Помощь в написании студенческих работ
Антистрессовый сервис

Моделирование нейронных сетей на основе твердотельных объектов

Диссертация: Моделирование нейронных сетей на основе твердотельных объектов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

На рис. 2.17 представлена схематическая диаграмма энергетических зон для кремниевой нанокристаллической памяти в процессе: (а) записи (инжекция электронов), и (б) стирания (экстракция электронов). В процессе записи (стирания) электроны инжектируются (экстрагируются) в (из) нанокристаллы за счет приложенного положительного (отрицательного) напряжения смещения на затвор по отношению к истоку… Читать ещё >

Моделирование нейронных сетей на основе твердотельных объектов (реферат, курсовая, диплом, контрольная)

Содержание

  • ВведениеI
  • 1. Обзорно-аналитические исследования в области автоматизированного проектирования элементов нейронных сетей
    • 1. 1. Особенности автоматизированного проектирования нейронных сетей
    • 1. 2. Модель нейрона
    • 1. 3. Многослойные сети прямого распространения
    • 1. 4. Твердотельные объекты
    • 1. 5. Схема нейрона
  • Постановка задачи исследования
  • 2. Теоретический подход к решению задачи создания элементов нейронных сетей
    • 2. 1. Элементы нейронных сетей
    • 2. 2. Твердотельные объекты
    • 2. 3. Схема образования двумерных электронов в гетероструктуре
    • 2. 4. Теоретический подход к росту твердотельных объектов как элементов НС
  • Выводы по главе 2
  • 3. Построение физико-математических моделей при автоматизированном проектировании элементов нейронных сетей
    • 3. 1. Модели ускоренного обучения нейронных сетей
    • 3. 2. Модель нейросетевой структуры для оптимизации функционирования
    • 3. 3. Теоретический подход к возможности ускоренного обучения нейросетей за счет адаптивного упрощения обучающей выборки
    • 3. 4. Обучение персептрона.¡
  • Выводы по главе 3
  • 4. Результаты применения алгоритма поиска технических решений устройств для производства элементов нейронных сетей в туннельно-зондовой нано технологии
    • 4. 1. Нейронная сеть
    • 4. 2. Устройство для получения углеродных пленок. IIS
    • 4. 3. Устройство для получения нанодорожек
    • 4. 4. Устройство наноперемещений в электронике
    • 4. 5. Устройство флэш-памяти
  • Выводы по главе 4
  • 5. Методика выбора оптимального варианта технологического решения процесса автоматизированного проектирования нейронных сетей на основе твердотельных объектов
    • 5. 1. Критерии вариантов технологического применения нейронных сетей
    • 5. 2. Выбор оптимального варианта технологического решения с учетом себестоимости научно-технической продукции
    • 5. 3. Алгоритм формирования НС на основе твердотельных объектах
  • Выводы по главе 5

Общая характеристика работы.

В современных системах автоматизированного проектирования широко применяются методы математического моделирования, позволяющие на основе достаточно точных математических моделей проводить исследование свойств технических объектов, проводить их полный расчет и оптимизацию. Процесс моделирования, начиная с ранних стадий разработки, позволяет накапливать информацию, уточнять модель и в результате разрабатывать проект изделия с заданными потребительскими свойствами.

Технология нейронных вычислительных сетей показала свою эффективность при решении задач распознавания образов, кластеризации данных, ассоциативного поиска информации в базах данных и в ряде других применений.

Традиционно нейронные ссти реализуются в форме программ на универсальных компьютерах, или в форме электронных схем, выполненных на микропроцессорах или на специализированных нейронных процессорах (нейрочипах).

Нейроны (нейрочипы) сети выполняют операцию умножения входного сигнала на число (на вес входа), складывают сигналы и вычисляют выходной сигнал, на основе заложенной в нейрон функции активации. Промышленность выпускает цифровые, аналоговые и гибридные нейрочипы, которые работают соответственно с цифровыми, аналоговыми или одновременно аналоговыми и цифровыми сигналами.

Нейрочип специализированный микропроцессор, оптимизированный для массового выполнения нейронных операций: скалярного умножения и нелинейного преобразования сигналов, изготовленный по технологии микроэлектроники. Для создания реально работающих нейронных сетей на основе существующих нейрочипов необходимы десятки и сотни микросхем, что делает проекты достаточно дорогими и поэтому не находящими широкого спроса.

Работы по исследованию и разработке нейронных сетей проводятся с середины прошлого века. Теоретически показано, что наиболее универсальны многослойные нейронные сети с пространственной организацией, в которой входы и выходы каждого нейрочипа могут быть подключены к входам и выходам любого другого нейрочипа в сети. Аппаратная реализация таких сетей на кристалле в рамках традиционной пленарной технологии микроэлектроники очень сложна, что не позволило до настоящего времени создать дешевые нейронные сети.

Нейронная сеть содержит большое количество одинаковых элементовнейронов, и относится к классу вычислительных сетей с распределенными ресурсами. Повысить производительность нейронной сети можно, или уменьшая число каналов обмена информацией между нейронами, или увеличивая степень интеграции элементов в пейрочипе. Наиболее перспективным направлением реализации нейрочипов для нейронных сетей следует признать развитие KM01I технологии, применяемой для изготовления современных программируемых логических интегральных микросхем (ПЛИС), например фирм Xilinx и Altera. Архитектура ПЛИС содержит блоки элементов памяти и конфигурируемые логические блоки (КЛБ). Локальная связь между этими элементами осуществляется при помощи проводников трассировочных матриц, подключаемых при помощи двунаправленных транзисторных программируемых переключателей. Связь с внешней платой осуществляется при помощи двунаправленных программируемых блоков ввода-вывода.

