LogoFullLogoTitlear_Tic_closeic_downloadic_goto_linkic_gridic_mailic_manageric_menuic_phoneic_search
Совершенный инструмент для анализа и управления сложнейшими многопараметрическими процессами

Нервная система живых организмов – совершенный инструмент для анализа и управления сложнейшими многопараметрическими процессами

Искусственные нейронные сети

Модели, построенные по принципу организации сетей нервных клеток живых организмов.

Обучение сети

  • Нейросети не программируются, они обучаются.
  • Для обучения используется БД с известными правильными ответами.
  • Суть обучения в подстройке параметров сети.
  • Тестирование сети проводится на примерах, не входивших в обучающую выборку.

Возможности нейросетей

  1. Нейросети наиболее приспособлены к решению задач, связанных с распознаванием образов.
  2. Сохраняют эффективность даже при наличии лишь части исходных данных.

Типичные задачи

  • Аппроксимация функций по набору точек (многомерная нелинейная регрессия).
  • Классификация данных по заданному набору классов.
  • Кластеризация данных с выявлением заранее неизвестных классов-прототипов.
  • Сжатие информации.
  • Восстановление утраченных данных.
  • Ассоциативная память.
  • Оптимизация, оптимальное управление.

Рынок ИИ

По подсчетам различных аналитические агентств к 2020 году ИИ будет присутствовать практически во всех новых программных продуктах и сервисах. ИИ станет частью стратегии цифровой трансформации и окажется приоритетом для инвестиций почти для трети компаний.

Предсказываемый рост доходов на рынке ИИ с $ 643,7 млн в 2016 году до $ 38,8 млрд к 2025 году.  По другой оценке годовой рост (CAGR) составит 40% с достижением объема порядка $ 60 млрд. к 2025 г.

Одна только тенденция к переносу нейросетевых вычислений из датацентров непосредственно на место получения данных обеспечит рынок в 34 млрд долл к 2023 г.

По заявлениям компании Teradata® ведущие ИТ-компании имеют хотя бы один проект в области искусственного интеллекта.

При этом 80% предприятий инвестируют в технологии искусственного интеллекта.

А каждый третий руководитель считает, что для поддержания конкурентоспособности его компании придется увеличить объем таких инвестиций в течение последующих трех лет. Ожидаемый доход на каждый инвестированный доллар составляет $1,99 в течение ближайших 5 лет и $2,87 в течение последующих 10 лет.

Проблема 1. Аппаратная база

Чем больше нейронов и связей между ними, тем больше вычислений. Следовательно, большие нейросети очень требовательны к ресурсам.

  • На рынке нет доступных нейроморфных процессоров.
  • Существующая архитектура и принцип функционирования нейросетей не соответствует имеющимся аппаратным решениям.
  • Поэтому подавляющее большинство существующих систем – это программные эмуляции нейросетей, в т. ч. с использованием ускорителей.

Проблема 1. Ускорители

В основе ускорителей лежит архитектура векторных сопроцессоров — систем, позволяющих производить потоковые математические операции с массивами данных. При этом представленные на рынке аппаратные решения, подходяшие для работы с нейронными сетями, очень дорогие.

 

Проблема 2. Кадры

Дефицит специалистов
Согласно данным Element AI, сейчас во всем мире менее 10 000 специалистов, способных вести серьёзные исследования в области искусственного интеллекта.

Высокие затраты на персонал
Средняя заработная плата в отрасли находится в пределах 300 000 USD/год.

Наше предложение вносит вклад в решение обеих проблем

Фундаментальные исследования

Алгоритм Двойственного Функционирования (АДФ)
В отличие от известного BackPropagation алгоритм сформулирован в общем виде, позволяющем применять его к любым системам, для которых можно определить функционирование.

  • Показано, что для обучения нейросети требуется как минимум в 3 раза больше элементов, чем для ее функционирования.
  • В реальных сетях можно сократить >90% элементов с соответствующим выигрышем по требуемым вычислительным ресурсам.

Это дает нам возможность свободно подходить к структуре и способам функционирования нейросетей.

