Нейрокомпьютеры и МПС для машинного обучения

ВВЕДЕНИЕ

Актуальность темы обусловлена растущим интересом к применению машинного обучения в различных сферах, таких как медицина, финансы, транспорт, производство и т. д. Для обработки и анализа больших объемов данных требуются высокопроизводительные вычислительные системы, такие как нейрокомпьютеры и МПС. Исследование этих устройств позволит раскрыть их возможности и оценить их роль в развитии машинного обучения и применении его в реальных условиях.Объект исследования. Нейрокомпьютеры и многопроцессорные системы (МПС), которые используются в машинном обучении для обработки больших объемов данных и выполнения сложных вычислительных задач.Предмет исследования. Возможности применения нейрокомпьютеров и МПС для машинного обучения, их преимущества и недостатки, а также перспективы развития технологий и методов, связанных с этими устройствами.Цель работы. Исследовать нейрокомпьютеры и МПС для машинного обучения.Задачи работы:исследовать актуальность и работу тензорных ядер;провести практический анализ актуальности и работы тензорных ядер от производителей: Nvidia, Google TPU, IVA TPU;провести обзор процессоров (нейропроцессоров), применяемых в МПС для машинного обучения;определить проблемные аспекты и разработать направления совершенствования работы тензорных ядер.Структура работы. Работа состоит из введения, теоретической части в виде четырёх разделов, заключения и списка использованных источников.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Астапов, Р. Л. Автоматизация ПОДБОРА ПАРАМЕТРОВ МАШИННОГО ОБУЧЕНИЯ И ОБУЧЕНИЕ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ / Р. Л. Астапов, Р. М. Мухамадеева // . – 2021. – № 5-2(73). – С. 34-37.Бондаренко, В. И. О вкладе тензорных сил в формирование Гамов-Теллеровского резонанса и его обертона в средне-тяжелых ядрах с заполненными оболочками / В. И. Бондаренко, С. Ю. Игашов, М. Г. Урин // Лазерные, плазменные исследования и технологии - ЛАПЛАЗ-2021 : СБОРНИК НАУЧНЫХ ТРУДОВ VII МЕЖДУНАРОДНОЙ КОНФЕРЕНЦИИ, Москва, 23–26 марта 2021 года. Том Часть 1. – Москва: Национальный исследовательский ядерный университет «МИФИ», 2021. – С. 353-354.Бондаренко, В. И. О тензорных корреляциях в формировании зарядово-обменных гигантских спин-мультипольных резонансов в среднетяжелых магических материнских ядрах / В. И. Бондаренко, М. Г. Урин // Ядерная физика. – 2022. – Т. 85, № 3. – С. 187-195.Горбаченко, В. И.  Интеллектуальные системы: нечеткие системы и сети : учебное пособие для вузов / В. И. Горбаченко, Б. С. Ахметов, О. Ю. Кузнецова. — 2-е изд., испр, и доп. — Москва : Издательство Юрайт, 2023. — 105 с.Горбунов, П. М. Машинное обучение. Автоматизация подбора модели машинного обучения / П. М. Горбунов, Ю. А. Мацкевич, А. В. Чубарь // Робототехника и искусственный интеллект : материалы XIII Всероссийской научно-технической конференции с международным участием, Красноярск, 27 ноября 2021 года / Министерство науки и высшего образования Российской Федерации, Сибирский федеральный университет, Межинститутская базовая кафедра «Прикладная физика и космические технологии». – Красноярск: ЛИТЕРА-принт, 2021. – С. 155-160.Городничев, Д. Ю. Машинное обучение и глубокое обучение / Д. Ю. Городничев // Современные проблемы лингвистики и методики преподавания русского языка в ВУЗе и школе. – 2022. – № 38. – С. 278-281.Князьков, В. С. Тензорные процессоры семейства Googlе TPU: архитектура и технические особенности / В. С. Князьков // Фундаментальная и прикладная наука: состояние и тенденции развития : монография. – Петрозаводск : Международный центр научного партнерства «Новая Наука» (ИП Ивановская И.И.), 2021. – С. 134-155.Михайлов, А. С. Перспективы использования тензорных ядер в глубоком обучении / А. С. Михайлов, Н. С. Захаров // Актуальные проблемы авиации и космонавтики : Сборник материалов VI Международной научно-практической конференции, посвященной Дню космонавтики. В 3-х томах, Красноярск, 13–17 апреля 2020 года / Под общей редакцией Ю. Ю. Логинова. Том 2. – Красноярск: Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева», 2020. – С. 153-155.Новиков, Ф. А.  Символический искусственный интеллект: математические основы представления знаний : учебное пособие для вузов / Ф. А. Новиков. — Москва : Издательство Юрайт, 2023. — 278 с.Осипенко, П. Н. Блок тензорных вычислений для ускорения расчета искусственных нейронных сетей / П. Н. Осипенко // Наноиндустрия. – 2020. – Т. 13, № S5-2(102). – С. 297-300.Применение CUDA и тензорных ядер в задачах обнаружения и распознавания объектов / С. В. Дегтерев, Т. И. Лапина, Ю. А. Криушина, Е. А. Криушин // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. – 2022. – Т. 12, № 1. – С. 99-110.Реализация нейронной сети LSTM на процессоре 1879ВМ6Я / В. В. Жолондковский, С. В. Ландышев, Ю. И. Бочаров, В. А. Бутузов // Цифровая обработка сигналов и ее применение. DSPA - 2020 : Доклады на 22-й Международной конференции, Москва, 14–15 апреля 2020 года. – Москва: Российское научно-техническое общество радиотехники, электроники и связи им. А. С. Попова, 2020. – С. 609-614.Советов, Б. Я.  Информационные технологии : учебник для среднего профессионального образования / Б. Я. Советов, В. В. Цехановский. — 7-е изд., перераб, и доп. — Москва : Издательство Юрайт, 2023. — 327 с.Сохина, С. А. Машинное обучение. Методы машинного обучения / С. А. Сохина, С. А. Немченко // Современная наука в условиях модернизационных процессов: проблемы, реалии, перспективы : Сборник научных статей по материалам V Международной научно-практической конференции, Уфа, 30 апреля 2021 года. – Уфа: Общество с ограниченной ответственностью «Научно-издательский центр «Вестник науки», 2021. – С. 165-168.Станкевич, Л. А.  Интеллектуальные системы и технологии : учебник и практикум для среднего профессионального образования / Л. А. Станкевич. — 2-е изд., перераб, и доп. — Москва : Издательство Юрайт, 2023. — 495 с.