Korvaavatko keinotekoiset neuroverkot perinteiset prosessorit? TrueNorth on uuden sukupolven prosessori.

Tällä hetkellä neuroprosessorit ovat edelleen yksi lupaavimmista elektroniikan kehityksen suunnasta. Tietenkin ne ovat vielä hyvin kaukana täydellisyydestä. Tekniikka ei kuitenkaan seiso paikallaan, ja nykyaikaisten neuroprosessorien ominaisuudet osoittautuvat varsin vaikuttaviksi. Tämä artikkeli käsittelee lyhyesti neuroprosessorien historiaa, paljastaa neuroprosessorien ja perinteisen arkkitehtuuriin perustuvien prosessorien väliset erot, analysoi neuroprosessorien toiminnan ja koulutuksen perusperiaatteet mikropiirin esimerkin avullaNM500 alennustaNeuroMem.

Kaikista modernin teknologian saavutuksista huolimatta ihmisaivot ovat edelleen maailman edistynein tietotekniikka. Tietenkin mikä tahansa, jopa yksinkertaisin 8-bittinen mikro-ohjain, päihittää helposti matematiikan professorin aritmeettisissa kilpailuissa, mutta hän ei todennäköisesti pysty käsittelemään formalisoimattomia tehtäviä.

Aivojen hämmästyttävä monipuolisuus on pitkään ollut unelma prosessorijärjestelmien kehittäjille. Viime vuosisadan 60-luvulla yritettiin luoda neuronien koneanalogi. Esimerkki on Mark-1-perceptron, jonka on kehittänyt Frank Rosenblatt. Ensimmäiset elektronisten neuronien muunnelmat olivat ominaisuuksiltaan hyvin kaukana biologisesta alkuperäisestä, eikä kiinnostus tätä ongelmaa kohtaan ollut kovin suurta. Kuitenkin 1980-luvulla integroidut tekniikat mahdollistivat monimutkaisten prosessorien luomisen, jotka yhdistivät miljoonia transistoreita, ja niiden topologiset normit osoittautuivat pienemmiksi kuin todellisten biologisten neuronien koko. Samaan aikaan nämä prosessorit olivat tehokkuutensa suhteen epämuodollisten tehtävien ratkaisemisessa edelleen huomattavasti huonompia kuin aivot. Juuri tästä ristiriidasta tuli sysäys neuroprosessoritekniikoiden kehitykselle. Samalla kyse oli sekä erikoisarkkitehtuurien luomisesta että teoreettisten asioiden selvittämisestä.

Mitä eroa on neuroprosessorilla ja perinteisellä prosessorilla?

Miten neuroprosessorit eroavat perinteisistä prosessorijärjestelmistä, kuten mikro-ohjaimet (MC), prosessorit (CPU), digitaaliset signaaliprosessorit (DSP), grafiikkaprosessorit (GPU) jne. Suurin ero on arkkitehtuurissa. Perinteiset prosessorit koostuvat erillisistä yksiköistä, jotka suorittavat erilaisia ​​toimintoja (laskenta- ja oheisyksiköt, muisti). Neuroprosessoreilla on "homogeenisempi" rakenne, joka sisältää monia hermosoluja - identtisiä ja suhteellisen yksinkertaisia ​​laskentasoluja, joissa on sisäänrakennettu muisti. Tämä ero näkyy selvästi jopa valokuvassa (kuva 1).

Riisi. 1. Suurennettu valokuva perinteisen prosessorin ja neuroprosessorin rakenteesta

Siten hermoprosessorin arkkitehtuuri on määritelmän mukaan moniytiminen, koska jokainen neuroni on itsenäinen laskentaydin. Tämän seurauksena monet toiminnot, kuten kuvantunnistus, suodatus jne., ovat erittäin nopeita. Tietysti nykyaikaisilla prosessoreilla voi olla myös moniytiminen rakenne (lähinnä grafiikkaprosessorit), mutta epävirallisten ongelmien ratkaiseminen niille on edelleen vaikeaa. Muut tärkeät erot prosessorin ominaisuuksissa on esitetty taulukossa 1.

Taulukko 1. Prosessorien vertailu perinteiseen arkkitehtuuriin ja neuroprosessoreihin

Neuroprosessorien kehitys, samoin kuin perinteisten prosessorien kehitys, liittyy läheisesti integroitujen teknologioiden parantamiseen. Mitä pienemmät topologiset normit ovat, sitä enemmän neuroneja mahtuu sirulle säilyttäen samalla alhaisen kulutustason (kuva 2).

