Informatika | Tanulmányok, esszék » CNN számítógépek

Analogikai Celluláris Számítógépek Bevezetés Az olcsón elérhető számítástechnikai alkatrészek bonyolultsága egyre nő: Pentium processzorok, CD, DVD, scanner, nagy kapacitású tárolók és ma már az érzékelők is. Például a Hubble űrteleszkóp naponta 86Gigabitnyi mérési adatot szolgáltat, ami valós idejű feldolgozásra vár. A “hagyományos” számítógépek gyakorlatilag elérték működési korlátaikat, ennek ellenére nem képesek olyan egyszerűnek tűnő feladatok megoldására, amire a primitív élőlények igen. Egy új számítógép-elv-re van szükség, ilyen az Analogikai Celluláris Számítógép. A mai elektronikai – számítástechnikai - információtechnikai világban a harmadik technológiai hullám indult el. Az első a 80-as években az olcsó mikroprocesszorok teremtette PC ipar volt, majd az olcsó lézer teremtette Internet ipar (90-es évek). Most a mikroérzékelők és mikrobeavatkozók forradalma zajlik. Ezek az eszközök

új ipart teremtenek, amelyben újfajta érzékelő-számítógépekre lesz szükség Az Analogikai Vizuális Mikroprocesszor (az Analogikai Celluláris Számítógép egy chipre integrálva) az egyik igen ígéretes pályázó ebben a versenyben. Ez az eszköz képes több fajta érzékelőjének jeleit kombinálni, például normál, röntgen és infravörös kamera képeit feldolgozni és egyesíteni. 1960 és 2000 között az egy mikroprocesszorban lévő tranzisztorok száma 1-ről közel 1 milliárdra változott. Ez alatt a négy évtized alatt egyre komplexebb lapkák jelentek meg közel azonos áron A chipek szerveződési és működési elve azonban nem változott, máig a Neumann János alkotta tárolt programú, digitális szerkezeti modellt követik. A mai CMOS alapú elektronikai technológia azonban lassan eléri működési korlátait, ezért ma már újfajta számítógépek konstrukciójával foglalkoznak a kutatók és mérnökök. Egy ilyen újfajta eszköz a

Analogikai Vizuális Mikroprocesszor (rövidítve CNN-UM: Cellular Neural/Non-linear Network – Universal Machine). A processzor működtetése a hagyományos, rugalmas tárolt-program vezérléssel történik, azonban a műveletek jó része folytonos, analóg jelek térképszerű képein folyik. Ezeket gyakran a fizika végzi el, például az összeadást Kirchoff első (csomóponti) törvénye. Az élőlények páratlan kép, hang, tapintás, illat felismerési képességeinek reprodukálása a jelenlegi eszközökkel nagy számításigényű, nehéz feladatok, amelyekben az óriásgépek is gyengék, vagy legalábbis aránytalanul nagy méretűek és túl sok elektromos energiát fogyasztanak - az élő szervezetek számára egyszerű feladatok megoldására. Ugyanakkor néhány ezer lassú, egyszerű idegsejt vagy molekula csodákra képes, mint számítógép. A természetben a jelek nem diszkrétek, ezek a “számítógépek” folytonos jelek seregeivel dolgoznak. A

vízcsapból kifolyó vízsugár turbulenciájának kiszámítása, vagy egy egyszerű hullámjelenség szimulációja eddig komoly számítási teljesítményt jelentett. Érdekes hullámszerű jelenségek történnek például az interneten, sokszor a használók és tervezők akarata és kedve ellenére. Ilyen (értelmes képfeldolgozási feladatokban is használható) feladatokra az Analogikai Vizuális Mikroprocesszor hatékony és gyors választ ad. 1999 szeptember végétől már rendszerben is működik ilyen 4096 processzoros, optikai bemenetű Analogikai Vizuális Mikroprocesszor. A chip programozottan, valódi komplex feladatok megoldására képes, sőt néhány gyakorlati feladatban már bizonyította is képességeit. A kísérletek alapján a processzor képes akár 50 ezer kép/mp-es képváltási sebességgel felismerni tárgyakat. Komplex, zajos, mozgó környezetben (pl. sötétben, esőben leszálló repülőgép navigációjakor) szuperszámítógép

teljesítményt nyújt: 1cm2 szilícium-on, 1W disszipációval, a versenytárs 9200db Pentium processzoros gép 1.8m2 szilícium felületével és negyed megawattos energiaigényével szemben Már tervezik a 256x256 processzoros chipet. Az így kialakított 64 ezer processzoros CNN-UM chip egy háztartási gépben vagy a ház körüli biztonsági felügyelő rendszerben már képes lesz olyan feladatokra is, amit ma csak harci repülőgépek vagy nagyobb bankok engedhetnek meg maguknak. A CNN hálózat alapelve: sok egyszerű analóg processzor lokálisan van összekötve Analogikai Vizuális Mikroprocesszor alapja a cellulár-neurális hálózat vagy röviden CNN (Cellular Neural/nonlinear Network). Ez egy csatolt, analóg, dinamikus, nem lineáris processzor tömb, amely alapértelmezésben egy NxM-es négyzetrácson elhelyezkedő, lokálisan összekötött cella-rendszert alkot. A négyzetrács minden csúcspontjában egy processzor van Ezen cellák csak egy véges (rsugarú)

lokális környezetben vannak kapcsolatban a környező cellákkal A jelenlegi chipeken N és M száz körüli érték (azaz több tízezer cella működik párhuzamosan), r általában egy, azaz egy 3x3-as terület van közvetlenül összekapcsolva. A szomszédságon belül a cellák közötti interakciót általános esetben egy csatolt differenciál-egyenletrendszer írja le. Az interakciók (csatolások) erősségét mátrixok adják meg: az előrecsatoló (B) és a visszacsatoló (A) mátrix, valamint a (z) érték, amely egy küszöbértéket beállító tényező. Minden cellának két olyan kezdeti jele van, amelyeken a dinamika működik: a bemenet u és a kezdeti állapot x(0). A négyzetrácsban elhelyezkedő cellák viselkedését összességükben tehát a két kezdeti jelérték és a csatolási mátrixok (A, B, z) határozzák meg. Ezeket a csatolási mátrixokat templatenek nevezzük [4] A cellák x állapotából y kimenetük egy nem-lineáris függvény

kiszámításával adódik. Kézenfekvő a CNN és a képfeldolgozás kapcsolata. Feleltessük meg minden cellának a kép egy képelemét, pixelét, ekkor a cellák bemenetei, állapotai és kimenetei (u, x, y) egy-egy képet kódolnak. Jelentse +1 a fekete és -1 a fehér értékét, a köztes értékek pedig a szürke árnyalatokat. A két független kezdeti kép a bemenet illetve a kezdeti értékek által kódolt képek, a kimenet pedig az eredmény-kép. Természetesen a rendszer térben diszkrét (digitális). A CNN hagyományos működésekor a számítás végére kialakuló kimeneti képet tekintjük az adott processzálás eredményének. Az idő előrehaladtával a dinamikus rendszer általában egy stabil állapotba jut, vannak azonban olyan esetek, amikor minden cellát telítésbe vinne a dinamika, ezért csak egy adott ideig működtetjük a rendszert. A retinamodellezés esetén a CNN számítás folyamata (a cellák időbeli viselkedése) az értékes információ.

Ezt az elemzési módot nevezzük téridőbeli működésnek A hálózat tervezése, beállítása nyilván bonyolultabb a hagyományos csak térprocesszáló esethez képest