Архитектура бортового нейросетевого вычислителя на базе кристалла FPGА с динамической перенастройкой

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Посвящена развитию принципов построения аппаратной архитектуры нейросетевых вычислителей, применяемых в качестве ускорителей и сопроцессоров, для реализации экспертных и интеллектуальных систем в объектах с высокой степенью критичности, в том числе в бортовом оборудовании воздушных судов. Разработана модель нейросетевого вычислителя, построенного на базе кристалла FPGA, которая позволяет динамически развертывать на его основе искусственные нейронные сети без необходимости перепрограммирования самого кристалла FPGA. Описаны принципы развертывания и обучения нейросети с помощью представленного нейросетевого вычислителя. Приведен пример его использования в экспертной системе, осуществляющей анализ состояния бортовой информационно-вычислительной сети воздушного судна на предмет возникновения нештатных ситуаций в реальном масштабе времени и выполняющей парирование возникающих отказов методом динамической реконфигурации.

Полный текст

Доступ закрыт

Об авторах

А. М. Соловьев

Концерн “Созвездие”

Автор, ответственный за переписку.
Email: darkscribens@gmail.com
Россия, Воронеж

Список литературы

  1. Визильтер Ю.В., Вишняков Б.В., Желтов С.Ю. Современные технологии искусственного интеллекта и их применение в авиационных комплексах // XVI Всероссийск. мультиконф. по проблемам управления (МКПУ-2023). Волгоград, 2023. С. 13–16.
  2. Аксентов В.А. Эволюция развития нейронных сетей: прошлое, настоящее, будущее // Вестник науки. 2023. Т. 3. № 8 (65). С. 89–91.
  3. Капустин А., Бунас К. Искусственный интеллект в авиации // Наука и инновации. 2019. № 9 (199).
  4. Кочнев А.А. Концептуальные основы практического использования нейронных сетей: проблемы и перспективы // Общество и инновации. 2023. Т. 4. № 1. С. 1–10.
  5. Кочнев А.А. Применение искусственных нейронных сетей в прогнозировании // Международный научный журнал “Научные горизонты”. 2023. № 1 (65). С. 48.
  6. Дроговоз П.А., Шиболденков В., Вакунов С. Перспективы применения гибридных нейросетевых систем для создания цифровых двойников производственных процессов // Десятые Чарновские чтения. М., 2021. С. 54–60.
  7. Краковский И.В., Асалханов П.Г. Текстовые нейронные сети: возможности, применение и перспективы развития // ББК 40 Н 347. 2023. С. 262.
  8. Виноградова Е.П., Нестеренко А.В. Применение нейронных сетей для решения задач цифровой обработки сигналов // Радиотехнические, оптические и биотехнические системы. Устройства и методы обработки информации. 2023. С. 90–92.
  9. Мишин Д.В., Холопов Д.А. Разработка подавителя сигналов беспроводной связи на базе нейросетевого модуля // Информационные технологии в науке и образовании. Проблемы и перспективы. 2023. С. 261–263.
  10. Визильтер Ю.В., Горбацевич В.С., Моисеенко А.С. Однопроходный алгоритм обнаружения и распознавания лиц на основе сверточных нейронных сетей // Вестник компьютерных и информационных технологий. 2021. Т. 18. № 4. С. 11–20.
  11. Деев М.И., Ковалева О.А., Ковалев С.В. Тестирование и анализ нейросетевых моделей для распознавания объектов на изображении в режиме реального времени // Российская наука, инновации, образование (РОСНИО-II-2023). Красноярск, 2023. С. 274–280.
  12. Шатравин В., Шашев Д.В. Построение нейросетевого классификатора на основе перестраиваемых вычислительных сред // Системы управления, информационные технологии и математическое моделирование. Матер. V Всероссийск. научно-практической конф. с международным участием. Омск, 2023. С. 542.
  13. Бондарчук А.С., Шидловский С.В. Использование перестраиваемой вычислительной среды для вычисления местоположения регионов интереса на бинарном изображении // Системы управления, информационные технологии и математическое моделирование. Матер. V Всероссийск. научно-практической конф. с международным участием. Омск, 2023. С. 161–165.
  14. Шатравин В., Шашаев Д.В. Применение вычислительных сред для ускорения рекуррентных нейронных сетей // Цифровая экономика. 2023. № 1 (22). С. 27–35.
  15. Хорошайлова М.В. Реализации нейронной сети на ПЛИС с использованием аппаратных ресурсов // Вестн. Воронежского гос. технического ун-та. 2021. Т. 17. № 3. С. 127–134.