Riisi. 2. Integroitujen teknologioiden kehitys määrää neuroprosessorien kehityksen

Tällä hetkellä on monia esimerkkejä enemmän ja vähemmän onnistuneista neuroprosessorien toteutuksista. Monet ehdotetuista ratkaisuista kehitettiin ratkaisemaan kapea valikoima ongelmia, eivätkä ne aina tulleet useiden kehittäjien saataville. Ilmeisesti kohtuuhintaisten ja käyttäjäystävällisten neuroprosessorien ilmaantuminen ei kuitenkaan ole kaukana. Esimerkkinä ovat NeuroMemin CM1K- ja NM500-prosessorit.

Miten hermoverkko on järjestetty neuroprosessorissa?

Harkitse neuroprosessorien laitetta ja toimintaperiaatetta NeuroMemin CM1K- ja NM500-esimerkillä. Nämä prosessorit toisaalta paljastavat hyvin neurocomputingin olemuksen ja toisaalta niillä on melko yksinkertainen ja läpinäkyvä arkkitehtuuri.

CM1K- neuroprosessori, joka on valmistettu 130 nm:n teknologialla ja sisältää 1024 neuronin verkon (taulukko 2). CM1K:ssa ei ole sisäänrakennettua valvojaa (sisäänrakennettu ohjauskoprosessori) - kaikki laskelmat suoritetaan rinnakkaisilla hermosoluilla, jotka on kytketty rinnakkaisväylään ja jotka toimivat jopa 27 MHz:n taajuudella (kuva 3). Samaan aikaan järjestelmän kokonaiskulutus on melko alhainen (0,5 W alkaen). CM1K:ssa on 16x16 mm TQFP-kotelo.

NM500- NeuroMemin uusi neuroprosessori, joka on valmistettu 110 nm:n teknologialla ja joka yhdistää 576 neuronia (taulukko 2). Aivan kuten CM1K:ssa, NM500:ssa ei ole sisäänrakennettua valvojaa (kuva 3). Tämän prosessorin paketin mitat ovat 4x4 mm (WCSP64), ja kulutus on alle 153 mW aktiivisessa tilassa.

Riisi. 3. CM1K ja NM500 neuroprosessorien rakenne osoittautuu melko yksinkertaiseksi

Taulukko 2. Neuroprosessorien C1MK, QuarkSE/Curie ja NM500 ominaisuuksien vertailu

Sisäänrakennetun valvojan puuttuminen viittaa siihen, että CM1K:n ja NM500:n kanssa toimimiseen tarvitaan ulkoinen ohjausprosessori, joka toimittaa tiedot hermosoluille. Tässä tapauksessa tiedonsiirto tapahtuu rinnakkaisen kaksisuuntaisen 26-bittisen väylän kautta. Pohjimmiltaan NM500 on ketju identtisiä neuroneja, jotka on kytketty yhteiseen rinnakkaisväylään ja joilla on keskinäiset liitännät (kuva 4).

Riisi. 4. NM500:n yksinkertaistettu rakenne

Kuinka hermoverkko toimii neuroprosessorissa?

CM1K ja NM500 pystyvät toimimaan kahdessa päätilassa: oppiminen ja tunnistus (kuva 5). Tässä tapauksessa voimme puhua tiedoista, jotka ovat luonteeltaan täysin erilaisia: tekstejä, kuvia, äänisignaaleja, videoita jne. Lisäksi (vain yksinkertaisuuden vuoksi!) oletetaan, että neuroprosessoria käytetään kuvantunnistukseen. Tietovirran muodostaa ulkoinen ohjausprosessori ja käsittely suoritetaan neuronien avulla.

Riisi. 5. CM1K ja NM500 voivat toimia kahdessa päätilassa: oppiminen ja tunnistus

Jokaisella NM500 neuronilla on oma ohjelmoitava muisti: pää 256 tavua (malli), konteksti (8 bittiä), luokka (16 bittiä). Kategoria käytetään kohteiden luokittelemiseen ja kontekstia käytetään hermosolujen jakamiseen aliverkkoihin. Lisäksi jokaisella neuronilla on oma 24-bittinen NID (neuronitunnus). Neuronien muistin ohjelmointi eroaa tavanomaisten prosessorien ohjelmoinnista. Perinteisessä prosessorissa ohjelma kirjoitetaan ennen työn aloittamista. Monissa neuroprosessoreissa (mutta ei kaikissa!) ohjelmointi voidaan suorittaa suoraan työprosessissa ja sitä kutsutaan oppimiseksi.

