RU2759964C1 - Нейронная сеть конечного кольца - Google Patents

Нейронная сеть конечного кольца Download PDF

Info

Publication number
RU2759964C1
RU2759964C1 RU2020127146A RU2020127146A RU2759964C1 RU 2759964 C1 RU2759964 C1 RU 2759964C1 RU 2020127146 A RU2020127146 A RU 2020127146A RU 2020127146 A RU2020127146 A RU 2020127146A RU 2759964 C1 RU2759964 C1 RU 2759964C1
Authority
RU
Russia
Prior art keywords
register
outputs
inputs
neurons
input
Prior art date
Application number
RU2020127146A
Other languages
English (en)
Inventor
Валерий Петрович Ирхин
Вячеслав Александрович Мельник
Андрей Николаевич Ерофеев
Александр Юрьевич Березин
Евгений Николаевич Телегин
Original Assignee
Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации filed Critical Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации
Priority to RU2020127146A priority Critical patent/RU2759964C1/ru
Application granted granted Critical
Publication of RU2759964C1 publication Critical patent/RU2759964C1/ru

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/60Methods or arrangements for performing computations using a digital non-denominational number representation, i.e. number representation without radix; Computing devices using combinations of denominational and non-denominational quantity representations, e.g. using difunction pulse trains, STEELE computers, phase computers
    • G06F7/72Methods or arrangements for performing computations using a digital non-denominational number representation, i.e. number representation without radix; Computing devices using combinations of denominational and non-denominational quantity representations, e.g. using difunction pulse trains, STEELE computers, phase computers using residue arithmetic
    • G06F7/724Finite field arithmetic
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/60Methods or arrangements for performing computations using a digital non-denominational number representation, i.e. number representation without radix; Computing devices using combinations of denominational and non-denominational quantity representations, e.g. using difunction pulse trains, STEELE computers, phase computers
    • G06F7/72Methods or arrangements for performing computations using a digital non-denominational number representation, i.e. number representation without radix; Computing devices using combinations of denominational and non-denominational quantity representations, e.g. using difunction pulse trains, STEELE computers, phase computers using residue arithmetic
    • G06F7/727Modulo N arithmetic, with N being either (2**n)-1,2**n or (2**n)+1, e.g. mod 3, mod 4 or mod 5
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/60Methods or arrangements for performing computations using a digital non-denominational number representation, i.e. number representation without radix; Computing devices using combinations of denominational and non-denominational quantity representations, e.g. using difunction pulse trains, STEELE computers, phase computers
    • G06F7/72Methods or arrangements for performing computations using a digital non-denominational number representation, i.e. number representation without radix; Computing devices using combinations of denominational and non-denominational quantity representations, e.g. using difunction pulse trains, STEELE computers, phase computers using residue arithmetic
    • G06F7/729Methods or arrangements for performing computations using a digital non-denominational number representation, i.e. number representation without radix; Computing devices using combinations of denominational and non-denominational quantity representations, e.g. using difunction pulse trains, STEELE computers, phase computers using residue arithmetic using representation by a residue number system
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Error Detection And Correction (AREA)

Abstract

Изобретение относится к нейрокомпьютерной технике и предназначено для классификации классов чисел по заданному модулю р. Техническим результатом является повышение быстродействия нейронной сети при классификации вычетов. Устройство содержит входной, скрытый и выходной слои нейронов, два регистра, группу блоков элементов И и группы элементов И. 1 ил.

