Reks

Нет на свете такой компьютерной производительности, на которую не нашлась бы своя "тормозная" задача. Это аксиома. Переиначивая на современный лад древний философский спор на тему первичности курицы или яйца, можно до хрипоты спорить о том, что же именно является двигателем компьютерного прогресса – тяжёлый софт, побуждающий создавать под него более быстрое железо, или мощное железо, стимулирующее дальнейшую фантазию программистов. Одно можно сказать точно: даже если ваш компьютер считается самым быстрым на планете, это ненадолго: уже завтра выйдут новые процессоры, чипсеты, видеокарты, память, которые разгонятся ещё лучше.

Что ж, абсолютной производительности добиться невозможно, к ней можно только стремиться, и с этим фактом нужно свыкнуться, как с бесконечностью Вселенной. В погоне за абсолютом мы ставим себе новые задачи, решаем их, и завтра забываем о них ради новых горизонтов. Совсем недавно для победы человека в шахматном турнире приходилось строить суперкомпьютеры, сегодня с этим справляется большинство карманных игрушек; сегодня ради сотни FPS в FarCry2 на максимальном разрешении мы выжимаем все соки из системы, через пару лет, как знать, это может оказаться пустяковой задачей для 200-долларовой офисной машинки. Про решение некоторых задач – например, про безошибочное распознавание речи, мы пока даже не заикаемся, ибо нет пока для этого ни подходящих программных алгоритмов, ни соответствующего железа.

И всё же, есть ли какой-нибудь разумный предел гонки компьютерной производительности, достигнув которого, можно было бы поздравить Человечество с достойной победой? Для ответа на этот вопрос стоит подойти к зеркалу и полюбоваться на замечательный высокопроизводительный компьютер на своих плечах.

Посмотрите внимательно на этот придуманный Природой корпус с двумя ушами, глазами и прочими интерфейсами ввода-вывода: внутри находится система непревзойдённой производительности, содержащая порядка 10 млрд. нейронов в каждом кубическом сантиметре объёма и решающая умопомрачительные задачи в реальном времени. Особо подчеркну: без киловаттного блока питания (достаточно всего лишь трёхразового питания), без дополнительного охлаждения водой или азотом (36,6 Цельсия – в самый раз), и даже без оверклокинга (даже пробовать не стоит - результат мизерный, зато шанс слететь с катушек - вплоть до полного ресета, очень даже реальный).

Для сравнения: максимум, чего на сегодняшний день добилось человечество на пути эмуляции работы мозга – это симулятор коры головного мозга с миллиардом искусственных нейронов, соответствующий разве что уровню кошачьего интеллекта. Однако даже для этой цели пришлось использовать один из мощнейших современных суперкомпьютеров Dawn Blue Gene/P Национальной Ливерморской лаборатории им. Лоуренса (Lawrence Livermore National Lab) на 147.456 процессорах и 144 Терабайтах оперативной памяти.

Сколько-сколько, говорите, процессоров, в вашей рекордно разогнанной системе? А сколько памяти? Увы, даже до "кошачьих мозгов" нам с самыми мощными домашними ПК пока как до Луны. К тому же есть ещё одно обстоятельство, решительно перечёркивающее любые попытки сравнивать современные вычислительные системы – даже мощные серверные кластеры, с человеческим мозгом: нынешняя компьютерная архитектура, мягко говоря, не совсем подходит для эмуляции мозга. Точнее, совсем не подходит.

Мемристор, электрический нейрон: недостающее звено нейронного компьютера

История, которую я вам сегодня расскажу, началась почти сорок лет назад, когда Леон Онг Чуа (Leon Ong Chua), профессор кафедры электротехники и вычислительных систем при Калифорнийском университете в Беркли (University of California, Berkeley), предсказал появление нового электронного двухэлектродного элемента, названного мемристор. Новый элемент, благодаря уникальному набору электрических характеристик, должен был заполнить пустующее четвёртое место среди базовых пассивных компонентов электронных схем – резисторов, конденсаторов и катушек индуктивности.



На самом деле, слово "мемристор" является своеобразным "наследником" придуманного ещё в 1960 году слова "мемистор", которым Бернард Уидроу (Bernard Widrow) назвал 3-электродный базовый компонент для искусственных нейронных сетей ADALINE (ADAptive LInear NEuron), однако именно в работе "Memristor—The Missing Circuit Element" (Мемристор – недостающая деталь схемы), Леон Чуа впервые подробным образом описал свойства 2-электродного устройства.

