基本介紹
- 中文名：神經網路計算機
- 外文名：neural network computer
- 特點：模仿人的大腦判斷能力和適應能力
- 類別：計算機
- 提出時間：60年代
- 學科：電子工程
名詞釋義,發展歷程,實現技術,面臨新問題,
名詞釋義
許多新型的電子計算機不僅擁有高速的計算功能，而且還能模擬人腦的某些思維活動，就是說，擁有某些智慧型化的功能。然而，如果嚴格地來鑑定一下，它們離真正的人腦思維功能實在差得太遠了，而且有許多本質的差異。主要表現在人腦擁有高度的自我學習和聯想創造的能力，以及更為高級的尋找最優方案和各種理性的、情感的功能。
神經網路計算機
神經網路計算機一種稱之為神經網路計算機的新型電腦已經製造出來了。它能像人腦那樣進行判斷和預測。它不需要輸入程式，可以直觀地作出答案，也就是說它“看”到什麼就能自行作出反應。它能同時接收幾種信號並進行處理，而不像目前已有的計算機那樣一次只能輸人一個信號。
譬如，它能區別出一個簽名的真偽。它不是憑簽名的圖形是否相像來判斷的，而是根據本人在簽名時筆尖上的壓力隨時間的變化以及移動速度來判斷的。神經網路計算機目前主要的用途是識別各種極細微的變化和趨勢，並發出信號。已經有人用它來控制熱核聚變反應，監督機器的運行，甚至用來挑選蘋果和預測股市行情。
具有模仿人的大腦判斷能力和適應能力、可並行處理多種數據功能的神經網路計算機，可以判斷對象的性質與狀態，並能採取相應的行動，而且可同時並行處理實時變化的大量數據，並引出結論。以往的信息處理系統只能處理條理清晰、經絡分明的數據。而人的大腦卻具有能處理支離破碎、含糊不清信息的靈活性，因而第六代計算機將在較大程度上類似人腦的智慧和靈活性。人腦有140億神經元及10億多神經鍵，人腦總體運行速度相當於每秒1 000萬億次的電腦功能。用許多微處理機模仿人腦的神經元結構，採用大量的並行分散式網路就構成了神經電腦。神經電腦除有許多處理器外，還有類似神經的節點，每個節點與許多點相連。若把每一步運算分配給每台微處理器，它們同時運算，其信息處理速度和智慧型會大大提高。神經電子計算機的信息不是存在存儲器中，而是存儲在神經元之間的聯絡網中。若有節點斷裂，電腦仍有重建資料的能力，它還具有聯想記憶、視覺和聲音識別能力。神經電子計算機將會廣泛套用於各領域。它能識別文字、符號、圖形、語言以及聲納和雷達收到的信號，判讀支票，對市場進行估計，分析新產品，進行醫學診斷，控制智慧型機器人，實現汽車自動駕駛和飛行器的自動駕駛，發現、識別軍事目標，進行智慧型決策和智慧型指揮等。日本科學家開發的神經電子計算機用的大規模積體電路晶片，在1．5厘米正方的矽片上可設定400個神經元和40 000個神經鍵，這種晶片能實現每秒2億次的運算速度。美國研究出由左腦和右腦兩個神經塊連線而成的神經電子計算機。右腦為經驗功能部分，有1萬多個神經元，適於圖像識別；左腦為識別功能部分，含有100萬個神經元，用於存儲單詞和語法規則。
神經網路計算機
神經網路計算機發展歷程
早在40年代，McCulloch和Pitts就已開始了以神經元作為邏輯器件的研究。60年代，Rosenblatt提出了模擬學習和識別功能的“感知機”模型，其構造和規則曾轟動一時，但終因此類機器嚴格的局限性而很快冷落下來。到1982年，Hopfield提出了一種新的理論模型。這一模型簡明地反映了大腦神經系統的分散式記憶存儲、內容定址、聯想以及局部細胞損壞不靈敏等特性。與此同時，神經網路在解決“推銷員旅行”問題、語音識別、音樂片斷的學習創作、英語智慧型讀音系統等方面，都取得了令人鼓舞的結果。因此人工神經網路的研究熱潮在80年代初期又重新興起，成為多學科共同關注的跨學科新領域。不同學科研究神經網路的方法雖不盡相同，但目的都是為了探索大腦智慧型的機制和實現智慧型計算機。人工神經網路研究的進展，使研製神經網路計算機的歷史任務落到了現代高科技的面前。這是社會對智慧型計算機的迫切需要。
