Нейрокомп'ютер — пристрій переробки інформації на основі принципів роботи природних нейронних систем.Дунин-Барковский В. Л., Нейрокибернетика, Нейроинформатика, Нейрокомпьютеры, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с ISBN 5-02-031410-2 Ці принципи були формалізовані, що дозволило говорити про теорії штучних нейронних мереж. Проблематика ж нейрокомп'ютерів полягає в побудові реальних фізичних пристроїв, що дозволить не просто моделювати штучні нейронні мережі на звичайному комп'ютері, але так змінити принципи роботи комп'ютера, що стане можливим говорити про те, що вони працюють відповідно до теорії штучних нейронних мереж.
Історія Терміни нейрокібернетика, нейроінформатика, нейрокомп'ютери увійшли в науковий обіг нещодавно — в середині 1980-х років. Однак електронний і біологічний мозок постійно порівнювалися протягом всієї історії існування обчислювальної техніки. Знаменита книга Н. Вінера «Кібернетика» (1948)Винер Н., Кибернетика, или Управление и связь в животном и машине. / Пер. с англ. И. В. Соловьева и Г. Н. Поварова; Под ред. Г. Н. Поварова. — 2-е издание. — М.: Наука, 1983. — 344 с. має підзаголовок «Управління і зв'язок в тварині і машині».
Першими нейрокомп'ютерами були перцептрони Розенблатта: Марк-1 (1958) і Тоберморі (1961—1967)Neural networks-then and now, а також Адалін, розроблений Уідроу і Хоффом (1960) на основі дельта-правила (формули Уідроу)Королев Л. . Адалін (адаптивний суматор, який навчається за формулою Уідроу) є стандартним елементом багатьох систем обробки сигналів і зв'язку.Уидроу Б., Стирнс С., Адаптивная обработка сигналов. — М.: Радио и связь, 1989. — 440 c. У цьому ж ряду перших нейрокомп'ютерів знаходиться програма «Кора», розроблена в 1961 році під керівництвом М. М. БонгардаБонгард М. М., Проблема узнавания М.: Физматгиз, 1967. .
Велику роль у розвитку нейрокомп'ютингу зіграла монографія Розенблатта (1958)Rosenblatt, F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. .
Ідея нейро-біоніки (створення технічних засобів на нейро-принципах) стала інтенсивно реалізовуватися на початку 1980-х рр. Імпульсом було наступне протиріччя: розміри елементарних деталей комп'ютерів зрівнялися з розмірами елементарних «перетворювачів інформації» в нервовій системі, було досягнуто швидкодію окремих електронних елементів в мільйони разів більше, ніж у біологічних систем, а ефективність вирішення завдань, особливо пов'язаних завдань орієнтування і прийняття рішень в природному середовищі, у живих систем наразі недосяжно вище.
Інший імпульс розвитку нейрокомп'ютерів дали теоретичні розробки 1980-х років на теорії нейронних мереж (мережі Хопфілда, мережі Кохонена, метод зворотного поширення помилки).
Основна ідея — конекціонізм На відміну від цифрових систем, що представляють собою комбінації процесорних блоків і блоків пам'яті, нейропроцесори містять пам'ять, розподілену зв'язки між простими процесорами, які часто можуть бути описані як формальні нейрони або блоки з однотипних формальних нейронів. Тим самим основне навантаження на виконання конкретних функцій процесорами лягає на архітектуру системи, деталі якої в свою чергу визначаються міжнейронними зв'язками. Підхід, заснований на представленні як пам'яті даних, так і алгоритмів системою зв'язків (і їх вагами), називається конекціонізмом.
Три основних переваги нейрокомп'ютерів: Всі алгоритми нейроінформатики високопаралельни, а це вже запорука високої швидкодії. Нейросистеми можна легко зробити дуже стійкими до перешкод і руйнувань. Стійкі і надійні нейросистеми можуть створюватися і з ненадійних елементів, що мають значний розкид параметрів. Розробники нейрокомп'ютерів прагнуть об'єднати стійкість, продуктивність і паралелізм АВМ — аналогових обчислювальних машин — з універсальністю сучасних комп'ютерів.Горбань А. Н. Нейрокомпьютер, или Аналоговый ренессанс, Мир ПК, 1994, № 10, 126—130.