Kuva 6 esittää NM500:n oppimisprosessia. Ensimmäisessä vaiheessa kaikki neuronit eivät ole koulutettuja ja ovat "tyhjässä" tilassa (lukuun ottamatta ensimmäistä neuronia). Niiden lähdössä on alhainen "L"-signaali. Ensimmäinen neuroni on "valmis oppimaan" -tilassa. Sen jälkeen kun ohjausprosessori täyttää sisäisen muistin (rinnakkaisväylän kautta), ensimmäinen neuroni siirtyy "oppineeseen" tilaan ja vastaanottaa tunnisteen NID=1 ja sen ulostuloon asetetaan korkea "H"-signaali. Tässä tapauksessa toinen neuroni menee "valmis oppimaan" -tilaan. Siten kaikkia hermosoluja (NID=2, NID=3…) voidaan harjoitella peräkkäin ja tunnistaa automaattisesti. Tämä lähestymistapa mahdollistaa NM500-prosessorien kaskadoinnin, mikä lisää neuronien määrää lähes äärettömään.

Riisi. 6. NM500-hermosolujen koulutus tapahtuu peräkkäin

Esimerkkinä analysoidaan NM500:n toimintaa osana kassapäätettä, jossa on tuotteen tunnistustoiminto (kuva 7). Oppimisprosessin aikana tuotteista tallennettiin mallikuvia neuronien päämuistiin (256 tavua), ja niiden tyyppi koodattiin kategoriakenttään (16 bittiä): kurkku, banaani, porkkana jne. Lisäksi työn aikana kamera ottaa tuotteesta digitaalisen valokuvan. Ohjausprosessori lähettää kuvan kaikille hermosoluille samanaikaisesti rinnakkaisväylän kautta. Neuronit vertaavat muistinsa sisältöä ja tuloksena olevaa kuvaa käyttämällä sisäänrakennettuja tunnistusalgoritmeja. Seuraavaksi neuronit ilmoittavat ohjausprosessorille ottelun tuloksista. Jos osuma löytyy, tehtävä on ratkaistu onnistuneesti. Jos ei, niin ohjausohjain voi itse tai operaattorin avulla luoda uuden mallineen ja sijoittaa sen vapaaseen neuroniin.

Riisi. 7. NM500:n käyttö tuotteiden tunnistamiseen

Neuronien avulla voidaan tunnistaa kohteen erilaisia ​​ominaisuuksia, kuten muotoa, väriä ja niin edelleen. Tällaisissa tapauksissa on kätevää jakaa neuronit erillisiin aliverkkoihin kontekstikentän avulla. Sitten tunnistusprosessissa vain ne neuronit pysyvät aktiivisina, joiden konteksti on sama kuin ohjausprosessorin määrittelemä globaali konteksti.

Yllä olevassa esimerkissä neuroprosessorin toiminnan monimutkaisimpia puolia ei oteta huomioon. Erityisesti kuinka hermosolu suorittaa vertailun? Miten samankaltaisuus arvioidaan? Miten riidat ratkaistaan? Mitä tapahtuisi esimerkiksi, jos tässä esimerkissä kamera tallentaisi vihreän, kypsymättömän banaanin, joka näytti kurkulta? Tapahtuuko 1. ja 3. hermosolujen välinen törmäys? Tarkastellaan näitä kysymyksiä erikseen.

Miksi neuroprosessori mittaa etäisyyden bitteinä?

Ymmärtääkseen, kuinka samankaltaisuuden aste arvioidaan, tulee viitata NM500:n neuronin rakenteeseen (kuva 8). Vertailuprosessissa alkuperäinen kuva käsitellään erikoisalgoritmeilla (jota käsitellään myöhemmin) ja neuronin muistiin tallennettua mallia (256 tavua). Vertailun tuloksena saadaan 16-bittinen luku, joka sijoitetaan "Etäisyys"-rekisteriin. Toisin sanoen neuroni ei luo tulosta "sovitettuna" - ei "sovitettuna", vaan 16-bittisen luvun - etäisyyden muodossa, joka on "samankaltaisuuden" mitta. Mitä pienempi etäisyys on, sitä lähempänä tutkittu kuva on mallia.

Riisi. 8. Tunnistusprosessi NM500-hermosolussa

Etäisyyden laskemisen jälkeen sitä verrataan kiinnostavan kentän rekisterin arvoon (vaikutuskenttä, IF). Jos etäisyys on pienempi, objektilla on suuri samankaltaisuus mallin kanssa. Tässä tapauksessa hermosolu siirtyy virittyneeseen tilaan (tuli) ja alkaa lähettää etäisyysarvoa ja sitten tarvittaessa luokkaa (16 bittiä) ja neuronitunnistetta (NID) ohjausprosessorille.