實現技術
人工神經網路的主要特點是大量神經元之間的加權互連。這就是神經網路與光學技術相結合的重要原因。電子技術與光學技術相比，精確度高，便於程式控制，抗噪聲能力強。但是，隨著計算機晶片集成度和速度的提高，計算機中的引線問題已成為一個嚴重的障礙。由於電子引線不能互相短路交叉，引線靠近時會發生耦合，高速電脈衝在引線上傳播時要發生色散和延遲，以及電子器件的扇入和扇出係數較低等問題，使得高密度的電子互連在技術上有很大困難。超大規模積體電路（VLSI）的引線問題造成的時鐘扭曲（clock skew），嚴重限制了諾依曼型計算機的速度。而另一方面，光學互連是高度並行的，光線在傳播時可以任意互相交叉而不會發生串擾，光傳播速度極快，其延時和色散可以忽略不計，加上光學元件的扇入和扇出係數都很高，因此光學互連具有明顯的優勢。
正因如此，許多科學家早已開始研究採用光學互連來解決VLSI的引線問題，以及晶片之間、插板之間的連線問題。此外，光學運算的高度並行性和快速實現大信息量線性運算的能力，如矩陣相乘，二維線性變換，二維卷積、積分等，也是用光學手段實現人工神經網路的有利條件。光學信息處理雖有高速度及大信息量並行處理和優點，但要滿足模糊運算和隨機處理的要求還是遠遠不夠的。光學信息處理性能的改進，要求在傳統的線性光學處理系統中引入非線性，而這些問題的解決與神經網路的光學實現恰好不謀而合。光學信息處理中的許多課題，如光計算、圖像變換、相關濾波、特徵提取、邊緣增強、聯想存儲、噪聲消除等，都可以用神經網路的方法來完成。
關於光學神經網路的研究，國內外已提出許多不同的硬體系統。例如，基於光學矢量矩陣相乘的Hopfield網路的外積實現，採用全息存儲和共軛反射鏡（PCM）的全光學系統，採用液晶開關陣列、液晶光閥以及其它空間光調製器（SLM）的內積型光學神經網路，光電混合全雙極“WTA”網路等等。光學神經網路已成為人工神經網路研究的一個重要組成部分。
面臨新問題
已取得重要的進展，但仍存在許多亟待解決的問題。如處理精確度不高，抗噪聲干擾能力差，光學互連的雙極性和可程式問題以及系統的集成化和小型化問題等。這些問題直接關係到神經網路計算機的進一步發展、性能的完善及廣泛的實用化。
雙極神經元態與雙極互連問題
光學神經網路中的互連不僅數量大（N個神經無要求有N[2，2]個互連）、精度高（不是二值的，而是有一定的灰度分布），而且還有正負極性的要求。除此之外，神經元狀態也要求有雙極性。但是用光學實現雙極性是有困難的。目前，已提出了多種解決雙極性的方法，但都帶來了其它缺點，如系統複雜化、光能損失大及互連動態範圍減小等。
大規模光學神經網路系統的實現
神經網路的整體性能與網路中的神經元數有密切關係。雖然光學互連的高度並行性在原則上提供了實現大規模神經網路的可能性，但隨著神經元數目的增加，互連數將會按平方律增加。在系統尺寸一定的條件下，神經元數必然受到空間頻寬積、衍射和畸變的限制。因此大規模神經網路的實現將對光學設計、離軸光學、衍射光學、二元光學器件、集成光學器件以及計算機制全息器件提出更高的要求。
可程式和可調節光學互連的實現
一般神經網路系統中用互連模板實現的互連權重是不可調的。這就使得一個系統只能適用於某種目的或某些特定目標，套用範圍因此而受到極大限制。而可程式和可調節光學互連的實現，將使光學神經網路由目前的專用型系統進一步發展為通用型，並具有自組織、自學習的能力。