Description

Изобретение относится к нейрокомпьютерной технике и предназначено для классификации классов чисел по заданному модулю р.
Близким по технической сущности (аналогом к предлагаемому изобретению) является устройство (патент РФ №2279132, МКИ G06N 3/04, Б.И. №18, 2006 г.), содержащее входной и скрытый слой нейронов, выходной слой нейронной сети.
Недостаток аналога - низкое быстродействие при классификации классов чисел по заданному модулю р.
Наиболее близким (прототипом к предлагаемому изобретению является устройство (патент РФ №2701064, МКИ G06N 3/04, Б.И. №27, 2019 г.), содержащее входной, скрытый и выходной слои нейронов, два регистра и группу блоков элементов И).
Недостаток прототипа - низкое быстродействие классификации чисел по заданному модулю, ввиду того, что скрытые слои рекурсивно объединяются, организуя логарифмическое суммирование. При этом в процессе участвуют все элементы входного слоя. Однако не учитывается двойственность распределения остатков в периоде повторения, т.е. остатки, парные суммы которых равны р, что позволяет исключить соответствующие разряды в двоичном представлении исходного числа. Это позволяет минимум в два раза уменьшить число проводимых рекурсий, т.к. сложение с нулем представляет собой фактически не бинарную, а унарную операцию. Тем самым существенно увеличивается быстродействие проводимой операции.
Задача, на решение которой направлено заявляемое устройство, состоит в повышении производительности перспективных образцов нейрокомпьютерной техники.
Технический результат выражается в повышении быстродействия (уменьшении временных затрат) при классификации чисел по заданному модулю р.
Технический результат достигается тем, что в устройство, содержащее нейронную сеть конечного кольца для классификации чисел по модулю, содержащая входной слой, предназначенный для хранения числа, представленного в позиционной системе счисления, скрытый слой нейронов, предназначенный для взвешенного суммирования сохраненных чисел по формуле
Figure 00000001
где
Figure 00000002
является оператором извлечения m-го разряда двоичного представления числа, полученного после t-й итерации; K - старший разряд двоичного числа, полученного после t-й итерации; Cm - константа соответственно для каждой итерации; выходной слой, предназначенный для формирования на своих выходах вычетов числа Z по выбранному модулю р суммирования; первый и второй регистры, группу блоков элементов И, при этом выходы нейронов входного слоя подключены ко входам нейронов скрытого слоя, соединенных попарно между собой, выходы нейронов скрытого слоя соединены со входами нейронов выходного слоя, информационный вход кода исходного числа соединен с информационным входом первого регистра, вход начала вычислений устройства соединен с входами записи первого и второго регистров, а информационный вход нулевого разряда второго регистра соединен с входом записи второго регистра, l-е выходы разрядов первого регистра
Figure 00000003
Figure 00000004
Figure 00000005
где: n - число двоичных разрядов первого регистра, τр - период повторения остатков по модулю р весов разрядов в двоичном коде,
соединены с соответствующими первыми входами i-x блоков элементов И группы, вторые входы которых соединены с i-ми выходами второго регистра, а выходы - с соответствующими j-ми нейронами входного слоя, причем
Figure 00000006
где K - старший разряд исходного двоичного числа, полученного после t-й итерации, Cm - константа соответственно для каждой итерации, отличающаяся тем, что в нее введены (τр/2) групп элементов И, причем первые входы d-x элементов И q-й группы
Figure 00000007
соединены с выходами (q+d⋅τp)-x разрядов первого регистра, выходы
Figure 00000008
разрядов которых соединены с входами установки в ноль
Figure 00000009
разрядов первого регистра.
Сущность изобретения заключается в следующем. Если модуль р является простым числом, то вторая половина периода повторения остатков от чисел
Figure 00000010
оказывается двойственной к первой. Из теории чисел известно, что последовательность чисел |2i|p имеет некоторый период повторения равный τр. В общем виде
Figure 00000011
где I2 - индекс числа 2 по модулю устройства р. Рассмотрим возможность повышения быстродействия проведения операции, связанную с закономерностями распределения остатков внутри периода. Ввиду того, что
Figure 00000012
как это следует из малой теоремы Ферма, сумма остатков внутри периода хр кратна величине модуля. В частности при р=5 имеем
Figure 00000013
Горизонтальными линиями отмечены остатки, парные суммы которых равны р, что позволяет исключить соответствующие разряды в двоичном представлении числа А. При этом число рекурсий уменьшается, а их оставшееся число (максимально τр/2) не представляет бинарную операцию, т.к. производится сложение с нулем.
Определим расстояние μр между двоичными разрядами, модульные остатки которых в сумме составляют величину р
Figure 00000014
