Исследователи из Северо-Кавказского федерального университета придумали новый подход к оптимизации сложных вычислений с помощью параллельной арифметики. Результаты работы помогут увеличить скорость работы интеллектуальных систем при меньших аппаратных ресурсах. Статья разработчиков опубликована в журнале Neurocomputing.

Интеллектуальные системы обработки данных, которые позволяют распознавать изображения и речь, как правило, создаются на нейросетях. Для их точной работы требуется большое количество времени и вычислительных ресурсов. Это заметно ограничивает применение искусственного интеллекта на практике.

Поэтому исследователи стараются оптимизировать процесс обработки данных, используя аппаратную реализацию некоторых компонентов нейронной сети. Например, ученые создают специализированные сопроцессоры или задействуют видеокарты для вычислений. Такие методы позволяют значительно ускорить работу системы, а также обеспечить ее автономность и мобильность.

Исследователи из СКФУ применили другой подход, чтобы оптимизировать вычисления в системах с искусственным интеллектом. Ученые разработали и протестировали новый подход, в основу которого легла параллельная арифметика на основе системы остаточных классов.

«Мы разделили данные большого размера на части, которые обрабатываются параллельно и независимо друг от друга. Это позволило значительно ускорить процесс вычислений, — рассказал один из исследователей, доцент кафедры прикладной математики и математического моделирования СКФУ Павел Ляхов. — Еще одно важное преимущество такого подхода по сравнению с традиционными методами состоит в том, что он позволяет существенно уменьшить размер вычислительного устройства. Это, в свою очередь, приводит к снижению электропотребления и стоимости устройства».

Чтобы проверить устройство в действии, математики создали тестовую нейронную сеть для распознавания изображений из открытой базы Иллинойсского университета. Для проведения вычислений ученые использовали микросхему Xilinx. Эксперименты показали, что новый способ оптимизации позволяет уменьшить необходимые аппаратные ресурсы на 32,6% без каких-либо потерь в качестве обработки данных.