On mahdollista, että tutkittava kohde putoaa samanaikaisesti useiden hermosolujen kiinnostuskenttään, kuten vihreä banaani, joka näyttää sekä banaanilta että kurkulta. Tällaisissa tapauksissa NM500 toteuttaa patentoidun rikkomattoman välimiesmenettelyn.

Vertailulohkoa COMP käytetään sovitteluun. Yksi sen tuloista vastaanottaa dataa neuronilta ja toinen väylän nykyisen tilan. Tässä tapauksessa vertailuyksikön lähtöjohdot D ovat avoimen kollektorin tyyppisiä ja kytketty samaan väylään. Siten jokainen neuroneista ei vain lähetä dataa väylään, vaan myös tarkkailee sen tilaa. Jos käy ilmi, että yksi hermosoluista ilmoittaa pienemmän etäisyyden (suuremman samankaltaisuuden), vähemmän samankaltainen neuroni sammuu automaattisesti ja putoaa "kilusta" maksimaalisen samankaltaisuuden saavuttamiseksi.

Jos ohjausprosessorin on etäisyyden lukemisen jälkeen luettava kategoria (16 bittiä) ja neuronitunniste (NID), käytetään samaa sovittelumekanismia. Siksi, jos kahdella neuronilla on yhtä suuri etäisyys, mutta yhdellä niistä on pienempi luokka-arvo, niin hän voittaa välimieskilpailun ja jatkaa tiedonsiirtoa.

Tätä arbitraasiperiaatetta kutsutaan nimellä "Voittaja vie kaiken", joka on yleisesti käännetty "voittaja vie kaiken".

Edellä kuvattu toiminta-algoritmi vastaa säteittäisten kantafunktioiden mekanismia (Radial Basis Function, RBF). Sen tärkein etu on maksimaalinen ajallinen determinismi - ohjausprosessori oppii vastaavuudesta (tai sen puuttumisesta) 19 jaksossa (37 jaksoa kategorian vähennyksellä). NM500 tukee myös K-lähin naapuri (KNN) -mekanismia.

Käytettäessä "K lähin naapuri" (K-Nearest Neighbor, KNN) -mekanismia kiinnostavan kentän rekisterin arvo jätetään huomiotta ja kaikki neuronit joutuvat joka tapauksessa virittyneeseen tilaan. Tämän jälkeen ohjausprosessori vähentää kaikkien neuronien etäisyyksien arvot, mikä vie paljon enemmän aikaa. Kuten edellä mainittiin, yhden neuronin etäisyyden lukeminen kestää 19 sykliä, sitten esimerkiksi 50 neuronin etäisyyden lukeminen vaatii 950 sykliä.

Miksi tarvitsemme erilaisia ​​käsittelyalgoritmeja?

On myös tarpeen sanoa muutama sana itse vertailualgoritmeista. Tällaisia ​​algoritmeja on monia, erityisesti NM500 tukee L1- (Manhattan) ja Lsup-algoritmeja (kuva 9). Algoritmin valinta riippuu tietystä tehtävästä:

• Lsup mahdollistaa lähdetietojen suurimman poikkeaman mallista. Ilmeisesti tällainen algoritmi on ihanteellinen sekä suodatukseen että poikkeamien havaitsemiseen.
• L1 antaa sinun määrittää tietotaulukon kaikkien komponenttien poikkeaman mallin vastaavista komponenteista. Tällaiselle algoritmille on kysyntää kaivostoiminnassa.

Riisi. 9. NM500 käyttää L1- (Manhattan) ja Lsup-algoritmeja etäisyyden laskemiseen

Neuroprosessorin työ sormilla, kuvissa ja taulukoissa

Nyt kun yleiset kysymykset on käsitelty, on aika tarkastella muutamaa konkreettista esimerkkiä yksityiskohtaisesti.

Esimerkki 1 Kahden luvun yksiulotteisten taulukoiden tunnistus

Tässä esimerkissä oletetaan käytettävän kolmea neuronia. Tätä varten heidän muistinsa täytetään seuraavasti:

• 1 neuroni: malli = (11, 11), kiinnostuskenttä AIF = 16, luokka CAT = 55, ID NID = 1;
• 2 neuroni: malli = (15, 15), kiinnostuskenttä AIF = 16, luokka CAT = 33, tunniste NID = 2;
• 3 neuroni: malli = (30, 30), kiinnostava AIF = 20, luokka CAT = 100, tunniste NID = 3.

Tämä esimerkki on kätevästi havainnollistettu kaksiulotteisena graafisena mallina (kuva 10). Jokainen neuroni on esitetty pallona, ​​jonka säde on yhtä suuri kuin AIF:n kiinnostava kenttä. Samanaikaisesti on helppo havaita päällekkäisten kiinnostuksen kohteiden läsnäolo.