Нейронная сеть может быть аппаратно реализована на системе ПЛИС. Однако по своим функциональным возможностям и цене ПЛИС слишком сложны и дороги и плохо согласуются с алгоритмами работы нейронной сети.

Развитие КМОП технологии привело к созданию элементов энергонезависимой памяти на базе на, но кристаллов Si, Ge, в пленке S1O2 (проекг NEON, реализуемый совместно странами Нвросоюза). Такой нанокристалл совместно с подведенными к нему электродами образует элемент, близкий по свойствам к упииолярному МОП транзистору с плавающим затвором. Комплементарные пары таких транзисторов служат элементной базой при создании гигабайтных микросхем «флэш-памяти».

Эти два технологических направления открывают перспективы создания гигабайтных нейронных сегей на одном кристалле. Группа элементов памяти и логических элементов, созданных tia базе нанокристаллов Si, Ge, образуют нейроны нейронной сети. Связь между нейронами осуществляется при помощи проводников трассировочных матриц. В отличие от ПЛИС, структура нейронной сети достаточно проста и регулярна, что приводит к резкому уменьшению числа программируемых переключателей и объема предназначенной для управления ими теневой памяти.

В результате на одном кристалле в рамках стандартной технологии можно разместить значительно больше нейронов, чем в ПЛИС. Это технологическое направление перспективно для создания массовых и дешевых гигабайтных нейрочипов, позволяющих аппаратно реализовывать сложные нейронные сети.

Проблемам моделирования и функционирования нейронных сетей на основе твердотельных объектов посвящены работы многих российских, советских и зарубежных ученых.

Развитие технологии производства интегральных микросхем ставит задачу изучения алгоритмов обработки информации в нейронных сетях, оптимизации структуры нейронной сети и структуры нейрона, соответствующих возможностям технологии. Это делает задачу разработки элементов информационной технологии моделирования и проектирования нейронных сетей актуальной и своевременной.

Цель работы.

Целью диссертационной работы является разработка элементной базы и алгоритмов работы нейронных сетей па основе твердотельных объектов. Целью работы также является основ проектирования твердотельных нейрочипов па основе перспективных элементов и технологий. Оптимизация архитектуры сети позволяет разрабатывать эффективные проекты гигабайтных нейрочипов, позволяющих реализовать дешевые нейронные сети, работающие в реальном масштабе времени.

В соответствии с поставленной целью на защиту выносится;

1. Архитектура и алгоритм функционирования нейронной сети, выполненной на базе твердотельных объектов;

2. Модель обучения нейронной сети решению ряда практических задач;

3. Модель твердотельного нейрона, предназначенного для реализации нейронной сети;

4. Структура и основные элементы системы автоматизированного проектирования и моделирования элементов нейронной сети.

Основными методами исследования являются применение математических методов и моделей нейронных сетей, основанных на вычислении реакции сети па внешние воздействия, методов и алгоритмов обучения нейронных сегей решению поставленных задач. Компьютерное моделирование выполнено на основе пакетов Matlab. Micro-Cap и оригинальных программ, разработанных автором диссертации.

Достоверность полученных результатов обеспечивается строгим использованием адекватного математического аппарата, проверкой разработанных методов путем решения модельных задач, обширным численным экспериментом и сопоставлением полученных результатов с экспериментом и результатами работ других авторов.

Научная новизна заключается в следующих положениях, выносимых на защиту:

1. Разработка двухслойной архитектуры плоской нейронной сети с регулярными связями между нейронами, согласованной с возможностями полупроводниковой технологии;

2. Разработка перспективной структуры нсйрочипа на основе нанокристаллов 51, Ое в пленке Б Юз и моделирование работы элементов нейрочипа методами схе мотехп и ческо го модел иро ван ия;

3. Разработка алгоритма и модели обучения нейронной сети;

4. Разработка стру) сгуры и алгоритма работы системы автоматизированного проектирования нейронной сети.

Практическая ценность состоит в разработке архитектуры и элементов нейронной сети, перспективной для реализации в виде гигабайтной интегральной микросхемы. Это открывает перспективу создания дешевых нейронных сетей, работающих в реальном масштабе времени.

Реализация работы использованы при проведении научно-исследовательских работ в НИИ систем управления, волновых процессов и технологий Министерства образования и науки РФ. (г, Красноярск) и НИИ Микроэлектроники и информационно-измерительной техники (Москва), а также в учебном процессе в МГИЭМ.

Апробация работы.

Основные результаты работы докладывались и обсуждались на научно-технической конференции «Датчики и преобразователи информации систем измерения, контроля и управления" — научно-технической конференции «Вакуумные технологии и нанотехнологии." — IV Российском философском конгрессе «Философия и будущее цивилизации" — Всероссийской междисциплинарной конференции «Философия искусственного интеллекта" — научно-технической конференции «Нанотехнологии — 2005" — научно-технической конференции «Прогрессивные машиностроительные технологии», а также на конференциях МГИЭМ (ТУ) для молодых ученых и специалистов в 2004, 2005,2006 гг.

Публикации.

