Модель та метод синтезу нейронного елемента паралельно-потокового типу

Abstract

Розроблено узагальнену модель нейронного елемента паралельно-потокового типу, основними компонентами якої є перетворювач форматів даних, пристрій обчислення скалярного добутку та блок реалізації функції активації, яка забезпечує високу ефективність використання обладнання внаслідок вибору кількості розрядів для формування групових часткових добутків і узгодження частоти введення даних з частотою роботи конвеєра. Проаналізовано алгоритми для обчислення скалярного добутку та обґрунтовано вибір паралельного вертикально-групового методу обчислення скалярного добутку з аналізом k розрядів для формування групових часткових добутків. Для групового підсумовування вибрано каскадний паралельно-паралельний алгоритм, який забезпечує конвеєризацію процесу підсумовування шляхом введення буферних регістрів між ярусами суматорів. Розроблення нейронного елемента паралельно-потокового типу запропоновано виконувати на підставі таких принципів: використання базису елементарних арифметичних операцій; організація процесу обчислення скалярного добутку як виконання єдиної операції; локалізація та спрощення зв'язків між сходинками конвеєра; забезпечення балансу між введенням-виведенням і обчисленнями; використання конвеєризації та просторового розпаралелювання процесу обчислення; мінімізація зовнішнього інтерфейсу зв'язку. Запропоновано оцінювання апаратної реалізації нейронного елемента здійснювати за критерієм ефективності використання обладнання, який враховує складність, час і витрати обладнання на реалізацію алгоритму та дає оцінку внеску кожного вентиля в загальну продуктивність нейронного елемента. Показано, що синтез нейроелемента паралельно-потокового типу зводиться до мінімізації апаратних затрат при забезпечені обчислення скалярного добутку та функції активації в реальному часі. Розроблено метод синтезу нейронного елемента паралельно-потокового типу, який, за рахунок розбиття його на сходинки та узгодження часу надходження даних з тактом конвеєра, забезпечує синтез цього нейронного елемента з високою ефективністю використання обладнання та обробленням потоків даних у реальному часі.