 |
 |
|
Bij de start van dit project, en zelfs vandaag niet, konden in de literatuur slechts heel weinig benaderingen gevonden worden inzake de ontwikkeling van generieke simulatiesoftware voor Artificiële Neurale Netwerken (ANN's) op parallelle computers. Doorgaans wordt weinig aandacht geschonken aan de decompositie- en mappingproblemen bij de simulatie van complexe, modulaire ANN's op deze machines. Verder is er zelfs nog minder aandacht voor het verbergen van elk parallellisme en alle decompositie- en mappingproblemen voor de gebruiker, ondanks het feit dat daardoor de drempel voor het gebruik van parallelle machines aanzienlijk verlaagd zou worden.
Het algemeen oogmerk van het project was in deze leemte te voorzien en een parallelle simulatie-omgeving voor onderling communicerende multiprocessors te ontwikkelen ten behoeve van niet-computergespecialiseerde wetenschappers die modulaire ANN's ontwikkelen, bouwen en simuleren. Wij zijn daar om verschillende reden in geslaagd.
In de eerste plaats is de ontwikkelde simulatiesoftware in staat elke decompositie- en mappingstrategie uit te voeren, wat een belangrijk gegeven is daar er geen passende strategie bestaat voor elk type van simulatieprobleem.
Ten tweede hebben we een machine-onafhankelijk ontwerp gemaakt van een simulatieomgeving voor een bepaald type van modulaire ANN's, de "Entropy Driven Artificial Neural Network" (EDANN's).
De simulatieomgeving bestaat uit drie onderdelen :
Er werd aangetoond dat dit ontwerp automatisch leidt tot een generieke simulatieomgeving, d.w.z. een waarin ook andere dan EDANN-modellen geïmplementeerd kunnen worden. Dit impliceert dat de software niet alleen een simulatieomgeving is, maar tevens een programmeeromgeving voor ANN's waarin elk parallellisme transparant is, een kritisch gegeven voor niet-computergespecialiseerde wetenschappers.
Ten derde hebben we nieuwe softwaretechnieken ontwikkeld voor het opslaan van de maten van interconnecties tussen neuronen op basis van zoektabellen. Onze zoektechniek heeft slechts een geringe weerslag op de simulatietijd en helemaal geen op de complexiteit van de simulatietijd. Vandaar dat deze nieuwe techniek het connectiedilemma voorkomt.
Ten vierde hebben we ook een formeel model afgeleid dat "Locally Connected Layered Networks" (LCLN's) en parallelle machines definieert. Uitgaande van de decompositie, leidt het de optimale mapping strategie af. Het geeft de parallelle efficiëntie en de optimaliteit weer van geometrische decompositie van LCLN's voor toroïdale rastermachines voor al dan niet gebalanceerde decomposities en voor rechthoekige en verspreide jobs op de processors. Het model werd dan gebruikt en vergeleken met geometrische decompositie op een echte machine (transputers).
Tot slot hebben wij aangetoond dat onze simulatiesoftware in staat is tot simulaties van zeer grote EDANN's die nodig zijn voor het verwerken van echte grijze schaalbeelden. Dank zij deze simulatiesoftware konden we het EDANN-concept verder ontwikkelen in veelvuldige EDANN-modules en de EDANN-modellen indelen in twee groepen voor verschillende visuele verwerkingsfuncties.
Wij konden in het bijzonder aantonen dat :
Samenvattend is het wetenschappelijk succes van het EDANN-model toe te schrijven aan onze parallelle simulatiesoftware en, omgekeerd, stimuleerde de wil om grote en modulaire EDANN's te ontwikkelen, bouwen en simuleren de ontwikkeling van nieuwe softwareprincipes voor parallelle machines en van formele modellen en instrumenten voor decompositie en mapping.
|
|
|