Чем же так интересен мемристор? Уникальность его отражена непосредственно в названии, полученном при синтезе двух слов – memory (память) и resistor (резистор, сопротивление). Мемристор, подобно резистору, оказывает сопротивление проходящему через него электрическому току, однако при этом также обладает памятью, при этом сопротивление мемристора зависит от последней величины приложенного к нему напряжения.


Иными словами, ключевое свойство мемристора - мемристичность (обратите особое внимание: речь идёт не о зависимости между приложенным напряжением и полученным количеством электричества, зарядом, но о зависимости между изменением напряжения и зарядом), на практике можно использовать для запоминания потенциала последнего приложенного напряжения.

Теперь попробуем вспомнить, как современная наука представляет себе принцип работы головного мозга. Согласно современным представлениям, электрические свойства синапса – своеобразного "сигнального провода" между нейронными клетками, напрямую зависят от условий его активности. То есть, чем меньше временной промежуток последнего взаимодействия между двумя нейронами, тем проще синапсу будет отреагировать на следующее "сообщение". Практически, полная аналогия с мемристором, сопротивление которого хранит "весточку" о последнем приложенном к нему напряжении.

Никакое сочетание классических RLC-компонентов просто не в состоянии копировать работу нейронов и синапсов, так что до недавнего времени эмуляция работы головного мозга производилась с помощью громоздкого программно-аппаратного комплекса. Изобретение мемристора вызвало практически революцию в этой отрасли.

Быстро только кошки плодятся

Случается так, что от теории до получения первых практических результатов проходят многие годы. Взять, к примеру, тот же графен, физические свойства которого были предсказаны ещё в 1947 году, а затем другие учёные доказали невозможность получения двумерной графитной плёнки. И лишь в наше время, в 2005 году, удалось впервые получить этот материал на практике, а сегодня, спустя каких-то пять лет, мы говорим о графеновой революции в нанотехнологиях и возникновении новой промышленности – графеновой электроники.


Прошло целых 37 лет прежде чем был создан первый работающий мемристор. Произошло это в 2008 году: Стэнли Вильямс (Stanley Williams) из лаборатории Hewlett-Packard Labs в Пало-Альто, Калифорния, сделал первый мемристор из крохотной частицы диоксида титана, хорошо всем известного в качестве основного красящего вещества в составе многих солнцезащитных и белых красок.

Уже самый первый мемристорный переключатель представлял собой устройство наномасштабов: площадка из диоксида титана размерами 50 х 50 нм помещалась между двумя нанопроводниками. В отличие от традиционной компьютерной логики, способной принимать только два логических положения – 0 или 1, мемристорный переключатель может принимать любые значения в этом промежутке – например, 0,2, 0,5 или 0,9. По сути своей, мемристор – это самая настоящая энергонезависимая память, отличающаяся от всех иных видов RAM способностью работать как в цифровом, так и в аналоговом режимах , в зависимости от потребностей конкретной задачи.

Так, работая в цифровом режиме в качестве запоминающего устройства, мемристорные изделия очень скоро могут отправить на свалку не только жёсткие, но и твердотельные диски, поскольку работают быстрее, а стоят при этом гораздо меньше. В фото- и видеокамерах мемристорные накопители будут попросту "проглатывать" ваши снимки и ролики без малейшей задержки, а в компьютере такая память, заменив собой и накопители, и оперативку, будет потреблять энергию только в процессе перезаписи. Габариты ячейки, изначально измеряемые в нанометрах, позволят хранить сотни гигабайт и даже терабайты данных в очень компактном исполнении.


И так далее. В этом материале я сознательно оставляю без комментариев весь спектр возможных приложений (кроме эмуляции процесса обработки информации нашими мозгами), где применение мемристоров позволит создать просто уникальные решения. Но никто не может воспрепятствовать полёту вашей фантазии. Или просмотру приведённого ниже ролика с фантазиями исследователей лаборатории HP.