По теме диссертации опубликованы 24 печатные работы, в том числе получено 6 патентов РФ на полезные модели, написано 4 депонированных статьи, сделано 13 докладов на Всероссийских конференциях.

Объем диссертации.

Диссертация состоит из введения, пяти глав, общих выводов, заключения, списка литературы и приложения.

Основные выводы:

1. Основным результатом диссертационной работы следует считать разработку комплекса моделей, алгоритмов функционирования и технических решений позволяющих перейти к реализации гигабайтных твердотельных нейронных сетей на основе существующих и перспективных технологий микроэлектроники. Предложенная схема комплексного моделирования позволяет принимать научно обоснованные, технически целесообразные, экономически и технологически выгодные решения при проектировании элементов нейронных сетей в приборостроении.

2. Проведен теоретический анализ и разработана архитектура плоской двухслойной нейронной сети, выполненной на базе твердотельных объектов, являющаяся составной частью системы автоматизированного проектирования процесса производства элементов нейронных сетей. Показана экономическая и технологическая целесообразность разработки элементов такой автоматизированной системы.

3. Разработана модель обучения и оптимизации архитектур нейронных сетей, которая является составной частью информационной системы поддержки принятия решений при проектировании процесса производства элементов нейронных сетей и направлена на решение задачи повышения производительности электронной схемы, а так же достижения более высокого результата обработки данных.

4. Разработана структура, позволяющая проектировщикам на основе морфологического анализа-синтеза создавать технические решения устройств формирования элементов нейронных сетей, соответствующая критериям патентоспособной новизны, изобретательского уровня и промышленной применимости, и обеспечивающая снижение затрат на производство элементов нейронных сетей — твердотельных объектов.

5. На основе предложенных алгоритмов и пакетов прикладных программ разработаны элементы автоматизированной системы проектирования элементов нейронных сетей.

включении.

Спектры ФЛ после ионно-лучевого синтеза в каждом из трех режимов представлены на рис. 2.13.

В отличие от данных по рамановскому рассеянию и электронной микроскопии, где при использовании промежуточных отжигов существенно ослаблялись признаки присутствия кремниевых нанокристаллов, их люминесценция оказалась затронута в меньшей степени. В случае имплантации полной дозы с последующим отжигом в спектре возникала интенсивная полоса с максимумом вблизи 795 им. В настоящее время практически все исследователи связывают ее с излучательной рекомбинацией в образующихся квантово-размерных кристаллах кремния. Имплантация с одним промежуточным отжигом приводила к некоторому снижению интенсивности свечения, причем заметного смещения максиума не происходило. Набор дозы 10)7 см-2 в три приема ведет к дальнейшему понижению интенсивности ФЛ, и здесь уже становится заметным коротковолновое смещение максимума полосы к ~ 785 нм. Таким образом, использование двух промежуточных отжигов снижало интенсивность ФЛ всего в 2 с небольшим раза, в то время как возможности обнаружения признаков нанокристаллов по рамановскому рассеянию или с помощью высокоразрешающей электронной микроскопии практически исчерпывались.

60 й.

50 С 3 л с.

РЗ.

ИI с о л зо.

10 а 0.

600 700 800.

УаУс!спёТЬ, пш.

Рис. 2.13. Спектры фотолюминесценции образцов, полученных в режимах I (а), 2 (Ь) и 3 ©.

Данный механизм создания области затвор-диэлектрик, состоящий из управляющего оксида (верхний слой), слоя оксида с захороненными нанокристаллами германия (средний слой) и туннельного оксида (нижний слой) позволяет очень точно контролировать толщину оксидов окружающих захороненный слой нанокристаллов. В первую очередь на поверхности кремниевой подложки создается тонкий эпитаксиальный слой 81|.хОех с последующим высокотемпературным влажным окислением, которое заставляет имплантированный ве скапливаться на границе раздела 51/5102 вследствие отделения растущего оксида в данных условиях окисления). После удаления слоя высокотемпературного оксида верхний слой оксида выращивается при 800″ С в атмосфере сухого 02. В таких условиях Се не взаимодействует с растущим оксидом. Затем слой 5н. х0ех02 выращивается при 800″ С во влажной среде таким образом, что Се проникает в область затвор-диэлектрик. На заключительном этапе выращивается туннельный оксид при 800° С в атмосфере сухого Ог, а затем структура отжигается при температуре 900° С, что приводит к образованию преципитатов Се и формированию захороненного слоя нанокристаллов.

Схема эксперимента и основные результаты представлены на рис. 2.14 [48,49]. I.

§.

Си ф у.

I ?

•а § I.

3: |.

Рис. 2.14. Формирование слоя нанокристаллов Се в подзатворном диэлектрике для хранения заряда в элементах нейронной сети.

ГЛАВА 2 Теоретический подход к решению задачи создания элементов системы проектирования нейронных сетей.

Элементарные ячейки нейронной сети могут хранить один бит информации и состоят из одного полевого нанотранзистора с электрически изолированной областью (плавающим затвором — floating gate), способный хранить заряд многие годы. Ячейка нейронной сети представляет собой одиночный многоходовой МОП транзистор (рис. 2.15). Проводящий поликремниевый слой находится между внешне доступным затвором (обозначенный как управляющий затвор) и плавающим затвором. Диэлектрики между плавающим затвором и подложкой (термический оксид кремния), а так же между плавающим затвором и контрольным входом являются туннельными и управляющими диэлектриками соответственно. Л.

Чпрйдляюшии зотдии.

Чпоабляюшии оксид.

