Классификация и организация вычислительных систем. Михайлов Б.М - 137 стр.

символов или движущихся целей. Нейрокомпьютеры не являются компьютерами в
общепринятом смысле этого слова. В настоящее время технология еще не достигла того
уровня развития, при котором можно было бы говорить о нейрокомпьютере общего
назначения (который являлся бы одновременно искусственным интеллектом). Системы
с   фиксированными       значениями   весовых       коэффициентов     —   вообше   самые
узкоспециализированные из нейросетевого семейства. Обу чающиеся сети более гибки к
разнообразию решаемых задач. Таким образом, построение нейрокомпьютера — это
каждый раз широчайшее поле для исследовательской деятельности в области
аппаратной реализации практически всех элементов НС.
      В то же время технология интегральной электроники близка к исчерпанию
своих физических возможностей. Геометрические раз-меры трананзисторов больше
нельзя физически уменьшать: при тех-нотогически достижимых размерах порядка 1
мкм и меньше прояв-ляются физические явления, незаметные при больших размерах
активных     элементов   —   начинают    сильно      сказываться    квантовые размерные
эффекты. Транзисторы перестают работать как транзисторы.
      Для аппаратной реализации НС необходим новый носитель информации. Таким
новым носителем информации может быть свет, который позволит резко, на несколько
порядков, повысить производительность вычислений.
      Единственной технологией аппаратной реализации НС, способной в будущем
прийти на смену оптике и оптоэлектронике, является нанотехнология, способная
обеспечить     не только физически      предельно возможную степень интеграции
субмолекулярных     квантовых    элементов      с   физически      предельно   возможным
быстродействием, но и столь необходимую для аппаратной реализации НС трехмерную
архитектуру.
      Длительное время считалось, что нейрокомпьютеры эффективны для решения
так называемых неформализуемых и плохо формализуемых задач, связанных с
необходимостью включения в алгоритм решения задачи процесса обучения на
реальном экспериментальном материале. В первую очередь к таким задачам относилась
задача аппроксимации частного вида функций, принимающих дискретное множество
значений, т. е. задача распознавания образов.
      В настоящее время к этому классу задач добавляется класс задач, иногда не
требующий обучения на экспериментальном материале, но хорошо представимый в