Что же касается аналоговых возможностей мемристора, мы, по большому счёту, впервые в компьютерной истории получаем возможность создать машину, самообучающуюся на аппаратном уровне. Ибо всё, на что способны сегодняшние компьютеры – это результат последовательного выполнения команд и работы программного обеспечения. Для этого совершенно не обязательно дожидаться появления компьютеров, функционирующих по принципу мозга человека, для начала будет достаточно того, чтобы машина научилась "интеллектуально" сопоставлять получаемые образы с хранящимися в памяти образцами и адаптировать свой интерфейс, основываясь на привычках и предпочтениях пользователя. Даже если такая машина не будет уметь "полноценно размышлять" по аналогии с мозгом человека, возможность безошибочного узнавания лиц, распознавания речи и команд – тоже неплохо для начала.

Тем, у кого есть время и желания подробнее разобраться в теории работы мемристоров и мемристорных систем, рекомендую почти 2-часовую видеозапись симпозиума Memristor and Memristive Systems Symposium, сделанную в декабре 2008 года, где ведущие учёные в этой области рассказывают о возможностях мемристоров в качестве потенциальных компонентов будущих наночипов.







Итого, в сухом остатке: мемристоры на сегодняшний день не только придуманы, но даже воплощены в "железе"; идей по практическому использованию мемристоров хоть отбавляй. До начала массового производства мемристорных устройств осталось всего ничего: "слепить" из отдельных мемристоров что-то более вразумительное и практичное нежели отдельный переключатель, а также научиться производить такие полезные устройства на конвейере. Пока это не случится, все разговоры о будущем мемристоров будут оставаться, мягко говоря, сплошной теорией, а говоря с практических позиций, пустым звоном.

Пациент будет жить!

Вот мы и добрались до самого интересного на сегодня, ради чего пришлось городить такое длинное вступление. В статье под названием Nanoscale Memristor Device as Synapse in Neuromorphic Systems, опубликованной в одном из свежих выпусков журнала Nano Letters, группа учёных с кафедры электротехники и вычислительных систем при Университете Мичигана (University of Michigan) утверждает, что им за один присест удалось поймать сразу двоих зайцев: создать функционирующее мемристорное устройство и сделать его из материалов, уже применяемых при производстве современных кремниевых чипов.


Созданное учёными мемристорное устройство состоит из расположенного снизу вольфрамового наноэлектрода, над который методом напыления нанесён 2-4-нм слой кремния, затем методом плазмохимического осаждения из газовой фазы нанесён 2,5-4,5-нм слой аморфного (a-Si) кремния, затем методом совместного напыления 20-30-нм слой серебра и кремния, и на самом верху расположен хромово-платиновый наноэлектрод. В практических экспериментах учёные использовали полученным таким образом мемристоры габаритами от 500 х 500 нм до 100 х 100 нм.


Изготовленная на базе таких мемристоров гибридная система, составленная из CMOS-нейронов и мемристорных синапсов, способна демонстрировать такое важнейшее свойство синапсов, как гибкое токовое реагирование в зависимости от периодичности воздействующего импульса. Так, при интервале между сигналами в 20 мс сопротивление между электродами составляло лишь половину от того, которое наблюдалось при 40-мс интервале между сигналами.


Этого уже более чем достаточно для доказательства возможности использования мемристоров в качестве синапсов в нейроморфных чипах с высокой коммуникабельностью и большой плотностью размещения информации, требуемых для высокоэффективных вычислений.

Что дальше?

Похоже, что по мере приближения конца кремниевой электроники, который ожидается где-то на рубеже 2020 года, Закон Мура в очередной раз будет чудным образом спасён – не мемристорами, так графеном, или ещё чем-нибудь. Десяток лет в запасе – по нынешним галопирующим темпам развития науки срок достаточно большой.

Что касается будущего мемристорной, или, если хотите, нейронной электроники, здесь наконец-то наступила некоторая определённость. Поскольку практичность применения мемристоров уже ни у кого не вызывает сомнения, а производство мемристорных чипов, судя по результатам исследований учёных из Университета Мичигана, вполне реально на существующих линиях по выпуску кремниевых чипов (разумеется, не без дополнительной доработки), на повестке дня остаётся один вопрос глобальной важности: кто и когда создаст первый чип, включающий в себя хотя бы десятки тысяч мемристоров, и сможет масштабировать экспериментальное получение единичных образцов на масштабы производственного техпроцесса.

Пусть для начала это будет не говорящий и думающий аналог человеческой головы, пусть это будет хотя бы аналог флэшки на пару килобайт. В конце концов, первый 16-битный процессор Intel 8086 – родоначальник современной архитектуры x86, обладал тактовой частотой 5 МГц и был выполнен всего лишь на 29 тысячах транзисторов, а во что это со временем вылилось...