Следствия

  • Технология оптимизации структуры имеющихся или разрабатываемых нейросетей.
  • Сигнатурные Адаптивные Фильтры.
  • Принципиально новая структура нейросетей, позволяющая использовать ПЛИС, как нейропроцессор.
  • Новая архитектура цифрового нейропроцессора, позволяющая быстро вывести на рынок эффективный массовый продукт.
  • Гибридные цифро-аналоговые нейропроцессоры для специальных задач.

Облачный конструктор нейросетей

Облачный конструктор нейросетей

Наше решение позволит приблизить большие нейросети к мобильным и бытовым устройствам, сделав искусственный интеллект их естественной составляющей, так как мощности имеющихся в них векторных сопроцессоров станет достаточно.

  • Сократить затраты на аппаратную базу.
  • Повысить конкурентоспособность за счет применения более мощных систем ИИ на имеющейся аппаратной базе.
  • Начать использовать ИИ там, где ранее было недоступно.
  • Сократить расходы на персонал, занятый разработками в области ИИ.

Сигнатурные Адаптивные Фильтры

  • Мозг не использует пиксели для распознавания образов. Он использует сложные фильтры – группы нейронов, активирующихся при наличии в изображении определенных конфигураций и структур.
  • Эти фильтры заданы генетически и не меняются при жизни.
  • Уже сейчас Сигнатурные Адаптивные Фильтры позволят существенно снизить объемы первых слоев нейросетей глубокого обучения для распознавания образов.
  • В пределе, мы сможем выделить конечное количество базовых фильтров, применимых для распознавания любого объекта.

Сигнатурные Адаптивные Фильтры формируются путем моделирования эволюции зрительной коры. Нейроны учатся выделять только значимые для распознавания образа паттерны и их сочетания.

ПЛИС

Плис обеспечивает высокопараллельную обработку информации. Таким образом архитектура плис похожа на архитектуру нейросети.

ПЛИС состоит из:

  • конфигурируемых логических блоков;
  • программируемых электронных связей;
  • программируемых блоков ввода/вывода.

Почему почти нет нейросетей на ПЛИС?

Для реализации на ПЛИС 1 нейрона классической нейросети требуется порядка 5000 блоков. Лучшие ПЛИС при цене >4000 $ имеют 16М блоков. Таким образом на них
можно реализовать не более 3200 нейронов. О серьезных нейросетях при таком соотношении цена/количество речь идти не может.

Высокопроизводительные нейросети на ПЛИС

Мы разработали принципиально новую структуру нейросети, адаптированную под архитектуру ПЛИС.

Сейчас 1 нейрон реализуется с использованием 150 блоков. Мы планируем добиться использования не более 100 блоков на нейрон.

1 НЕЙРОН < 100 БЛОКОВ

 

В сочетании с технологией редукции сложности это позволит строить высокопроизводительные нейросети на ПЛИС и станет реальной массовой альтернативой использованию графических ускорителей в конечных устройствах.

Цифровой нейропроцессор

  • Результаты работ по использованию ПЛИС для аппаратной реализации нейросетей лягут в основу создания собственного нейропроцессора и среды для его программирования.
  • Базой будет являться архитектура ПЛИС, но функционал блоков будет расширен в соответствии с задачей.

РЕЗУЛЬТАТ 1 БЛОК = 1 НЕЙРОН

Нейропроцессор

  • Мы получим простые высокопроизводительные, универсальные нейропроцессоры по невысокой цене.
  • Это ключевой шаг для дальнейшего развития отрасли ИИ и значительная доля на рынке.

Применение

  • Системы машинного зрения, беспилотного управления транспортными средствами, робототехника.
  • Интеллектуальные системы безопасности, контроля производственных процессов.
  • Полноценное речевое взаимодействие на естественном языке.
  • Интеллектуальные медицинские диагностические системы, хирургические ассистенты.

Гибридные нейропроцессоры

Аналогово-цифровые

  • Максимально возможная для электронного устройства скорость работы.
  • Минимальные размеры и энергопотребление.
  • Непосредственная интеграция с сенсорами.

Применение

  • Сигнатурные адаптивные фильтры и система нейросетевого сжатия данных непосредственно интегрирована в CMOS матрицей видеокамер.
  • Многопотоковая нейросетевая обработка больших данных на месте их получения, например, секвенирование ДНК, лаборатории-на-чипе.
  • Имплантируемая электроника, медицинские микророботы, создание целого класса интеллектуальных медицинских устройств.