НтВаюший затбоо.

Тцннрльный оксид.

Рис. 2.15. Схематическое сечение МОЛ транзистора с плавающим затвором.

Наличие или отсутсвие заряда на плавающем затворе кодирует один бит информации. При записи заряд помещается на плавающий затвор одним из двух методов (зависит от типа ячейки): методом инжекции электронов или.

68 методом туннелирования электронов. Стирание содержимого ячейки (снятие заряда с плавающего затвора) производится методом туннелирования. Как правило, наличие заряда на транзисторе понимается как логический «ноль», а его отсутствие — как логическая «единица». Изменение порогового напряжения Д/>&bdquo-, вызванное хранением заряда 0н, определяется как.

ДРга =, где Ос-это емкость между контрольным и изолированным '-со входом и задается формулой Сга =, где, А — площадь конденсатора, а е и — диэлектрическая константа и толщина управляющего диэлектрика соответственно (рис. 2.16). я? 5 а.

Д' I у 1.

1 'б.

§.

4″.

— 1 1.

С:!

5 4.

О —О о ь—о у е I 1 г<> 1 I I.

Г! ,.

У с.

У 1 л г.

Г.

А.

Рис. 5.16 Схематическое описание операций стирания/записи для ячейки элемента нейронной сети.

На рис. 2.17 представлена схематическая диаграмма энергетических зон для кремниевой нанокристаллической памяти в процессе: (а) записи (инжекция электронов), и (б) стирания (экстракция электронов). В процессе записи (стирания) электроны инжектируются (экстрагируются) в (из) нанокристаллы за счет приложенного положительного (отрицательного) напряжения смещения на затвор по отношению к истоку и стоку. Тольщина управляющего оксида должна быть относительно мала для выбора приемлемого низкого напряжения, но не такой маленькой чтобы привести к утечке заряда в управляющий затвор. Эти ограничения приводят к выбору оптимальной толщины управляющего оксида в 5−15 нм. В случае тонкого туннельного оксида толщиной менее 3 нм передача заряда осуществляется через прямое туннелирование (потока электронов через весь оксид) вместо туннелирования по механизму Фаулера-Нордгейма. Генерация носителей с низкими энергиями (с энергиями много меньше чем 3 эВ, что является порогом для некоторых главных механизмов деградации оксидов от горячих носителей заряда) во время операции программирования, понижает деградацию оксида во время Ф-Н-инжекции, в результате улучшая износоустойчивость и характеристику заряд/пробой. [49].

Одно из главных преимуществ ячеек нейронной сети на нанокристаллов по сравнению с обычными устройствами на основе плавающих затворов состоит в использовании взаимно изолированных узлов хранения заряда, вместо непрерывного поликремниевого слоя. Такой неоднородный плавающий затвор уменьшает потерю зарядов через дефекты в окисле, где происходит туннелирование, позволяя все более уменьшать толщину туннельного окисла. [49].

Рис. 2.17. Диаграммы потенциала зоны проводимости для элементов нейронной сети на основе кремниевых нанокристшиюв во время: (а) записи (инжекции электронов в нанокристалл) — (б) стирания (экстракция электронов из напокристалла) — (в) хранение электронов на квантовых уровнях энергии нанокристалла- (г) хранение электронов на низких энергетических уровнях в нанокристалле и/или на границе раздела ЗЮ/нанокристалл.

Рис. 2.18. Яаноячейки памяти с архитектурой нейронных сетей реализованной с помощью баллистического транзистора.