Разумеется, как и у любой архитектуры, ещё не покинувшей стены лабораторий, у мемристорной электроники есть множество других неразрешённых проблем. Так, например, до сих пор не существует в физическом виде мемристора с внутренним источником питания, хотя уже есть лабораторные модели с применением активных компонентов. Про те проблемы, которые возникнут в процессе формирования мемристорно-нейронной логики, мы, возможно, пока даже не догадываемся.

И всё же приятно думать, что процесс пошёл в правильном направлении, и от появления "искусственной головы" нас отделяет всего лишь время, необходимое на преодоление ряда технических вопросов, а не череда недоказанных теорий, как это было совсем недавно. Пусть эта голова только покажется, а мы уж найдём воду, азот или другой способ, чтобы разогнать её производительность раза в полтора… Источники:
New Scientist
Nano Letters
Wikipedia
HP

Reks

Сорри, другого методда вставить инфу без рекламы не было

Reks

Достижение глобального доминирования основывается на двух основных стратегиях: информационное превосходство и превосходство технологическое. Что касается последнего, то переход к новой общественно-экономической формации постиндустриального общества выдвигает на первый план такие технологии, как генетика и биоинженерия, нанотехнологии и нейроинформатика.

Нейроинформатика, будучи основанной на принципах и механизмах функционирования мозга, способна обеспечить как технологическое, так и информационное превосходство. Неслучайно сегодня нейрокомпьютеры занимают одно из важнейших мест среди перспективных разработок вооружения и военной техники.

Известно несколько реализаций в кристаллах нейропроцессоров различных моделей нейронных сетей. Одни работают лучше, другие хуже, но всех их объединяет одно - стремление проникнуть в тайны человеческого мозга.

В каталогах продукции фирмы Intel особняком стоят две разработки, выполненные по заказу DARPA (Defense Advanced Research Projects Agency): аналоговый нейропроцессор i80170NX и цифровой - i80160NC или Ni1000 [1].

Нейропроцессоры являются сердцем нового поколения вычислительной техники - нейрокомпьютеров. Основой функционирования подобных машин является моделирование способов переработки информации нервной системой и головным мозгом человека. Считается, что начало этому направлению было положено в 1943 году, когда американские ученые У. Маккалок и У. Питтс опубликовали статью, в которой нейроны - клетки нервной системы - рассматривались как простейшие логические устройства [4].

Искусственный нейрон Маккалока и Питтса в первом приближении имитирует свойства биологического нейрона. На вход такого искусственного нейрона поступает множество сигналов, каждый из которых является выходом другого нейрона. Каждый входной сигнал умножается на некоторый коэффициент, отражающий вклад, вносимый этим сигналом в значение выходного сигнала нейрона. Сигналы, поступившие на нейрон и помноженные на соответствующие им коэффициенты, суммируются, и если суммарный сигнал больше некоторого заданного порога срабатывания, нейрон активизируется и выдает на связанные с ним нейроны единичный импульс. Изменяя соответствующим образом значения весовых коэффициентов на входах нейронов, можно получить на выходе сети требуемое значение. Процесс настройки весовых коэффициентов называется обучением нейронной сети. По аналогии с обучением человека, обучение нейронной сети может проходить с учителем или самостоятельно, путем самоорганизации.

Простота предложенной модели нейрона воодушевила многочисленных исследователей, стремившихся проникнуть в тайны человеческого мозга.

В конце 1950-х годов, американец Ф. Розенблатт, пытаясь объяснить работу биологического нейрона, предложил его модель - персептрон. В начале 60-х математик Р. Блок сформулировал теорему распознавания, а радиоинженер Б. Уидроу разработал и воплотил в жизнь первую искусственную нейронную сеть, известную в литературе под названием «Адалайн». Он же создал и алгоритм, обучающий ее распознавать образы.

Однако вплоть до середины 80-х нейросети не получали дальнейшего развития. Сказалось отставание практики от теории и несовершенство технологий. Применявшиеся программные модели не могли раскрыть всех достоинств нейронных сетей, а создание их аппаратной реализации требовало колоссальных затрат при тогдашнем уровне технологий. Более перспективными считались традиционные большие ЭВМ (мэйнфреймы), но быстрый рост числа очень сложных задач заставил вновь обратиться к искусственным нейронным сетям.