Проблема ефективного паралелізму На роль центральної проблеми, розв'язуваної всією нейроінформатикою і нейрокомп'ютингом, А. ГорбаньГорбань А. Н., Кто мы, куда мы идем, как путь наш измерить? , Пленарный доклад на открытии конференции Нейроинформатика-99, МИФИ, 20 января 1999. Журнальный вариант: Горбань А. Н., Нейроинформатика: кто мы, куда мы идем, как путь наш измерить // Вычислительные технологии. — М.: Машиностроение. — 2000. — № 4. — С. 10-14. запропонував проблему ефективного паралелізму. Давно відомо, що продуктивність комп'ютера зростає набагато повільніше, ніж число процесорів. М. Мінський сформулював гіпотезу: продуктивність паралельної системи зростає (приблизно) пропорційно логарифму числа процесорів — це набагато повільніше, ніж лінійна функція (Гіпотеза Мінського).
Для подолання цього обмеження застосовується наступний підхід: для різних класів задач будуються максимально паралельні алгоритми рішення, які використовують яку-небудь абстрактну архітектуру (парадигму) дрібнозернистого паралелізму, а для конкретних паралельних комп'ютерів створюються засоби реалізації паралельних процесів заданої абстрактної архітектури. В результаті з'являється ефективний апарат виробництва паралельних програм.
Нейроінформатика постачає універсальні дрібнозернисті паралельні архітектури для вирішення різних класів завдань. Для конкретних завдань будується абстрактна нейромережева реалізація алгоритму рішення, яка потім реалізується на конкретних паралельних обчислювальних пристроях. Таким чином нейромережі дозволяють ефективно використовувати паралелізм.
Сучасні нейрокомп'ютери Багаторічні зусилля багатьох дослідницьких груп призвели до того, що до теперішнього часу накопичено велику кількість різних «правил навчання» і архітектур нейронних мереж, їх апаратних реалізацій та прийомів використання нейронних мереж для рішення прикладних задач.
Ці інтелектуальні винаходиСавельев А. В., Нейрокомпьютеры в изобретениях // «Нейрокомпьютеры: разработка, применение». , М. Радиотехника, 2004, № 2-3, с. 33-49. існують у вигляді «зоопарку» нейронних мереж. Кожна мережа із зоопарку має свою архітектуру, правило навчання і вирішує конкретний набір завдань. В останнє десятиліття докладаються серйозні зусилля для стандартизації структурних елементів і перетворень цього «зоопарку» в «технопарк»Миркес Е. М., Нейрокомпьютер. Проект стандарта. — Новосибирск: Наука, 1999. — 337 с ISBN 5-02-031409-9 Другие копии онлайн: : кожна нейронна мережа з зоопарку реалізована на ідеальному універсальному нейрокомп'ютерів, має задану структуру.
Основні правила виділення функціональних компонентів ідеального нейрокомп'ютера (за Міркесу): Відносна функціональна відособленість: кожен компонент має чіткий набір функцій. Його взаємодію з іншими компонентами може бути описано у вигляді невеликого числа запитів. Можливість взаємозаміни різних реалізацій будь-якого компонента без зміни інших компонентів. Поступово складається ринок нейрокомп'ютерів. Широко поширені різні високопаралельні нейро-прискорювачіСавельев А. (співпроцесори) для різних завдань. Моделей універсальних нейрокомп'ютерів на ринку мало почасти тому, що більшість з них реалізовані для спецвикористання. Прикладами нейрокомп'ютерів є нейрокомп'ютер Synapse (Siemens, Німеччина),Шахнов В., Власов А., Кузнецов А., Нейрокомпьютеры — архитектура и реализация. Часть 1. процесор NeuroMatrixПроцессор цифровой обработки сигналов Л1879ВМ1 (NM6403) НТЦ «Модуль». Видається спеціалізований науково-технічний журнал «Нейрокомп'ютери: розробка, застосування»Журнал «Нейрокомпьютеры: разработка, применение». . Проводяться щорічні конференції з нейрокомп'ютерівСавельев А.. З технічної точки зору сьогоднішні нейрокомп'ютери — це обчислювальні системи з паралельними потоками однакових команд і множинним потоком даних (MSIMD-архітектура). Це одне з основних напрямків розвитку обчислювальних систем з масовим паралелізмом.
