Հեղուկ բյուրեղային խորը նեյրոնային կառուցվածքներ (ՀԲ-ԽՆԿ)

Մեքենայական ուսուցման վերջին ուսումնասիրությունները ցույց են տալիս, որ մեծ նեյրոնային ցանցերը զգալիորեն կարող են բարելավել ցանցի աշխատանքը, այնուամենայիվ նեյրոնների մեծ թվաքանակը ֆոն Նոյմանի համակարգչային ճարտարապետության համար խնդրահարույց են հաշվարկման ժամանակի և հիշողության օգտագործման առումով։ Մյուս կողմից, Ժամանակակից համակարգիչները բազում խնդիրներում 10^4−10^8 անգամ ավելի էներգածախս են և քիչ էֆեկտիվ քան մարդկային ուղեղը, օրինակ՝ ընկալման, հաղորդակցության, և որոշման կայացման խնդիրներում։ Ուստի նոր համակարգչային տեխնոլոգիաների ստեղծումը, որոնք կկարողանան արագ և արդյունավետ հավաքել, սովորել և վերլուծել հսկայական քանակի ինֆորմացիա շատ կարևոր է և արդիական։ ՀԲ֊ԽՆԿ֊ի հիմնական նպատակն է ստեղծել ընդլայնելի, էներգաարդյունավետ և արագագործ անալոգ նեյրոնային ցանցեր օգտագործելով ոչ֊գծային հեղուկ բյուրեղային (ՀԲ) բջիջը որպես թաքնված անալոգ շերտ կառուցված օպտիկական ցանցերում։ Առաջարկվող օպտիկական անալոգ նեյրոնային ցանցերի մասշտաբայնությունը, արագությունը և էներգաարդյունավետությունը ցուցադրելու համար կհամեմատենք այն ժամանակակից CPU և GPU տեխնոլոգիաների հետ կիրառելով այն արդի բարդ խնդիրներ վրա։ Մենք վստահ ենք, որ այս նախագծի շրջանակներում ձեռքբերված արդյունքերը ճանապարհ կհարթեն բազմաթիվ բարդ և լայնամասշտաբ խնդիրների լուծման համար, որոնք այսօր անհասանելի են արդի հաշվողական տեխնոլոգիաներին։