где (ind(p-1), ind2) - наибольший общий делитель соответствующих чисел. Неравенство τр≠μp является удобным критерием двойственности остатков в периоде. Он позволил уточнить, что g=2 (g - первообразный корень) не является существенным условием симметрии относительно модуля распределения остатков периода τр. Например при р=17 имеем следующее распределение остатков
Figure 00000015
Ввиду того, что при g≠2 τр<(р-1), что позволяет использовать подобные числа в высокопроизводительных устройствах формирования конечных полей.
Дальнейшим развитием данного подхода может служить сброс в ноль оставшихся двойственных пар единиц в различных периодах повторения, составляющих в сумме величину р.
На фиг. 1 представлена структурная схема предлагаемого устройства, где: 1 - входной слой; 2 и 3 - скрытые слои; 4 - выходной слой; 5 - нейроны входного слоя 1; 6 и 7 - нейроны скрытых слоев 2 и 3 соответственно; 8 - нейроны выходного слоя 4; 9 - вычет Z; 10 - связи между слоями нейронов; 11 - второй регистр; 12 - первый регистр; 13 - группа блоков элементов И; 14 - группы элементов И.
Информационный вход исходного числа соединен с информационным входом первого 12 регистра, вход начала вычислений устройства соединен с входами записи первого 12 и второго 11 регистров, а информационный вход нулевого разряда второго 11 регистра соединен с входом записи второго 11 регистра l-е выходы разрядов первого 12 регистра
Figure 00000016
Figure 00000017
Figure 00000018
где: n - число двоичных разрядов первого регистра, τр - период повторения остатков по модулю р весов разрядов в двоичном коде, соединены с соответствующими первыми входами i-х блоков элементов И группы 13, вторые входы которых соединены с i-ми выходами второго 11 регистра, а выходы - с соответствующими j-ми нейронами входного слоя, первые входы d-x элементов И q-й группы
Figure 00000007
соединены с выходами (q+d⋅τp)-x разрядов первого 12 регистра, выходы
Figure 00000019
разрядов которых соединены с входами установки в ноль
Figure 00000020
разрядов первого 12 регистра.
Рассмотрим работу устройства. В исходном состоянии все регистры обнулены. После подачи кода числа А на информационный вход первого 12 регистра на вход начала вычислений (НВ) подают импульс, который поступает на информационный вход нулевого разряда второго 11 регистра и входы записи регистров 11 и 12.
Производится запись кода числа А в первый регистр 12 и единицы в нулевой разряд второго 11 регистра, сигнал с выхода которого поступает на второй нулевого блока 13 элементов И группы. Двойственные пары единиц разрядов регистра 12 (при их наличии) поступают соответственно на первые и вторые входы соответствующего элемента И 14 данной группы. На выходе И 14 появляется сигнал, который поступает на входы установки в ноль соответствующей пары разрядов регистра 12. Первый период повторения остатков по модулю р весов разрядов в преобразованном виде с выходов нулевого блока 13 элементов И группы поступает на соответствующие нейроны 5 входного слоя 1. Затем результаты передаются на нейроны 6 скрытого слоя 2, а сигнал с выхода первого разряда регистра 11 поступает на второй вход первого блока 13 элементов И группы. Второй период повторения остатков по модулю р (после преобразования) поступает на соответствующие нейроны 5 входного слоя 1. Процесс повторяется до тех пор, пока единица не окажется в [n/τр]-м разряде регистра 11. Выходной слой 4, нейроны 8 представляют, как обычно, параллельный сумматор по модулю р с обратной связью.
Отметим, что число единиц входного слоя 1 не превышает величины τр/2 в худшем случае. Классифицируемые вычеты Z определяются вычетами 9. Весовые коэффициенты 10 (связи между нейронами) определяются константами Ci.
Рассмотрим пример выполнения операции по модулю р=5 от числа 72710 при n=10.
Первоначально производится запись числа А=111_1011_01 в регистр 12. Сигналы с выходов нулевого и четвертого разрядов регистра 12 (см. фиг. 1) поступают на первые входы нулевых элементов И 14 соответственно нулевой и первой групп, на вторые входы которых поступают сигналы соответственно с выходов второго и шестого разрядов регистра 12. С выходов указанных элементов И 14 поступают сигналы на вход установки в ноль разрядов регистра 12, которые обнуляют разряды с номерами 0, 2, 4 и 6. Следовательно, состояние регистра 12 будет равно 0100_0001_01. Отметим, что число единиц при этом уменьшилось с 8 до 3. Первоначально на нейронную сеть поступает период числа А, равный 0100. Здесь не требуется взвешенного суммирования и получим на входе нейрона 8 число 4. На следующем такте получим период 0001, которому без проведения суммирования 8 сети соответствует число 1. Последний такт содержит неполный период 01хх (где знаками х отмечены отсутствующие разряды). Данному случаю соответствует число 2. Таким образом вычет Z от числа А равен |4+1+2|5=2, т.е. |A|5=|727|5=|2|5.
Отметим, что, проводя второй этап обнуления двойственных пар в двух периодах, можно получить число А=0000_0000_01, т.е. также равно числу 2, т.е. Z=|2|5.