Штучна нейронна мережа може передаватися від (нейро)комп'ютера до (нейро)комп'ютера, так само як і комп'ютерна програма. Більше того, на її основі можуть бути створені спеціалізовані швидкодіючі аналогові пристрої. Виділяються кілька рівнів відчуження нейронної мережі від універсального (нейро)комп'ютераГорбань А. Н. Обучение нейронных сетей, изд. СССР-США СП «Параграф», 1990, 160 с.: від мережі, яка навчається на універсальному пристрої і використовує багаті можливості в маніпулюванні задачником, алгоритмами навчання і модифікації архітектури, до повного відчуження без можливостей навчання та модифікації, тільки функціонування навченої мережі.
Одним із способів підготовки нейронної мережі для передачі є її вербалізація: навчену нейронну мережу мінімізують із збереженням корисних навичок. Опис мінімізованої мережі компактніше і часто допускає зрозумілу інтерпретацію.
Новий поворот — «вологий продукт» У нейрокомп'ютингу поступово дозріває новий напрямок, засноване на поєднанні біологічних нейронів з електронними елементами. За аналогією з Software (програмне забезпечення — «м'який товар») і Hardware (електронне апаратне забезпечення — «твердий продукт»), ці розробки отримали найменування Wetware () — «вологий продукт».
В даний час вже існує технологія з'єднання біологічних нейронів з надмініатюрними польовими транзисторами з допомогою нанодротин. У розробках використовується сучасна нанотехнологія. У тому числі, для створення з'єднань між нейронами і електронними пристроями використовуються вуглецеві нанотрубки.
Поширене також і інше визначення терміну «Wetware» — людський компонент у системах «людина-комп'ютер».
Застосування Управління в реальному часіТюкин И. Ю., Терехов В. А., Адаптация в нелинейных динамических системах, (Серия: Синергетика: от прошлого к будущему), Санкт-Петербург: ЛКИ, 2008. — 384 с. , в тому числі: літаками і ракетамиПрименение нейрокомпьютеров в ракетно-космической технике. Сборник статей. Ефимов В. В. (ред). — М.: Радиотехника, 2006. — 144 C., технологічними процесами безперервного виробництва (в энергетиці, металургії тощо)Галушкин А. И. Применение нейрокомпьютеров в энергетических системах, М.: Научный центр нейрокомпьютеров, 1997., гибридним двигунам автомобіляDanil V. Prokhorov., пневмоциліндром, зварювальним апаратомD'Emilia G., Marrab A., Natalea E. Use of neural networks for quick and accurate auto-tuning of PID controller // Robotics and Computer-Integrated Manufacturing. — 2007., електропічкоюDias F.M., Mota A.M. Comparison between Different Control Strategies using Neural Networks // 9th Mediterranean Conference on Control and Automation., турбогенератором. Розпізнавня образів: зображеньRuaro M.E., Bonifazi P., and Torre V., Toward the Neurocomputer: Image Processing and Pattern Recognition With Neuronal Cultures , IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 52, NO. 3, MARCH 2005, 371—383., обличMicheli-Tzanakou, E., Uyeda, E., Ray, R., Sharma, A., Ramanujan, R., Dong, J., Comparison of Neural Network Algorithms for Face Recognition, SIMULATION 65 (1995), 37-51, букв та ієрогліфів, відбитків пальців у криминалистиці, мові, сигналів радара і сонара, елементарних частинок і фізичних процесів, що з ними відбуваються (експерименти на прискорювачах або спостереження за космічними променями), захворювань за симптомами (в медицині)Россиев Д. А., Медицинская нейроинформатика, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с., місцевостей, де варто шукати корисні копалини (в геології), ознак небезпеки в системах безпеки, властивостей хімічних сполук за структурою (в хемоінформатиці)И. И. Баскин, В. А. Палюлин, Н. С. Зефиров. Применение искусственных нейронных сетей для прогнозирования свойств химических соединений // Нейрокомпьютеры: разработка, применение. — 2005. — № 1 — 2. — С. 98 — 101. Прогнозування в реальному часі: погоди, курсу акцій (та інших фінансових показників)Галушкин А. , результатів лікування,