  16. Бахчевников В.В., Деркачев В.А., Бакуменко А.Н. Способ использования средств быстрого прототипирования для реализации сверточной нейронной сети на ПЛИС // Изв. Южного федерального ун-та. Технические науки. 2020. № 3 (213). С. 146–156.
  17. Бахтин А.А., Волков А.С., Солодков А.В., Свиридов И.А. Система распознавания модуляции сигналов на основе нейронной сети с использованием ПЛИС // Тр. МАИ. 2021. № 121. С. 13.
  18. Бахтин В.В. Математическая модель искусственной нейронной сети для устройств на ПЛИС и микроконтроллерах, ориентированных на туманные вычисления // Вестн. Пермск. национального исследовательского политехнического ун-та. Электротехника, информационные технологии, системы управления. 2021. № 40. С. 109–129.
  19. Носкова Е.С., Захаров И.Е., Шкандыбин Ю.Н., Рыкованов С.Г. Повышение энергоэффективности нейросетевых вычислений с использованием NVDLA на ПЛИС // Компьютерная оптика. 2022. Т. 46. № 1. С. 160–166.
  20. Некрасов В.М. Модификация нейронной сети YOLOV3-TINY для выполнения на ПЛИС // Фундаментальные и прикладные аспекты компьютерных технологий и информационной безопасности. 2023. С. 131–134.
  21. Solovyov, A.M., Selvesyuk, N.I., Kosyanchuk, V.V., Zybin, E.Y. A Model of a Universal Neural Computer with Hysteresis Dynamics for Avionics Problems // Mathematics 2022. V. 10. P. 2390. https://doi.org/10.3390/math10142390
  22. Соловьев А.М., Семенов М.Е., Косьянчук В.В., Новиков В.М., Сельвесюк Н.И. Аппаратная реализация вычислительных процедур СППР в задачах авионики // XV Всероссийск. мультиконф. по проблемам управления (МКПУ-2021). Геленджик, 2021.
  23. Rumelhart, D., Hinton, G., Williams, R. Learning Representations by Back-propagating Errors // Nature. 1986. V. 323. P. 533–536. https://doi.org/10.1038/323533a0
  24. Васильев С.Н., Жерлов А.К., Федосов Е.А., Федунов Б.Е. Интеллектуальное управление динамическими системами. М.: Физматлит, 2000. 352 с.
  25. Лохин В.М., Захаров В.Н. Интеллектуальные системы управления: понятия, определения, принципы построения // Интеллектуальные системы автоматического управления / Под ред. И.М. Макарова, В.М. Лохина. М.: Физматлит, 2001. 576 с.
  26. Соловьев А.М., Семенов М.Е., Сельвесюк Н.И., Зыбин Е.Ю., Новиков В.М., Солоделов Ю.А. Развертывание интеллектуальной системы динамической реконфигурации КБО с оптической коммуникационной средой на платформе JetOS // Всероссийский форум с международным участием “Академические Жуковские чтения”. Воронеж: ВУНЦ ВВС “ВВА”, 2021.
  27. Соловьев А.М., Семенов М.Е., Сельвесюк Н.И., Новиков В.М., Карпов Е.А. Динамическая реконфигурация бортовой распределенной информационно-вычислительной среды на базе ОСРВ JetOS // Международная научно-практическая конф. им. Э.К. Алгазинова “Информатика: проблемы, методы, технологии” (IPMT). Воронеж: ВГУ, 2022.
  28. Solovyov A.M., Semenov M.E., Sel’vesyuk N.I., Zybin E.Yu., Novikov V.M. Control of Dynamic Reconfiguration of the Fully Optical On-board Network of the Aircraft // Intern. Conf. for Information Systems and Design (ICID-2021). Геленджик, 2021.
  29. Kosyanchuk V., Selvesyuk N., Zybin E., Novikov V., Olenev V., Solovyov A., Semyonov M. Application of a Deterministic Optical Network Model for the Implementation of an Expert System Knowledge Base for Information Transmission Failure Management // Engineering Proceedings. 2023. V. 33 (1). P. 51. https://doi.org/10.3390/engproc2023033051

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Модель ядра НСВ.

Скачать (107KB)
3. Рис. 2. Алгоритм работы НСВ с аппроксимированной ФАН.

Скачать (92KB)
4. Рис. 3. Архитектура нейросети прямого распространения.

Скачать (101KB)
5. Рис. 4. Двухслойная нейросеть прямого распространения.

Скачать (136KB)
6. Рис. 5. Структура FPGA-проекта НСВ.

Скачать (105KB)
7. Рис. 6. Первые 100 образцов из базы данных sklearn.

Скачать (244KB)
8. Рис. 7. Процесс обучения НСВ и эталона.

Скачать (93KB)
9. Рис. 8. Сходимость процесса обучения НСВ и эталона в зависимости от q.

Скачать (113KB)
10. Рис. 9. Реакция НСВ на FLT1.

Скачать (98KB)
11. Рис. 10. Реакция НСВ на FLT2.

Скачать (89KB)
12. Рис. 11. Реакция НСВ на FLT3.

Скачать (94KB)

© Российская академия наук, 2025