Claims (12)

  1. Нейронная сеть конечного кольца для классификации чисел по модулю, содержащая входной слой, предназначенный для хранения числа, представленного в позиционной системе счисления, скрытый слой нейронов, предназначенный для взвешенного суммирования сохраненных чисел по формуле
  2. Figure 00000021
  3. где
    Figure 00000022
    является оператором извлечения m-го разряда двоичного представления числа, полученного после t-й итерации; K - старший разряд двоичного числа, полученного после t-й итерации; Cm - константа соответственно для каждой итерации; выходной слой, предназначенный для формирования на своих выходах вычетов числа Z по выбранному модулю р суммирования; первый и второй регистры, группу блоков элементов И, при этом выходы нейронов входного слоя подключены ко входам нейронов скрытого слоя, соединенных попарно между собой, выходы нейронов скрытого слоя соединены со входами нейронов выходного слоя, информационный вход кода исходного числа соединен с информационным входом первого регистра, вход начала вычислений устройства соединен с входами записи первого и второго регистров, а информационный вход нулевого разряда второго регистра соединен с входом записи второго регистра, l-е выходы разрядов первого регистра
  4. Figure 00000023
  5. Figure 00000024
  6. Figure 00000025
  7. где: n - число двоичных разрядов первого регистра, τр - период повторения остатков по модулю р весов разрядов в двоичном коде,
  8. соединены с соответствующими первыми входами i-x блоков элементов И группы, вторые входы которых соединены с i-ми выходами второго регистра, а выходы - с соответствующими j-ми нейронами входного слоя, причем
  9. Figure 00000026
  10. где K - старший разряд исходного двоичного числа, полученного после t-й итерации, Cm - константа соответственно для каждой итерации, отличающаяся тем, что в нее введены (τр/2) групп элементов И, причем первые входы d-x элементов И q-й группы
  11. Figure 00000027
  12. соединены с выходами (q+d⋅τp)-х разрядов первого регистра, выходы
    Figure 00000028
    разрядов которых соединены с входами установки в ноль
    Figure 00000029
    разрядов первого регистра.
RU2020127146A 2020-08-12 2020-08-12 Нейронная сеть конечного кольца RU2759964C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2020127146A RU2759964C1 (ru) 2020-08-12 2020-08-12 Нейронная сеть конечного кольца

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2020127146A RU2759964C1 (ru) 2020-08-12 2020-08-12 Нейронная сеть конечного кольца

Publications (1)

Publication Number Publication Date
RU2759964C1 true RU2759964C1 (ru) 2021-11-19

Family

ID=78607509

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2020127146A RU2759964C1 (ru) 2020-08-12 2020-08-12 Нейронная сеть конечного кольца

Country Status (1)