Riisi. 10. Esimerkki 1. Alkutietojen graafinen esitys

Harkitse järjestelmän vastetta tulovektoreihin.

Vektori (12, 12). Laskettu etäisyys neuronin 1 ja vektorin 1 välillä (L1-algoritmin mukaan) lasketaan vektorin ja mallin komponenttien välisten erojen summana: (12-11) + (12-11) = 2.

Samalla tavalla:

• Etäisyys neuroniin 2: (15-12) + (15-12) = 6.
• Etäisyys neuroniin 3: (30-12) + (30-12) = 36.

Siten vektori (12, 12) putoaa hermosolujen 1 ja hermosolujen 2 kiinnostuskenttään (kiihottaa niitä), mutta ei kuulu hermosolun 3 kiinnostavaan kenttään (kuvio 11).

Tämän seurauksena, kun lukee tulosta "voittaja vie kaiken" -mekanismin mukaan, ohjausprosessori vastaanottaa tiedot osumasta neuronilta 1, koska juuri neuronilla 1 on pienin etäisyys, eli maksimaalinen vastaavuus.

Riisi. 11. Esimerkki 1. Vektorin (12,12) sijainti

Vektori (13, 13). Arvioidut etäisyydet vektoriin:

• Etäisyys neuroniin 1: (13-11) + (13-11) = 4.
• Etäisyys neuroniin 2: (15-13) + (15-13) = 4.
• Etäisyys neuroniin 3: (30-13) + (30-13) = 34.

Siten vektori (13, 13) putoaa hermosolun 1 ja hermosolun 2 kiinnostuskenttään (kiihottaa niitä), mutta ei kuulu hermosolun 3 kiinnostavaan kenttään (kuvio 12). Samaan aikaan etäisyys 1 ja 2 neuroniin on sama. Kuitenkin, koska neuroni 2 -luokka on pienempi, se voittaa voittaja-take-all -kilpailun. Ohjausprosessori vastaanottaa osumatiedot neuronilta 2.

Riisi. 12. Esimerkki 1. Vektorin (13,13) sijainti

Vektori (14, 14). Arvioidut etäisyydet vektoriin:

• Etäisyys neuroniin 1: (14-11) + (14-11) = 6.
• Etäisyys neuroniin 2: (15-14) + (15-14) = 4.
• Etäisyys neuroniin 3: (100-14) + (100-14) = 32.

Siten vektori (14, 14) putoaa hermosolun 1 ja hermosolun 2 kiinnostuksen kenttään (kiihottaa niitä), mutta ohjausprosessori saa tiedot ottelusta voittajalta - neuronilta 2 (kuva 13).

Riisi. 13. Esimerkki 1. Vektorin (14,14) sijainti

Vector (200, 200). Arvioidut etäisyydet vektoriin:

• Etäisyys neuroniin 1: (200 - 11) + (200 - 11) = 378.
• Etäisyys neuroniin 2: (200 - 15) + (200 - 15) = 370.
• Etäisyys neuroniin 3: (200 - 30) + (200 - 30) = 340.

Siten vektori (200, 200) ei joudu minkään hermosolujen kiinnostuskenttään (kuvio 14). Tällaisissa tapauksissa prosessori voi aloittaa tämän vektorin kirjoittamisen tyhjään neuroniin ja luokitella sen itsekseen.

Riisi. 14. Esimerkki 1. Vektorin sijainti (200,200)

Uuden vektorin opettaminen (13, 13). Oletetaan, että meidän on "opeteltava" uusi vektori (13,13), jonka kategoria on 100. Kuten yllä näkyy, se on yhtä kaukana hermosolusta 1 ja neuronista 2. Tästä syystä tätä vektoria kirjoitettaessa hermosolut kapenevat automaattisesti kiinnostavat kentät arvolle AIF = 8. Näin neuronien itseoppiminen toteutuu.

Riisi. 15. Esimerkki 1. Hermosolujen itseoppiminen uutta vektoria lisättäessä on kaventaa kiinnostuksen kohdetta

Esimerkki 2 Kahden hermoverkon koulutus ja käyttö 10 numeron joukolla

Tässä esimerkissä toistetaan samankaltaisia ​​laskelmia kuin esimerkissä 1. Suurin ero on, että koulutus suoritetaan tunnustusten välillä ja se vaikuttaa vakavasti tuloksiin.

Prosessi on esitetty taulukon 3 muodossa.

Taulukko 3. Esimerkki 2. Neuroprosessorin käyttäytyminen 10 numeron taulukon kanssa

Mitä tehdä, jos hermosoluja ei ole tarpeeksi?

