертикально-паралельним обробленням даних, основними з яких є забезпечення: високої ефективності використання обладнання, адаптації до вимог конкретних застосувань, узгодження інтенсивності надходження вхідних даних з інтенсивністю обчислень у апаратній компоненті, роботу у реальному часі, структурної орієнтації на НВІС-реалізацію, малого часу розробки та невисокої вартості. Показано, що основними шляхами управління інтенсивністю обчислень у апаратних компонентах є вибір кількості та розрядності трактів опрацювання даних, зміна тривалості такту роботи шляхом вибору елементної бази та складності операцій, які реалізуються сходинками конвеєра. Запропоновано для реалізації апаратних компонент нейронних мереж з узгодженою вертикально-паралельним обробленням управління використовувати паралельні вертикально-групові методи опрацювання даних, які забезпечують управління інтенсивністю обчислень, зменшення апаратних затрат і НВІС реалізацію. Розроблено паралельний вертикально-груповий метод обчислення максимальних і мінімальних чисел у масивах, який за рахунок паралельного опрацювання зрізу з групи розрядів всіх чисел забезпечує зменшення часу обчислення. Розроблено паралельний вертикально-груповий метод і структуру компоненти обчислення суми квадратів різниць, яка за рахунок розпаралелення та вибору кількості сходинок конвеєра забезпечує узгодження інтенсивності надходження вхідних даних з інтенсивністю обчислень, режим реального часу та високу ефективність використання обладнання. Розроблено паралельний вертикально-груповий метод та структуру компоненти обчислення скалярного добутку, яка порівняно з відомими за рахунок вибору розрядності трактів оброблення та кількості сходинок конвеєра забезпечує узгодження інтенсивності надходження вхідних даних з інтенсивністю обчислень, режим реального часу та високу ефективність використання обладнання. Показано, що використання розроблених компонентів для синтезу нейронних мереж з узгодженою вертикально-паралельним обробленням даних у реальному часі забезпечить зменшення часу і вартості їх реалізації.
[1] Haikin, S. (2016). Neural networks: full course, (2nd ed. add. and revised). (Trans. from English). Moscow: Williams, 1104 p.
[2] Moiseychenko, V. S. (2017). Hardware implementation of artificial neural networks. Part 1. Young scientist, 12(146), 69–72.
[3] Palagin, A. V., Boyun, V. P., & Yakovlev, Yu. S. (2017). Problems of creating computer systems using a nanoelement base. Control systems and machines, 5, 3–15. https://doi.org/10.15407/usim.2017.05.003
[4] Peleshchak, Roman, Lytvyn, Vasyl, Peleshchak, Ivan, & Vysotska, Victoria. (2020). Development of an artificial neural network with oscillatory neurons for spectral pattern recognition. Bulletin of the National University "Lviv Polytechnic" "Information Systems and Networks", 7, 16–23. https://doi.org/10.23939/sisn2020.07.016
[5] Petrushenko, A. M. (2020). The principle of firmware control and automation of design of operating devices. II. Control Systems and Computers, 2, 3–11. https://doi.org/10.15407/csc.2020.02.003
[6] Rashkevich, Yu. M., Tkachenko, R. O., Dragon, I. G, & Peleshko, D. D. (2014). Neuro-like methods, algorithms and structures of signal and image processing in real time: monograph. Lviv: Lviv Polytechnic Publishing House, 256.
[7] Tsmots, I. G, Skorokhoda, O. V., & Medikovsky, M. O. (2019). Device for calculating the scalar product. Patent of Ukraine for the invention № 118596, 11.02.2019, Bull. № 3.
[8] Tsmots, I. G, Teslyuk, V. M, Teslyuk, T. V, Medikovsky, M. O., & Tsymbal, Y. V. (2019). Device for calculating the sums of paired products. Patent of Ukraine № 120210, 25.10.2019, blvd. № 20/2019.
[9] Tsmots, I. H., Lukashchuk, Yu. A., Khavalko, V. M., & Rabyk, V. H. (2019). Models of neural elements of parallel-parallel type. Modeling and Information Technologies, 86, 119–126.
[10] Tsmots, I., Rabyk, V., Skorokhoda, O., & Teslyuk, T. (2019). Neural element of parallel-stream type with preliminary formation of group partial products. Electronics and information technologies (ELIT-2019): proceedings of the XIth International scientific and practical conference, 16–18 September, Lviv, Ukraine, 154–158. https://doi.org/10.1109/ELIT.2019.8892334
[11] Tsmots, Ivan, Skorokhoda, Oleksa, Ignatyev, Ihor, & Rabyk, Vasyl. (2017). Basic Vertical-Parallel Real Time Neural Network Components. Proceedings of XIIth International Scientific and Technical Conference CSIT 2017, 5–8 September 2017. Lviv, Ukraine, 344–347. https://doi.org/10.1109/STC-CSIT.2017.8098801
[12] Tsmots, Ivan, Teslyuk, Vasyl, Teslyuk, Taras, & Ihnatyev, Ihor. (2018). Basic Components of Neuronetworks with Parallel Vertical Group Data Real-Time Processing. Advances in Intelligent Systems and Computing II, Advances in Intelligent Systems and Computing, 689. Springer International Publishing AG, 558–576. https://doi.org/10.1007/978-3-319-70581-1_39
[13] Yakovlev, Yu. S. (2016). About an estimation of efficiency of application of FPGA as a part of PIM-systems. Control systems and machines, 1, 56–61. https://doi.org/10.15407/usim.2016.01.056
[14] Zhang, C., Li, P., Sun, G., Guan, Y., Xiao, B., & Cong, Zhang, J. (2015). Optimizing FPGA-based accelerator design for deep convolutional neural networks. Proceedings of the 2015 ACM/SIGDA International Symposium on FieldProgrammable Gate Arrays. ACM, 161–170. https://doi.org/10.1145/2684746.2689060
Zoev, Y. V., Beresnev, A. P., Markov, N. H., & Malchukov, A. N. (2017). FPGA-based device for handwriting digit recognition in images. Computer Optics, 41(6), 938–949. https://doi.org/10.18287/2412-6179-2017-41-6-938-949