Country Link
RU (1) RU2759964C1 (ru)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2271569C2 (ru) * 2003-05-26 2006-03-10 Николай Иванович Червяков Нейронная сеть для вычисления позиционной характеристики ранга числа, представленного в системе остаточных классов
RU2279132C2 (ru) * 2003-08-07 2006-06-27 Поволжская государственная академия телекоммуникаций и информатики Нейронная сеть конечного кольца
RU2622881C1 (ru) * 2016-07-05 2017-06-20 федеральное государственное автономное образовательное учреждение высшего образования "Северо-Кавказский федеральный университет" Устройство для вычисления сумм парных произведений в полиномиальной системе классов вычетов
US20180218275A1 (en) * 2017-01-27 2018-08-02 Stmicroelectronics S.R.L. Method of operating neural networks, corresponding network, apparatus and computer program product
RU2701064C1 (ru) * 2018-09-20 2019-09-24 Федеральное государственное бюджетное образовательное учреждение высшего образования "Воронежский государственный технический университет" Нейронная сеть конечного кольца

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2271569C2 (ru) * 2003-05-26 2006-03-10 Николай Иванович Червяков Нейронная сеть для вычисления позиционной характеристики ранга числа, представленного в системе остаточных классов
RU2279132C2 (ru) * 2003-08-07 2006-06-27 Поволжская государственная академия телекоммуникаций и информатики Нейронная сеть конечного кольца
RU2622881C1 (ru) * 2016-07-05 2017-06-20 федеральное государственное автономное образовательное учреждение высшего образования "Северо-Кавказский федеральный университет" Устройство для вычисления сумм парных произведений в полиномиальной системе классов вычетов
US20180218275A1 (en) * 2017-01-27 2018-08-02 Stmicroelectronics S.R.L. Method of operating neural networks, corresponding network, apparatus and computer program product
RU2701064C1 (ru) * 2018-09-20 2019-09-24 Федеральное государственное бюджетное образовательное учреждение высшего образования "Воронежский государственный технический университет" Нейронная сеть конечного кольца

Similar Documents

Publication Publication Date Title
Liang et al. Pruning and quantization for deep neural network acceleration: A survey
Holt et al. Finite precision error analysis of neural network hardware implementations
Zaremba et al. Learning to discover efficient mathematical identities
Marinó et al. Deep neural networks compression: A comparative survey and choice recommendations
CN106537421A (zh) 神经网络中的分解卷积操作
WO2010148120A2 (en) Systems and methods for solving computational problems
Vastl et al. Symformer: End-to-end symbolic regression using transformer-based architecture
Crane et al. Bulk processing in distributed logic memory
Sturm What do these 5,599,881 parameters mean?: An analysis of a specific LSTM music transcription model, starting with the 70,281 parameters of its softmax layer
RU2759964C1 (ru) Нейронная сеть конечного кольца
Lipton et al. Introduction to quantum algorithms via linear algebra
EP4323924A2 (en) Classical and quantum algorithms for orthogonal neural networks
Zhao et al. Multi-objective evolutionary design and knowledge discovery of logic circuits based on an adaptive genetic algorithm
EP4035273A1 (en) Design and training of binary neurons and binary neural networks with error correcting codes
JP2023535679A (ja) ニューラル・ネットワークのオンライン・トレーニング
Irie et al. Exploring the promise and limits of real-time recurrent learning
Han et al. Learning versatile convolution filters for efficient visual recognition
RU2701064C1 (ru) Нейронная сеть конечного кольца
CN114766024A (zh) 用于修剪神经网络的方法和设备
Bologna Symbolic rule extraction from the DIMLP neural network
Pahuja et al. Structure learning for neural module networks
Gawrychowski et al. Conditional lower bounds for variants of dynamic LIS
CN113361682B (zh) 具有ip保护的可重构神经网络训练及使用方法
Agarkar et al. Optimization of generalized regression neural networks using PSO and GA for non-performer particles
Ziv et al. Stochastic weight pruning and the role of regularization in shaping network structure