Herää kysymys. 576 neuronia ja 256 tavua muistia - onko se paljon vai vähän? Ilmeisesti vastaus riippuu tietyn sovelluksen vaatimuksista. Yksinkertaisiin tehtäviin tämä riittää, mutta monimutkaisempiin sovelluksiin voidaan tarvita tehokkaampi työkalu. Siitä huolimatta NM500-prosessorit osoittautuvat erittäin yksinkertaisiksi ja edullisiksi laajalle käyttäjäjoukolle, mikä on epäilemättä heidän suuri etu.

Kuten edellä mainittiin, NM500-prosessoreihin perustuvaa neuroverkkoa voidaan tarvittaessa laajentaa. Tätä varten käytetään mikropiirien kaskadointia (kuva 16). Tässä tapauksessa yhden prosessorin DCO-lähtö on kytkettävä seuraavan prosessorin DCI-tuloon. Sarjaan kytkettyjen sirujen määrää ei rajoita tai pikemminkin rajoittaa piirilevyn kyky säilyttää signaalin eheys toimiessaan taajuuksilla 20 MHz:iin asti.

Riisi. 16. Neuraaliverkon laajentaminen peräkkäisillä NM500-prosessoreilla

Kuinka tutustua NM500:n ominaisuuksiin?

Yksi NM500:n luomisen tavoitteista oli levittää neuroprosessoreja massoihin. Tämän strategian puitteissa NeuroMem valitsi loogisen polun ja julkaisi NeuroTile Arduino -yhteensopivan virheenkorjausmoduulin, joka tekee neuroprosessorista mahdollisimman saavutettavissa sekä ammattikehittäjille että tavallisille elektroniikkaharrastajille.

NeuroTilessa on yksi tai kaksi NM500-prosessoria, tehokas ja pienitehoinen STM32F476-mikro-ohjain ARM Cortex-M4-prosessoriytimellä, XO3 FPGA Latticelta, Bluetooth, 6-akselinen inertiamoduuli (gyroskooppi + kiihtyvyysanturi), 6-akselinen inertiamoduuli (magnetometri + kiihtyvyysanturi), paineanturi, mikrofoni, muistikorttipaikka, Li-ion akun lataussiru, USB, Arduino-yhteensopiva otsikkopino (kuva 17).

Riisi. 17. NeuroTile-virheenkorjauslevyn ulkonäkö ja rakenne

NM500:ssa on myös kolmannen osapuolen Arduino-yhteensopivia virheenkorjausmoduuleja, kuten korealaisen nepes-yhtiön ProdigyBoard (kuva 18). ProdigyBoardin tunnusomaisia ​​ominaisuuksia ovat: kaksi NM500-prosessoria, 1 Gt DDR3, FPGA 20 Mbit käynnistyvällä Flashilla, kamera, mikrofoni, Micro SD, USB.

Riisi. 18. ProdigyBoardin kehityslautakunnan ulkoasu ja rakenne

Johtopäätös

Toisin kuin perinteiset prosessorit, neuroprosessorit tarjoavat korkean suorituskyvyn ja alhaisen kulutuksen suoritettaessa monimutkaisia ​​epävirallisia tehtäviä. Niitä voidaan käyttää monenlaisissa sovelluksissa tuotteiden laadunvalvonnasta kuvan ja äänen käsittelyyn.

Yksinkertaisten ja käyttäjäystävällisten NM500-neuroprosessorien ilmaantuminen voi olla iso askel kohti neuroprosessoritekniikoiden popularisointia.

Neuroprosessorin ominaisuudetNM500:

• Hermosolujen lukumäärä: 576;
• Neuronimuistin koko: 256 tavua;
• Toimintatila: säteittäisesti symmetriset toiminnot (RadialBasisFunction, RBF) ja "K lähin naapuri" (K-NearestNeighbor, KNN);
• Lähtötilat: määritelty, ei tarkka vastaavuus, tuntematon;
• Etäisyyslaskenta: L1 (Manhattan), Lsup;
• Toimintataajuus: 37 MHz (yksi prosessori), 18 MHz (rinnakkaisprosessori);
• Tiedonsiirtoliitännät: rinnakkaisväylä (26 linjaa);
• Syöttöjännitteet: 3,3 V IO ja 1,2 V ydin;
• Kulutus (aktiivinen työ):<153 мВт;
• Kotelo: CSP-64 4,5x4,5x0,5 mm.