Показать весь текст

Список литературы

  1. К. Джейн, Жанчанг Мао, К.М. Моиуддин «Введение в искусственные нейронные сети» Artificial Neural Networks: A Tutorial, Computer, Vol.29, No, 3, March/1996, pp. 31 -44.
  2. W.S, McCulloch and W. Pitts, «A logical Calculus of Ideas Immanent in Nervous Activity», Bull. Mathematical Biophysics, Vol. 5, 1943, pp. 115 133.
  3. J. Hertz, A. Krogh, and R.G. Palmer, Introduction to the Theory of Neural Computation, Addison-Westey, Reading, Mass., 1991.
  4. S. Haykin, Neural Networks: A Comprehensive Foundation, MacMillan College Publishing Co., New York, 1994.
  5. RRosenblatt, 'Principles of Neurodynamics", Spartan Books, New York, 1962.
  6. M. Mimnsky and S. Papert, «Perceptrons: An introduction to Computational Geometry», MIT Press, Cambridge, Mass., 1969.
  7. J.J. Hopfield, «Neural Networks and Physical Systems with Emergent Collective Computational Abilities», in Proc. National Academy of Sciencies, USA 79, 1982, pp. 2554−2558.
  8. P. Werbos, «Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences», Phd Thesis, Dept. of Applied Mathematic
  9. А.Ю.Дорогов, А. А. Алексеев. Категории ядерных нейронных сетей. //Труды Всерос. науч.-техн. конф. ь'Нейроинформатика-99″ г. Москва 20−22 января 1999 г. Сб.науч.тр.Часть 1.- М.: 1999. С.55−64.
  10. А.Ю.Дорогов, А. А. Алексеев. Быстрые нейронные сети. //Труды международной научно-технической конференции «Пятьдесят лет развития кибернетики"Санкт-1 етербург 5−7-октября 1999. С. 120−121.
  11. А.Ю.Дорогов, А. А. Алексеев. Быстрые нейронные сети. //Труды международной Научно-технической конференции ''Пятьдесят лет развития кибернетики"Санкт-Петербург 5−7-октября 1999. С.120−121.
  12. J. М. Introduction to artificial neural systems. PWS Publishing Company, 1992. 785 pp.
  13. Haykin S. Neural networks. A comprehensive foundations. McMillan College Publ.1. Co. N.Y., 1994. 696 pp.
  14. Ezhov АЛ, Ventura D. Quantum neural networks. In: Future directions for Intelligent Information Systems and Information Sciences. Kasabov N (ed), Physica-Verlag, Heidelberg, 2000- 213−235 (Studies in Fuzziness and Soft Computing, vol.45)
  15. Deutsch D. The fabric of reality. Alen Lane: The Penguin Press, 1997
  16. Narayanan A. Quantum algorithms. Technical Report 374, Department of Computer Science, University of Exeter, 1998
  17. Perus M. Common mathematical foundations of neural and quantum informatics. Zeitschrift fur Angewandte Mathematik und Mechanik, 1998- 78: 23−26.
  18. Behrman EC, Niemel J, Steck JE et al. A quantum dot neural network. In: Proceedings of the 4th Workshop on Physics of Computation, Boston, 1996, pp.22−24.
  19. MenneerT, Narayanan A. Quantum inspired neural networks. Department of Computer Sciences, University of Exeter, UK 1995. http:/www.dcs.ex.ac.uk/reports/reports.htmI
  20. Menneer T. Quantum artificial neural networks. PhD thesis, Faculty of Science, University of Exeter, UK, 1998.
  21. Menneer T & Narayanan A. Quantum artificial neural networks vs. Classical artificial neural networks: Experiments in Simulation. Proceedings of the Fifth Joint Conference on Information Sciences, Atlantic City, 2000- 1: 757 759.
  22. Ventura D. and Martinez T. (1998) Quantum associative memory with exponential capacity, Proceedings of the International Joint Conference on Neural Networks, pp.509−513,
  23. Chrisley R.L. Learning in Non-superpositional Quantum Neurocomputers, In Pylkkanen, P., and Pylkko, P. (Eds.) Brain. Mind and Physics. IOS Press, Amsterdam, pp 126−139, 1997.
  24. P. Бомовские квантовые нейронные сети (в данном сборнике).
  25. А.Н., Россиев Д. А. 11ейронные сети на персональном компьютере.
  26. Новосибирск- Наука (Сиб. отделение), 1996. 276 с,
  27. Le Cun Y., Denker J.S., Solla S.A. Optimal Brain Damage // Advances in Neural1. formation Processing Systems II (Denver 1989). San Mateo, Morgan Kaufman, 1990. Р.598−605/
  28. Горбань A. l 1. Обучение нейронных сетей. M.»: изд. СССР-США СП"ParaGraph", 1990, 160 с. (English Translation: Traning Neural Networks // AMSETransaction, Scientific Siberian, A, 1993, Vol. 6. Neurocomputing. P. 1−134).
  29. Prechelt L. Comparing Adaptive and Non-Adaptive Connection Pruning With PureEarly Stopping // Progress in Neural Information Processing (HongKong, September 24−27,1996), Springer, 1996. Vol. 1. P. 46−52.
  30. Cybenko G. Approximation by superposition of a sigmoidal function. Mathematics ofContro!, Signals, and Systems, 1989. Vol. 2. PP. 303 314.
  31. Horniк К., Stinchcombe M., White H. Multilayer feedforward networks are universalapproximators. Neural Networks. 1989. Vol. 2. PP. 359 366.
  32. Kochcnov DA., Rossiev D.A. Approximations of functions ofCA, B. class by neural-net predictors (architectures and results). AMSE Transaction, Scientific Siberian, A. 1993, Vol. 6. Neurocomputing. PP. 189−203. Tassin, France.
