35

Maqolada formal neyron tarmoq algoritmlarini apparatni tezlashtirishning mavjud yondashuvlari ko'rib chiqiladi, bu esa ishlash va energiya iste'moli nuqtai nazaridan ushbu muammolarni hal qilishning eng istiqbolli vositalari sinaptik birikmalar sifatida memristor tuzilmalari bilan ixtisoslashgan arxitektura yechimlari ekanligini ko'rsatadi..

  • Web Address
  • DOI10.24412/2181-144X-2023-2-5-9
  • Date of creation in the UzSCI system 06-04-2024
  • Read count 35
  • Date of publication 23-06-2023
  • Main LanguageO'zbek
  • Pages5
Ўзбек

Maqolada formal neyron tarmoq algoritmlarini apparatni tezlashtirishning mavjud yondashuvlari ko'rib chiqiladi, bu esa ishlash va energiya iste'moli nuqtai nazaridan ushbu muammolarni hal qilishning eng istiqbolli vositalari sinaptik birikmalar sifatida memristor tuzilmalari bilan ixtisoslashgan arxitektura yechimlari ekanligini ko'rsatadi..

Русский

В статье рассматриваются существующие подходы к аппаратному ускорению алгоритмов формальных нейронных сетей, которые показывают, что наиболее перспективными средствами для решения этого круга задач с точки зрения производительности и энергопотребления являются специализированные архитектурные решения с мемристорными структурами в качестве синаптических соединений.

English

The article discusses existing approaches to hardware acceleration of formal neural network algorithms, which shows that the most promising means for solving this range of problems in terms of performance and energy consumption are specialized architectural solutions with memristor structures as synaptic connections.

№ Name of reference
1 Sejnowski T. J. The Computer and the Brain Revisited // IEEE Ann. Hist. Comput. 1989. Vol. 11. P. 197–201
2 Mead C. Neuromorphic Electronic Systems Proceedings of the IEEE 1990. vol. 78. P. 1629–1636.
3 Chiang M. L., Lu T. G., Kuo J. B. Analogue adaptive neural network circuit // IEE Proceedings, Part G Circuits, Devices Syst. 1991. Vol. 138. P. 717–723.
4 Burr J. B. Digital Neural Network Implementations 1 Introduction 2 Classifying VLSI implementations // Neural networks, concepts, Appl. implementations. 1995. P. 1–48.
5 Monroe D. Neuromorphic computing gets ready for the (really) big time // Commun. ACM. 2014. Vol. 57. P. 13–15.
6 Nickolls J., Dally W. J. The GPU computing era // IEEE Micro. 2010. Vol. 30. P. 56–69.
Waiting