Vuonna 1965 Gordon Moore, insinööri ja Intelin perustaja, huomasi, että uusien prosessorimallien transistorien määrä kaksinkertaistui joka vuosi. Kymmenen vuotta myöhemmin hän tarkensi arviota: vuoteen 1975 mennessä transistorien määrä kaksinkertaistui joka toinen vuosi.

Mutta on mahdotonta lisätä transistorien määrää loputtomiin. Tämän rajoituksen voittamiseksi tarvitaan täysin uusi lähestymistapa.

Neuroverkot

Kaikki nykyaikaiset tietokoneet käyttävät von Neumann -arkkitehtuuria, mikä tarkoittaa tiedon siirtämistä lineaarisessa järjestyksessä keskusyksikön ja muistisirujen välillä. Tämä menetelmä edellyttää sulautetun ohjelman ohjeiden tiukkaa toteuttamista. Neuraaliverkkojen rakentaminen tällä arkkitehtuurilla on mahdollista, mutta siihen liittyy merkittäviä vaikeuksia. Esimerkiksi Googlen insinöörit tarvitsivat tähän 16 000 prosessoria. Tässä tapauksessa yritettiin jäljitellä ihmisaivojen käyttäytymistä perinteisellä arkkitehtuurilla sen sijaan, että simuloitiin itse prosessorin rakennetta mahdollisimman lähellä aivojen rakennetta.

Neuromorfiset sirut

Kuten ihmisaivot, jotka ratkaisevat samanaikaisesti erilaisia ​​tehtäviä, neuromorfiset prosessorit reagoivat ulkoisiin ärsykkeisiin samalla tavalla. Kun uutta tietoa saapuu, neuronit voivat muuttua vasteena muutoksiin äänissä, kuvissa ja muissa ärsykkeissä.

Hajautettujen tietojenkäsittelyteknologioiden ansiosta tehtävät ratkeavat eri tavalla ja suuria tietomääriä käytetään paljon pienemmällä määrällä prosessoreita. Lisäksi hermoverkkoja voidaan kouluttaa reagoimaan tehokkaammin käyttäjien toimiin. Huolimatta siitä, että uudet neuromorfiset sirut ovat vielä hyvin kaukana aivojen kyvyistä, ne ovat silti paljon tuottavampia kuin nykyaikaiset tietokoneet. Tähän asti hermoverkot rakennettiin perinteisille piiprosessoreille, mutta viime aikoina kaikki on muuttunut: ensimmäinen neuromorfinen prosessori luotiin Kiinassa.

Sovellus

Joten hermoverkkoja ei ohjelmoida sanan tavallisessa merkityksessä, ne on koulutettu, joten ohjelmoijan ammatti odottaa erittäin suuria muutoksia. Tällä hetkellä jotain etäisesti samanlaista voidaan havaita heuristisissa algoritmeissa, kun tietokone valitsee sopivan ratkaisun, vaikka valitun ratkaisutavan yksiselitteistä oikeellisuutta ei ole todistettu.

Tekoälyn luomismahdollisuuksien lisäksi neuromorfisia verkkoja voidaan käyttää erilaisten ongelmien ratkaisemiseen. Esimerkiksi miehittämättömät ajoneuvot pystyvät toimimaan tehokkaammin itsenäisesti ja tekemään päätöksiä jatkuvasti muuttuvassa ympäristössä. Hengenhoitojärjestelmät, jotka analysoivat paremmin tietoa ja antavat oikeat suositukset, sääanalyysit, liikenteenhallinta ja paljon muuta. Hermosirut löytävät käyttöä jopa lääketieteessä, ne auttavat lääkäriä tekemään oikean diagnoosin potilaan kaikkien oireiden analyysin ja diagnostisten testien tulosten perusteella.

Neljä venäläistä yritystä on tehnyt yhteistyötä luodakseen ensimmäisen kotimaisen prosessorin, joka on suunniteltu parantamaan radikaalisti tietokonehermoverkkojen suorituskykyä. Siru mahdollistaa kasvojen, kirjainten, kuvien tunnistusnopeuden, tietokonetomografiakuvien ja muiden lääketieteellisten tietojen analysoinnin nopeammin ja tarkemmin sekä monimutkaisten strategisten ongelmien ratkaisemisen. Asiantuntijat uskovat, että venäläisillä kehittäjillä on todellisia mahdollisuuksia tehdä tunnetuksi hermoprosessorien kehittyvillä maailmanmarkkinoilla.

Pikseleistä neuroneihin

Tietokonepelien fanit ovat hyvin tietoisia grafiikkaprosessorista (GPU) - mikropiiristä kuvien ja videoiden käsittelyyn. Toisin kuin keskusyksikkö (CPU), näytönohjain pystyy suorittamaan vain pienen määrän erittäin erikoistuneita laskennallisia operaatioita, mutta se tekee sen erittäin nopeasti ja tehokkaasti. Hänen ansiostaan ​​nykyaikaiset tietokonepelit näyttävät realistisen videografiikan, joka niin kiehtoo elektronisen viihteen faneja.