  33. Gilev S.E., Gorban A.N. On completness of the class of functions computable byneura! networks. Proc. of the World Congress on Neural Networks (WCNN'96). Sept. 15−18,1996, San Diego, CA, Lawrens Eribaum Accociates, 1996. PP. 984−991.
  34. A.H. О представлении непрерывных функций несколькихпеременных суперпозициями непрерывных функций меньшего числа переменных.Докл. АН СССР, 1956. Т. 108, №.2 С. 179−182.
  35. В.И. О функциях трех переменных. Докл. АН СССР, 1957, Т. 114, № 4. С. 679−681.
  36. А.Н. О представлении непрерывных функций несколькихпеременных в виде суперпозиции непрерывных функций одного переменного. Докл. АН СССР, 1957. Т. 114, № 5. С. 953−956.
  37. А.Г. О многомерных вариациях. М.: Физматгиз, 1955.
  38. Stone M.N. The generalized Weierstrass approximation theorem. Math. Mag., 1948.V.21.PP. 167−183,237−254.
  39. X. Топологические векторные пространства. М.: Мир, 1971. 360 с.
  40. Шик А, Я. Квантовые нити // Соросовский Образовательный Журнал. 1997. № 5. С. 87−92,
  41. В.Я. Квантовые ямы, нити, точки: Что это такое//Там же. С. 81−86.
  42. Молекулярно-лучевая эпитаксия и гетероструктуры / Подред. Л. Ченга, Л. Плога. М.- Мир, 1989. 582 с.
  43. В.И. Физические основы полупроводниковойтехнологии // Соросовский Образовательный Журнал. 1998.№ 10. С. 92−98.
  44. В.А. Крисилов, Д. Н. Олешко, А. В. Трутнев. Применение нейронных сетей в задачах интеллектуального анализа информации. //Труды Одесского политехнического университета, Вып.2 (8). 1999, с. 134
  45. Э.Д. Алгоритмы настройки многослойных нейронных сетей.//Автоматика и телемеханика-I995-N 5. С.106−118.
  46. Минский М., ПейпертС. I (ерсептроны. М.: МИР, 1971. с. 261.
  47. Tiwary S., Rana F., Chan K., Hanafi H., Chan Wei, Buchanan D. Volatile and non-volatile memories in silicon with nano-crystalstorage // IEEE International Electron Device Meeting 1995, Washington, DC, USA, 10−13 December 1995, 1995. pp. 521−524.
  48. Tiwary S., Rana F. Hanafi H., Harstein A., Crabbe E.F. Chan K. A silicon nanocrystals based memory // Appl. Lett. 1996. 68. P. 1377−1379.
  49. Ю.А. Нанотехнология в электронике // МИЭТ 2005, с. 153 170.
  50. P. Patrick. Minimisation methods for training feedforward Neural Networks. //NEUARAL NETWORKS, 1994, Volume 7, Number 1, P. 1−11
  51. E. Хинтон. Как обучаются нейронные сети.// В мире науки -1992 N 11 -N 12-с. 103−107.
  52. Rumelhart В.Е., Minton G.E., Williams R.J. Learning representations by back propagating error.// Wature, 1986. V. 323. p. 1016−1028.
  53. D.Bohm and B.Hiley. The Undivided Universe: An Ontologica) Interpretation of Quantum Mechanics. Routledge, London, 1993.
  54. R. Chrisley. Learning in non-superpositional quantum neuroeomputers. In P. Pylkkanen and P. Pylkko, editors, Brain, Mind and Physics, ppI26−139. IOS Press, Amsterdam, 1997.
  55. L. de Broglie. Non-Linear Wave Mechanics: A Causal Interpretation, Elsevier, New York, 1960.
  56. D.Deutsch. Quantum theory, the Church-Turing principle and the universal quantum computer, Proc. Royal Society ofLondon, A400, pp.97−117, 1985.
  57. H. Everett, «relative state» formulation of quantum mechanics. Review of modern physics, vol.29, pp.454−462, 1957.
  58. B. Hiley and P. Pylkkanen, Representation and interpretation in quantum physics. In D. Peterson, editor, Forms of Representation, Intellect Books, Exeter, 1996.
  59. T.Menneer. Quantum Artificial Neural Networks. University of Exeter, Exeter, 1999, D. Phil, thesis, 61 .T.Menneer and A.Narayanan. Quantum-ins pi red neural networks. Technical Report 329, Department of Computer Science, University of Exeter, 1995.
  60. M.Moore and A.Narayanan. Quantum-inspired computing. Technical Report 341, Department ofComputer Science, University of Exeter, 1996.
  61. P.W.Shor. Algorithms for quantum computation: Discrete log and factoring, in S. Goldwasser, editor, Proceedings of the 35th Annual Symposium on the Foundations of Computer Science, pp.124−134, IEEE Computer Society Press, 1994.
  62. D.Ventura. Implementing competitive learning in a quantum system. In Proceedings of the 1999 International Joint Conference on Neural Networks, 1999.
  63. , P.W. (1997) Polynomial-time algorithm for prime factorization and discrete logarithms on a quantum computer, SIAM Journal on Computing, 26, 1484−1509.
  64. , L.K. (1996) A fast quantum mechanical algorithm for database search. Proc. of the 28th Annual ACM Symposium on the Theory of Computation, 212−219.
  65. Simon D (1997), SIAM J. Comput. 26, 1474
  66. Deutsch D, and R. Jozsa (1992) Rapid solutions of problems by quantum computations. Proc. Roy.Soc.London Ser. A 439, 553
  67. T. (1996) Journal of Atrificial Intelligence Research 4,91.
  68. Jackson J. (1997) Journal of Computer and System Sciences 55,414
