پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك

مفيد بودن شبكه عصبي آنالوگ مصنوعي بصورت خيلي نزديكي با ميزان قابليت آموزش پذيري آن محدود مي شود .
اين مقاله يك معماري شبكه عصبي آنالوگ جديد را معرفي مي كند كه وزنهاي بكار برده شده در آن توسط الگوريتم ژنتيك تعيين مي شوند .
اولين پياده سازي VLSI ارائه شده در اين مقاله روي سيليكوني با مساحت كمتر از ۱mm كه شامل ۴۰۴۶ سيناپس و ۲۰۰ گيگا اتصال در ثانيه است اجرا شده است .
از آنجائيكه آموزش مي تواند در سرعت كامل شبكه انجام شود بنابراين چندين صد حالت منفرد در هر ثانيه مي تواند توسط الگوريتم ژنتيك تست شود .
اين باعث مي شود تا پياده سازي مسائل بسيار پيچيده كه نياز به شبكه هاي چند لايه بزرگ دارند عملي بنظر برسد .
شبكه هاي عصبي مصنوعي به صورت عمومي بعنوان يك راه حل خوب براي مسائلي از قبيل تطبيق الگو مورد پذيرش قرار گرفته اند .
عليرغم مناسب بودن آنها براي پياده سازي موازي ، از آنها در سطح وسيعي بعنوان شبيه سازهاي عددي در سيستمهاي معمولي استفاده مي شود .
يك دليل براي اين مسئله مشكلات موجود در تعيين وزنها براي سيناپسها در يك شبكه بر پايه مدارات آنالوگ است .
موفقترين الگوريتم آموزش ، الگوريتم Back-Propagation است .
اين الگوريتم بر پايه يك سيستم متقابل است كه مقادير صحيح را از خطاي خروجي شبكه محاسبه مي كند .
يك شرط لازم براي اين الگوريتم دانستن مشتق اول تابع تبديل نرون است .
در حاليكه اجراي اين مسئله براي ساختارهاي ديجيتال از قبيل ميكروپروسسورهاي معمولي و سخت افزارهاي خاص آسان است ، در ساختار آنالوگ با مشكل روبرو مي شويم .
دليل اين مشكل ، تغييرات قطعه و توابع تبديل نرونها و در نتيجه تغيير مشتقات اول آنها از نروني به نرون ديگر و از تراشه اي به تراشه ديگر است و چه چيزي مي تواند بدتر از اين باشد كه آنها با دما نيز تغيير كنند .
ساختن مدارات آنالوگي كه بتوانند همه اين اثرات را جبران سازي كنند امكان پذير است ولي اين مدارات در مقايسه با مدارهايي كه جبران سازي نشده اند داراي حجم بزرگتر و سرعت كمتر هستند .
براي كسب موفقيت تحت فشار رقابت شديد از سوي دنياي ديجيتال ، شبكه هاي عصبي آنالوگ نبايد سعي كنند كه مفاهيم ديجيتال را به دنياي آنالوگ انتقال دهند .