МОДЕЛЬ ГЕТЕРОГЕННОЙ СЕТИ ДЛЯ СИМУЛЯЦИИ НЕЙРОДИНАМИЧЕСКИХ ЗАДАЧ

Алексей Александрович Калачев; Андрей Евгеньевич Краснов; Евгений Николаевич Надеждин; Дмитрий Николаевич Никольский; Дмитрий Сергеевич Репин

Алексей Александрович Калачев Государственный научно-исследовательский институт информационных технологий и телекоммуникаций
Андрей Евгеньевич Краснов Государственный научно-исследовательский институт информационных технологий и телекоммуникаций
Евгений Николаевич Надеждин Государственный научно-исследовательский институт информационных технологий и телекоммуникаций
Дмитрий Николаевич Никольский Государственный научно-исследовательский институт информационных технологий и телекоммуникаций
Дмитрий Сергеевич Репин Государственный научно-исследовательский институт информационных технологий и телекоммуникаций

Abstract

Для симуляции нейродинамических задач предложен подход, основанный на функционально-структурной модели гетерогенной сети, состоящей из информационной и управляющей подсетей, и её объектно-ориентированной программной реализации. Для каждой из подсетей описаны активные структурные элементы, а также способ их объединения в общую гетерогенную многосвязную сеть. Определены основные функции активных структурных элементов такой сети. Представлено краткое описание архитектуры программного комплекса, предназначенного для работы на кластерах универсальных и/или графических процессоров. Выполнена апробация разработанной модели на основе решения ряда известных нейродинамических задач высокой размерности.

Author Biographies

Алексей Александрович Калачев, Государственный научно-исследовательский институт информационных технологий и телекоммуникаций

ведущий программист; аспирантура

Андрей Евгеньевич Краснов, Государственный научно-исследовательский институт информационных технологий и телекоммуникаций

доктор физико-математических наук, профессор, главный научный сотрудник

Евгений Николаевич Надеждин, Государственный научно-исследовательский институт информационных технологий и телекоммуникаций

доктор технических наук, профессор, главный научный сотрудник

Дмитрий Николаевич Никольский, Государственный научно-исследовательский институт информационных технологий и телекоммуникаций

кандидат физико-математических наук, доцент, ведущий научный сотрудник

Дмитрий Сергеевич Репин, Государственный научно-исследовательский институт информационных технологий и телекоммуникаций

кандидат технических наук, начальник управления телекоммуникаций, управление телекоммуникаций

References

1. Kock G., Becher T. Simulation kunstlicher neuronaler Netze auf der Basis abstrakter Netzwerkbeschreibungen // GMD-Spiegel. 1997. V. 1. P. 29–31.
2. Nicol J. R., Wilkes C. T., Manola F. A. Object orientation in heterogeneous distributed computing systems // Computer. 2002. V. 26, I. 6. P. 29–31.
3. Binkert N.L., Hallnor E.G., Reinhardt S.K. Network-Oriented Full-System Simulation using M5 // Sixth Workshop on Computer Architecture Evaluation using Commercial Workloads (CAECW), New York. ACM SIGARCH Computer Architecture News. 2003.
4. Hall J.D., Hart J.C. GPU acceleration of iterative clustering // Proc. SIGGRAPH. 2004. – 13p.
5. Ohmer J., Maire F., Brown R. Implementation of kernel methods on the GPU // Proc. DICTA. 2005, Cairns, Australia, 2005. – 8 p.
6. Bahrampour S., et all. Comparative study of Caffe, Neon, Theano, and torch for deep learning // Workshop track – ICLR. 2016. P. 1–11.
7. Kalman R. E. Mathematical description of linear dynamical systems // J. Soc. Indus. Appl. Math. 1963. Ser. A 1. P. 152–192.
8. Gao X.-D. et al. Control efficacy of complex networks // Sci. Rep. 2016. V 6, Article number: 28037.
9. Yang-Yu L., Jean-Jacques S., Barabasi A.-L. Controllability of complex networks // Nature. 2011. Vol 473. P. 167–173.
10. Gao J., Barzel B., Barabasi A.-L. Universal resilience patterns in complex networks // Nature. 2016. Vol 530. P. 307–312.
11. Pu C.-L., Pei W.-J., Michaelsond A. Robustness analysis of network controllability // Physica. 2012. A 391. P. 4420–4425.
12. Nepusz T., Vicsek T. Controlling edge dynamics in complex networks // Nature Physics. 2012. V 8. P. 568–573.
13. Slotine J.-J., Liu Y.-Y. The missing link // Nature Physics. 2012. V 9. P. 1–2.
14. Poznyak A.S., Sancbez E.N., Yu W. Differential Neural Networks for Robust Nonlinear Control. Identification, State Estimation and Trajectory Tracking. – Singapore. World Scientific publishing. 2001. – 422 p.
15. Ghanim U., et all. Anti-phase calcium oscillations in astrocytes via inositol (1, 4, 5)-trisphosphate regeneration // Cell Calcium. 2006. № 39. P. 197–208.
16. Nazari S., et all. A digital implementation of neuron–astrocyte interaction for neuromorphic applications // Neural Networks. 2015. V. 66, P. 79–90.
17. Agulhon C., et all. What Is the Role of Astrocyte Calcium in Neurophysiology? // Neuron. 2008. V. 59. I. 6. P. 932–946.
18. Izhikevich E.M. Hybrid spiking models. // Philosophical transactions. 2010. Series A, Mathematical, physical, and engineering sciences. V. 368, № 1930. P. 5061–5070.
19. Izhikevich E.M. Dynamical Systems in Neuroscience: The Geometry of Excitability and Bursting. Cambridge, Massachusetts London, England. The MIT Press. 2007. – 497 р.
20. Izhikevich E.M. Simple model of spiking neurons // IEEE Transactions on neural networks. 2003. V. 14, № 6. P. 1569–1572.
21. Pu C.-L., Pei W.-J., Michaelsond A. Robustness analysis of network controllability // Physica. 2012. A 391. P. 4420–4425.
22. Kompanets I.N., Neevina T.A., Kompanets S.I. Method of parallel switching of optical channels // QUANTUM ELECTRON. 2012, V. 42 (12). C. 1093–1096.