  69. N.H. & Jackson J. (1995) Proceedings of the 8th Annual Conference on Computational Learning Theory, Santa Cruz, 1995, W.Maass. ed. (ACM Press).
  70. E. & Toffoli T. (1982) Conservative Logic, Int. J. Theor. Physics, 21,219.
  71. Bernstein E. And Vazirani U, (1997) SIAM J. Comput. 26, 1411
  72. В iron D. et al. (1998) Proceedings of the 1st NASA Int. Conf. Quantum Computing and Quantum Communications, Palm Springs, C. Bennet (ed), (to be published)
  73. Steane. Quantum computing// Rep.Progr.Phys. 1998. T. 61. C. 117−173.
  74. H. Wilson and J. Cowan. Amathematical theory of the functional dynamics of cortical and thalamic nervous tissue // Cybernetic. 1973. V.13. N 1. C.55−80.78.0раевский A. H. О квантовых компьютерах // Квантовая электроника.2000. Т.30. N 5. С, 457 458.
  75. R. Feynman. Lectures of physics. Addis on-Wis ley. 1964. V.2.
  76. JI. Д., Лифшиц Е. М. Квантовая механика. 1964. С. 173−174.
  77. Sl.Barenco, С. Н. Bennet, R. Cleve, D. P. DiVincenzo, N. Margolus, P. Shor,
  78. T. Steator, I. A. Smoiin and H. Weinfurter. Elementary gates for quantum computation // Phys. Rev. A. 1995. V.52. P.3457−3467.
  79. N. A. Gershenfeld and I, L. Chuang. Bulk spin-resonanse quantum computation // Science. 1997. V275. P.350−356.
  80. D. Ventura and 'Г. Martinez. Quantum associative memory with exponential capacity. Proc. Int. Joint Conf. on Neural Networks. Anchorage. 1998. P. 509−513.
  81. A. P., Ермаков В. JI. Виртуальные кубиты многоуровневость вместо многочастичности // ЖЭТФ. 2000. Т. 117. N.3. С. 517 — 525.
  82. П.П., Реутова М. В. Технологические устройства для получения наноструктур с использованием углеродных нанотрубок. Сборник докладов научно-технической конференции «Вакуумная наука и техника». -М.:МГИЭМ, 2003, Судак — 03.
  83. E.H., Павлов А. Ю., Пискарев Д. А., Реутова М. В., Степанов М. В. Колебательный контур для наноэлектроники. Патент РФ на пол. мод. № 40 539. Опубликована 16.03.04 Б. № 25
  84. А.И., Семенков О. И. основы построения систем автоматизированного проектирования. 2-е изд., стер. -К.:Вища шк. Головное издательство, 1985 г. — 294с.
  85. E.H., Семенкина О. Э., Терсков В. А. Методы оптимизации в управлении сложными системами: Учебное пособие. -Красноярск: сибирский юридический институт МВД России. 2000 г. -254с.
  86. E.H., Реутова М. В. Применение метода Саати при структурировании множества альтернатив получения углеродных нанотрубок, фуллеренов и кластеров. Деп. рукопись ВИНИТИ № 2325 В. 2003: 31. i2.2003.-12c, илл.
  87. С.А. Оценка интеллектуальной собственности: М.: Финансы и статистика, 2002 г.- 352с: ил. Неволин В. К. Физические основы туннелыго-зондовой нанотехнологии. Уч. Пособие. М. 2000 г.
  88. E.H., Степанчиков СВ., Реутова М. В., Дульцев A.A. Расчет магнитных систем вакуумного технологического оборудования.' Свидетельство об офиц. регистр, прогр. для ЭВМ № 2 003 611 934. Зарегистр. в Реестре 22.08.03.
  89. E.H., Степанчиков СВ., Реутова М. В., Самухов И. В. Расчет электромагнитных систем вакуумного технологического оборудования. TSE RISS Свидетельство об офиц. регистр, прогр. для ЭВМ №?2 003 611 935. Зарегистр. в Реестре 22.08.03.
  90. E.H. Пак М.М. и др. Системы формирования и сканирования нанообъектов, НТК «Датчики и преобразователи информации систем измерения, контроля и управления». Датчик 04 М.: МГИЭМ 2004, Судак 2004, материалы конференции
  91. E.H., Пак М.М. и др. Построение аналитических устройств наноэлетроники на основе кванто механич ее кого подхода Деп. Рук. ВИНИТИ № 1204 В 2004- 13.07.04
  92. E.H., Пак М.М. и др. Механическое и полевое тестирование модифицированы" наноструктур. Деп. Рук. ВИНИТИ № 1202 В 2004- 13.07.04
  93. E.H., Пак М.М. и др. Туннельный метод измерения нанорельефа поверхности. Деп. Рук. ВИНИТИ № 1201 В 2004- 13.07.04
  94. E.H., Пак М.М. и др. Оптоволоконная нанотехнология в элетронике и методы её реализации. Деп. Рук. ВИНИТИ № 1203 В 2004- 13.07.04
  95. E.H., Пак М.М. и др. Устройство перемещения для нанотехнологии. Пат. РФ на ПМ № 37 580 опубл. 27.04.04. Б.И. № 12
  96. E.H., Пак М.М. и др. Устройство для регистрации химического состава. Пат. РФ на ПМ № 43 104 опубл. 27.12.04. Б.И. № 36.
  97. E.H., Пак М.М. и др. Устройство для получения нанодорожек. Пат. РФ на ПМ № 42 696 опубл. 27.12.04. Б.И. № 34.
  98. E.H., Пак М.М. и др. Измерительное устройство для нанотехнологии. Пат, РФ на ПМ № 42 697 опубл. 27.12.04. Б.И. № 34.
  99. E.H., Пак М.М. Искусственная нейронная сеть. Заявка на Пат. РФ № 2 006 141 133 от 21.11.2006.
  100. E.H., Пак М.М. Устройство флэш-памяти. Заявка на Пат. РФ № 2006. 41 132 от 21.11.2006.
  101. Пак М.М. и др. Определение наноструктуры поверхности подложки. Ежегодная научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ М.: Москва 2004, материалы конференции