Компания Intel одной из первых среди гигантов компьютерной индустрии серьезно заинтересовалась возможностями искусственных нейронных сетей. Работы по этой теме были начаты в 1988 году. В следующем году уже был представлен первый рабочий образец нейропроцессора i80170NX [2]. Годом позже Intel (совместно с фирмой Nestor и при финансовой поддержке DARPA) приступила к разработке цифрового нейрочипа Ni1000, который был анонсирован в 1993 году, как i80160NC.

Нейросетевой процессор i80170NX ETANN (Electrically Trainable Analog Neural Network) является уникальной в своем роде микросхемой, предназначенной для решения задач распознавания образов [2]. Процессор эмулирует работу 64 биологических нейронов [3]. Каждый нейрон процессора имеет 128 синапсов (входов). В свою очередь, каждый синапс соединен с входом процессора посредством некоторого устройства, позволяющего задать коэффициент, характеризующего силу этой связи, что полностью соответствует модели, предложенной еще У. Маккалоком и У. Питтсом. Данные на входе и выходе процессора аналоговые, но функции управления, установки и чтения весовых коэффициентов - цифровые.

Нейрочип полностью совместим по уровням рабочих сигналов с микросхемами CMOS и ТТL. Входной сигнал на нейроне может изменяться от 0 до 2,8 В. Веса синапсов также представлены напряжением в диапазоне от -2,5 до 2,5 В. Изготовлен процессор по лицензионной технологии Intel - CHMOS III EEPROM [3].

Высокопараллельная архитектура, свойственная нейронным сетям, и ряд особенностей построения процессора позволили добиться быстродействия 2 млрд. операций в секунду! i80170NX является сердцем нейронной платы-акселератора для ПЭВМ. Производительность такой платы с восемью процессорами составляет 16 млрд. операций в секунду! До последнего времени такая производительность была свойственна только лишь суперкомпьютерам!

Краткие технические данные процессора следующие:


производительность 2 млрд. оп./с;


способен распознавать 300 тысяч 128-разрядных образа в секунду;


моделирует 64 нейрона;


поддерживает модели нейронной сетей Хопфилда, многослойного персептрона и Madaline III.

Простота создания приложений на i80170NX обеспечивается наличием мощных средств разработки. Для проектирования нейронных сетей поставляется пакет iNNTS (Intel Neural Network Training System) и EMB (ETANN Multi-Chip Board). В комплект поставки входит и одна из программ моделирования и изучения искусственных нейронных сетей iBrainMaker фирмы California Scientific Software или iDynaMind фирмы NeuroDynamX. Обе программы имеют удачный пользовательский интерфейс и могут использоваться для демонстрации свойств и возможностей нейронных сетей. Для той же категории пользователей, что решит самостоятельно заняться разработкой моделей нейронных сетей, есть целая библиотека функций по управлению нейрочипом - Training System Interface Lib (TSIL).

Другая разработка Intel в области искусственных нейронных сетей - процессор i80160NC. Его основное отличие от i80170NX в том, что он полностью цифровой.

Технические данные i80160NC:


внутренняя память: 1 тысяча 256-разрядных образов;


тип памяти: Flash EPROM;


максимальное число классов: 64;


скорость распознавания: 33 тысячи образов в секунду на частоте 33 МГц.

Как и i80170NX, процессор i80160NC поставляется на плате нейросетевого акселератора для ПЭВМ. Характеристики платы следующие:


системная шина ISA;


рабочая частота 33 МГЦ;


скорость обмена по шине 2 Мбит/с;


мощность 8 Вт.

Поддерживается следующее программное обеспечение:


MS Windows 3.1;


MS Excel 4.0;


MS Visual C++, Borland C++.

Вместе с платой поставляются следующие средства разработки приложений:


Ni1000 Assembler;


Ni1000 Emulator Lib.;


Ni1000 HardWare Lib.

Программа Ni1000 Emulator позволяет отлаживать код приложений без использования процессора, а по окончании процесса отладки сразу перейти к работе на аппаратуре.

Основные характеристики процессоров i80170NX и i80160NC приведены в табл. 1.


