Нейрокомпьютеры

2019/2020

Статус: Майнор

Кто читает: Департамент программной инженерии

Где читается: Факультет компьютерных наук

Когда читается: 1, 2 модуль

Преподаватели: Воронков Илья Михайлович, Дам Ван Ньить, Пантюхин Дмитрий Валерьевич, Силаев Юрий Владимирович

Язык: русский

Кредиты: 5

Контактные часы: 52

Полная версия программы учебной дисциплины

Аннотация

Дисциплина Нейрокомпьютеры является третьей дисциплиной майнора Нейросетевые технологии, предназначена для студентов третьего курса бакалавриата. Дисциплина ставит своей целью ознакомить студентов с устройством параллельных вычислителей - нейрокомпьютеров, предназначенных для аппаратного ускорения нейронных сетей. В первом модуле рассматриваются основы цифровой обработки сигналов и адаптивной фильтрации: линейные и нелинейные фильтры, контроллеры, эквалайзеры и др. Во втором модуле изучается архитектура универсальных (графические ускорители) и специализированных (нейрочипы) вычислительных средств для реализации нейронных сетей. Дисциплина является основой для курсовых и дипломных работ, требует предварительного изучения дисциплины Теория нейронных сетей.

Цель освоения дисциплины

Приобретение базовых знаний о цифровой обработке сигналов, адаптивной фильтрации и устройств для их выполнения
Приобретение базовых знаний об устройстве универсальных (графические ускорители) и специализированных (нейрочипы) вычислительных средств для реализации нейронных сетей

Планируемые результаты обучения

Умеет рассчитывать линейные и нелинейные фильтры
Знает основные виды цифровых фильтров
Знает основные виды нейрочипов и нейрокомпьютеров

Содержание учебной дисциплины

Основы цифровой обработки сигналов и адаптивной фильтрации
Введение в теорию цифровой обработки сигналов. Аналоговые и цифровые сигналы. Оцифровка сигналов. Представление чисел. Линейные неадаптивные фильтры. КИХ и БИХ фильтры. Фильтр Винера. Линейные адаптивные фильтры. LMS фильтр. Модификации LMS фильтра. Нелинейные адаптивные фильтры. Нейросетевые фильтры. Нейроуправление. Задачи идентификации, фильтрации, управления.
Нейрокомпьютеры
Понятие о нейрокомпьютерах и нейрочипах. История нейрокомпьютеров. Архитектура ЭВМ фонНеймана. Отличия архитектуры нейрокомпьютеров. SIMD, MIMD архитектуры. Цифровые, аналоговые, цифро-аналоговые нейрокомпьютеры. GPU как эффективный эмулятор нейронных сетей. Архитектура GPU. Язык CUDA. Пакеты эмуляции нейронных сетей на GPU. Способы оценки производительности суперкомпьютеров. Рейтинг Топ-500, Green 500. Библиотеки BLAS и Linpack. Аналоговый нейрочип Intel ETANN Цифровой нейрочип IBM ZISC Понятие о спайковых нейронных сетях. Модели спайковых сетей. LIF модель. STDP модель. Цифровой нейрочип IBM TrueNorth Другие проекты нейрочипов. Мемристоры – новые перспективные элементы для нейрокомпьютеров. Понятие мемристора. Технологии изготовления мемристоров. Математические модели мемристоров. Программные модели мемристоров. Проекты нейрокомпьютеров с мемристорами.

Элементы контроля

Контрольные вопросы по лекциям
Контрольные вопросы по лекциям. Регулярные тесты по материалам прошедших лекций. Не менее 4 раз за дисциплину. Возможно проведение онлайн. Разрешено использование только собственных записей и материалов, размещенных в ЛМС. Пересдаче не подлежит. При пропуске по уважительной причине можно сдать на следующем занятии. Пропуск по неуважительной причине оценивается в 0 баллов. За каждый тест выставляется 10 бальная оценка, общая оценка считается как среднее арифметическое от всех полученных оценок за тесты, округляется по стандартным правилам.
Контрольные задания по практическим занятиям
Контрольные задания по практическим занятиям. Регулярные задания по темам практических занятий. Не менее 4 раз за дисциплину. Разрешенные источники указываются преподавателем для каждого задания. Пересдаче не подлежит. При пропуске по уважительной причине можно сдать на следующем занятии. Пропуск по неуважительной причине оценивается в 0 баллов. За каждое задание выставляется 10 бальная оценка, общая оценка считается как среднее арифметическое от всех полученных оценок, округляется по стандартным правилам.
Модульная контрольная работа
Модульная контрольная работа. Проводится в конце 1 модуля по пройденным материалам. В виде теста и\или расчетной (практической) части. Не более 2 ак. час. Может проводиться онлайн. Разрешенные источники указываются преподавателем в задании. Пересдаче не подлежит. При пропуске по уважительной причине можно сдать, по решению преподавателя, на одном из последующих занятий. Пропуск по неуважительной причине оценивается в 0 баллов. Оценка 10-бальная. Оценивается качество ответов на вопросы тестов и выполнения практического задания.
Домашнее задание
Презентация (устный доклад) по выбранной и согласованной теме на 15-20 минут. Пересдаче не подлежит. Проводится на любом семинаре по выбору студента и согласованию с преподавателем. Оценка 10-бальная. Оценивается качество доклада, актуальность и сложность темы, качество ответов на вопросы.
Экзамен
Экзамен (письменный). В виде теста и\или расчетной (практической) части. Проводится в сессию (2 модуль). Не более 2 ак. час. Разрешено использование собственных записей, материалов размещенных в ЛМС, другие источники только с разрешения преподавателя. Оценка 10-бальная. Оценивается качество ответов на вопросы тестов и выполнения практического задания.
Личные достижения
Дополнительная, необязательная оценка, оцениваются личные достижения студента в области нейросетевых технологий как-то: выполненные курсовые работы, научные проекты, опубликованные работы, пройденные онлайн курсы и др. Достижения должны приходиться на период изучения Дисциплины. Не оцениваются повторно. Результаты докладываются публично на семинаре, и должны быть подтверждены. Оценивается сложность, актуальность результатов, качество доклада и ответов на вопросы.

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
ОКРУГЛЕНИЕ (МИНИМУМ(10, 0.4 * Домашнее задание + 0.1 * Контрольные вопросы по лекциям + 0.2 * Контрольные задания по практическим занятиям + 0.7 * Личные достижения + 0.1 * Модульная контрольная работа+ 0.2 * Экзамен))

Программа дисциплины