  102. Пак М.М. и др. Устройство сканирования нанодорожек на подложке. Ежегодная научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ -. М.: Москва 2004, материалы конференции
  103. E.H., Пак М.М. и др. Аспекты наноробототехники IV Российский философский конгресс «ФИЛОСОФИЯ И БУДУЩЕЕ ЦИВИЛИЗАЦИИ» М:. Москва 2005, материалы конференции
  104. E.H., Пак М.М. и др. Методологические аспекты нанотехнологии Всероссийская междисциплинарная конференция «Философия искусственного интеллекта» М:. Москва 2005, материалы конференции
  105. E.H., Пак М.М. и др. Моделирование наноструктур ассемблерами на основе искусственных нейронных сетей. НТК
  106. Нанотехнологии 2005"-. М.: МГИЭМ 2005, Владимир 2005, материалы конференции
  107. Пак М.М. и др. Применение туннельного метода в исследовании наношероховатости поверхности подложки. НТК «Прогрессивные машиностроительные технологии» «Образование через науку» 2005-, М.: МГИЭМ 2005, Москва 2005, материалы конференции
  108. Пак М.М. и др. Формирование наноструктур на атомарном уровне. НТК «11рогрессивные машиностроительные технологии». -«Образование через науку» (материалы конференции). М.:МГИЭМ. 2005 г.
  109. Пак М.М. и др. Моделирование наноструктур ассемблерами на основе искусственных нейроных сетей, Ежегодная научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ М.: Москва 2005, материалы конференции
  110. E.H., Пак М.М. и др. Расчет геометрических параметров квантовых точек при их автоматизированном проектировании Свид. per, программы для ЭВМ № 2 005 613 155, заявка № 2 005 612 537
  111. Пак М.М. и др. Квантовая нейронная обработка в автоматизированном проектировании искусственных нейросетей. XIV МЕЖДУНАРОДНАЯ СТУДЕНЧЕСКАЯ ШКОЛА-СЕМИНАР «НОВЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ».-М.: МИЭМ, 2006, материалы конференции
  112. Расчет геометрических параметров квантовых точек при их автоматизированномпроектировании.1. Program NEURONANO-uses crt-constme=9. le~3I- F=96.5e+3- Plank-6.625e-34- mun-92e-3- pi=3.?4 159 265-
  113. WriteC 0- for i-=3 to X2−2 do Write ('—') — Write (') — for i:=2 to Y2−1 do1. Begin
  114. GotoXY (2,i) — Writer lb- GotoXY (X2-l, i) — Writer II') — End-1. GotoXY (2, Y2) — WriteCЦ-for i: =3 to X2−2 do Write (—') — Write ') — End-beginwhile not keypressed do Begin
  115. Xl:=l+(85-MinLen) — X2:=MinLen+(85-Xl-MinLen) — Y2:=Round (X2*25/85)-l- Yl:=l+(24-Y2) —
  116. WindowfXJ, Yl. Xl +X2−1, Y1 + Y2−1) —
  117. Background: =(15) — Color: =(0) —
  118. TextBackground (Background') — ClrScr-1. TextColor (Black) —
  119. GotoXY ((X2-Textlen) div 2+1, (Y2−1) div 2+1)-1. Write (Text)-1. Doubleframe-1. Delay/Pause)-1. End-
  120. Расчет геометрических параметров квантовых точек при их автоматизированномпроектировании.
  121. Настоящая программа позволяет выполнить расчет геометрических параметров квантовой точки ее диаметра, высоту при следующих исходных данных: материал зонда, материал подложки, рабочий газ. напряжение и расстояние между зондом и подложкой.1. Тип ЭВМ
  122. M PC совместимые ПК Turbo Pascal ver. 7.0 Windows 95/98/NT/2000/XP/2003 20,1 КБ1. Авторы:
  123. Ивашов Евгений Николаевич.2. Пак Марк Маркович,
  124. Программа распознавания объектов.
  125. Программа распознавания образов, построенная, но алгоритму, основанному на принципе нейронной сети, напнеана с использованием Open Source библиотеки OpenCV 0.99 http: // sourceforqe.net/projects/opencv/1. Тин ЭВМ
  126. Windows 95/98/NT/2000/XР/2003 5.440 Mbhttp://sourceforqe.net/Droiects/opencv/
  127. Декан ф-та электроники, зав. кафедрой
  128. Технологические системы электроники" Профессор кафедры1. Львов Б.Г.
  129. Технологические системы электроники" Доцент кафедры1. Ивашов Е.Н.
  130. Технологические системы электроники"1. Степанчиков С.В.
  131. НИИ МИКРОЭЛЕКТРОНИКИ и ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНОЙ ТЕХНИКИ (НИИ МЭИИТ)1. АКТоб использовании результатов диссертационной работы Пака М. М. на тему «Моделирование нейронных сетей на основе твердотельных объектов»
  132. Директор НИИ СУВПТ Академик МИА, профессор1. Василенко Н.В.п ш ш шш $ш ш Йш42 697
  133. ИЗМЕРИТЕЛЬНОЕ ЩТРОИСТВО ДЛЯ НАНОТЕХНОЛОГИИ' ¿--.у-.. > :.: •• •:.-.¦ >••'•.<�••
  134. Патентообладателе л и): Государственное образовательное учреждение высшего профессионального образования Московский государственный институт электроники и математики (Технический Университет) (Ш/)1. Автор (ы): см. на обороте1. Заявка Л|2Р040 6567
  135. ПрнорйЖ|ШщШ"одели 04 июня 2004 г. к4ААл ' Зарс1"исщррвд|{0й^^Госула|х*твеило.мреестре полезных моделей Доссийской с^едераци и 10 декабря 2004 г.
  136. Срок действия патента истекает 04 июня 2009 г.
  137. Руководитель Федеральной службы по интеллектуал ьшш. собственности, патентам и товарным знакам1. Б.П. Сгшоиоа
Заполнить форму текущей работой

Сессия? Спокойно!