Процессор Ni1000 разрабатывался как вариант сопроцессора для задач распознавания образов и предназначался для встраивания в высокопроизводительные портативные сканеры. Применение нейросетевой технологии позволило добиться значительных результатов в решении задач такого класса. Так, если RISC-процессоры AMD29000 и i80860 позволяют решать некоторые задачи в 2-5 раз быстрее, то с использованием i80160NC скорость решения аналогичных задач может увеличиться в 100 и даже 1000 раз! Такое быстродействие позволило применить этот класс процессоров для решения сложнейшей задачи - распознавания отпечатков пальцев.

Что же сулит разработчикам и пользователям вычислительной техники появление на рынке столь мощного семейства процессоров? Сейчас существует ряд задач очень высокой сложности. К ним относится прогнозирование погоды, управления воздушным движением через Атлантику с учетом перемещения воздушных масс, компьютерное моделирование ядерных взрывов и множество других. До последнего времени такие задачами пытались решать на суперкомпьютерах, однако стоимость подобной техники весьма внушительна. На рис. 2 показано положение различных супер-ЭВМ в зависимости от их стоимости и производительности [5]. Хорошо видно, что i80160NC - бесспорный лидер. Он далеко позади оставляет таких монстров, как Cray и Cyber.

Новые горизонты открываются для разработчиков систем искусственного интеллекта. Появление подобных процессоров означает прорыв в решении задач распознавания образов, а значит, и распознавания рукописного текста, речи и пр. Так, японскими специалистами было показано, что с использованием нейронных сетей можно осуществлять синхронный перевод с японского языка на английский.

Рубеж, которого удалось достигнуть специалистам Intel в моделировании нейронных сетей, можно представить схемой, подобной приведенной на рис. 3 [5], где сравниваются нейронные сети живых организмов и моделируемые с помощью процессоров Intel.

Разработчики нейропроцессора в шутку называют свое детище не иначе, как «сверхзвуковой слизняк».

Мечта человека о создании вычислительной машины, способной превысить или хотя бы сравняться с интеллектуальными возможностями человека, остается еще очень далекой. Вместе с тем можно с уверенностью сказать, что работы Intel по созданию искусственных нейронных сетей приблизили тот момент, когда искусственный мозг станет сердцем настольного компьютера.

С момента выхода процессоров Intel в мире появилось множество моделей нейровычислителей, с некоторыми из них можно ознакомиться в табл. 2.

К настоящему времени разработано большое число всевозможных плат ускорителей и специализированных нейровычислителей. Нейронные ЭВМ уже находят применение в различных сферах деятельности человека. В США действует система по обнаружению пластиковой взрывчатки в багаже авиапассажиров на основе нейронной сети. Большое внимание уделяется вопросу применения нейронных процессоров в системах коммутации в сетях передачи данных. Существуют системы аутентификации личности по отпечаткам пальцев с использованием нейросетей. В литературе описано и множество других случаев успешного применения нейронных процессоров.

Характерной особенностью нового витка развития средств вычислительной техники является то, что он несет принципиальные изменения в мир информатики. С утверждением в обществе следующего поколения вычислительной техники отпадет надобность в профессии программиста, а его место займет специалист по обучению нейрокомпьютера. Вводу в эксплуатацию каждого нового компьютера будет предшествовать его обучение. Не исключено, что возникнет необходимость в киберпсихологах и воспитателях нейронной ЭВМ. Таким образом, мы с вами живем на переломном этапе в развитии информатики и вычислительной техники, и немалую роль в том, что он настал, сыграли нейронные процессоры фирмы Intel - первые ласточки эры нейронных компьютеров.
Литература


A. Thakoor et al., DARPA Program Review, Dec. 1991, Washington, D. C.


M. Holler, S. Tam, H. Castro, R.Benson, «An Electrically Trainable Artificial Neural Network (ETANN) with 10240 „Floating Grate” Synapses», International Joint Conference on Neural Networks, June 1989, Washington, D. C.


Intel, i80170NX Electrically Trainable Analog Neural Network, Intel Corp., June 1991.


Stanly, Jeanette, Introduction to Neural Networks, California Scientific Software, 1990.


Intel, 80170NX Neural Network Technology & Application, Intel Corp., 1992.

Reks

Тут другого выхода кроме ссылки нет. Но нет рекламы.

Нейронные сети

Rezon

Это конечно здорово, что есть развитие технологий и прочее. Многое в мире и так зависит от машин, а с развитием искусственного интеллекта вероятность отхода человека на второй план увеличивается и приведет неизвестно к чему