Erityiset matemaattiset operaatiot, joita varten GPU on "teroitettu", osoittautuivat soveltuviksi kryptovaluuttojen tehokkaaseen louhintaan. Siksi viime vuonna, kun kiinnostus bitcoineja kohtaan kasvoi, maailma todisti täysin ennennäkemättömän ilmiön - näytönohjaimen maailmanlaajuisen pulan.

Niiden kysyntä jatkaa kasvuaan tänä vuonna johtuen nykyisten neuroverkkojen nopeasta kehityksestä - laskentajärjestelmät, jotka mahdollistavat big dataan perustuvien ongelmien ratkaisemisen, kuten kasvojen ja puheentunnistuksen, tekstien kirjallisuuden kääntämisen, lääketieteellisen tiedon analysoinnin - laskettu tomografia, magneettikuvaus, röntgenkuvaus ja muut.

GPU mahdollistaa joidenkin hermoverkkoalgoritmien työtä vakavasti nopeuttamaan, mutta tässä tapauksessa se ei ole läheskään yhtä tehokas kuin grafiikan käsittelyongelmien ratkaisemisessa. Siksi tehtävä luoda neuroprosessori (NP), joka on suunniteltu nopeuttamaan huomattavasti tällaisten verkkojen toimintaa, on nyt asialistalla maailmanlaajuisessa tietokoneteollisuudessa. Tämän tyyppisiä erillisiä kokeellisia laitteita on jo olemassa, mutta neuroprosessorien maailmanmarkkinoiden lopullinen muodostuminen kestää asiantuntijoiden mukaan vielä neljästä kuuteen vuotta. Tänä aikana pienet kehitysyritykset ja jopa startup-yritykset saavat mahdollisuuden saada jalansijaa näillä markkinoilla.

Kilpailusta luottamukseen

Ammattiliitto "Neuronet" päätti osallistua tähän kilpailuun yhdistämällä neljän pienen, mutta edistyneen yrityksen, jotka ovat osa National Technology Initiative (NTI) -järjestelmää. Luotu konsortio kehittää kansallisen neuroprosessorin, joka ei vain pysty kilpailemaan länsimaisten mallien kanssa, vaan myös muuttumaan sataprosenttisesti kotimaiseksi, "luotettavaksi", eli taatusti vapaaksi dokumentoimattomista ominaisuuksista ja laitteiston "kirjanmerkeistä". Jälkimmäinen on erityisen tärkeä asiakkaille venäläisestä sotilas-teollisesta kompleksista, jossa myös hermoverkot ovat yleistymässä - taisteludroneiden ohjausjärjestelmissä, sotilasoperaatioiden suunnittelussa, pienaseiden korkean tarkkuuden ohjauksessa.

NTI Neuronet Unionin johtajan Aleksanteri Semjonovin mukaan konsortion kokoonpano ja toiminnan alkaminen julkistetaan virallisesti ensi vuoden helmikuussa.

Venäläiset matemaatikot ja insinöörit, jotka kehittävät laitteistoja ja algoritmeja tekoälyn ja hermoverkkojen alalla, ovat maailman parhaita, Aleksanteri Semenov on vakuuttunut. - Nyt heillä on noin neljä vuotta aikaa päästä ulkomaisten kollegoidensa edelle ja asettaa standardit tulevaisuuden markkinoille.

Moskovan fysiikan ja teknologian instituutin hermoverkkotekniikoiden ja laskennallisen lingvistiikan laboratorion johtajan Stanislav Ashmanovin mukaan maailmassa on nyt noin kaksituhatta yritystä, jotka osallistuvat kilpailemaan referenssihermoprosessorin luomiseksi.

Se, jolla on aikaa tehdä alan standardiksi muodostuva siru, ansaitsee rahaa keskusprosessorimarkkinoiden nykyisten johtajien, kuten Intelin tai AMD:n, tuloja vastaavasti, Stanislav Ashmanov uskoo. – Toistaiseksi näistä parista tuhannesta startupista ympäri maailmaa lähimpänä voittoa on korkeintaan viisi yritystä.

Kovasta ohjelmistoon

Asiantuntijan mukaan kilpailu tällä alueella on nyt menossa kahteen suuntaan: ensinnäkin palvelinsirun kehittäminen tehokkaille palvelimille datakeskuksissa ja toiseksi taloudellisen sulautetun neuroprosessorin luominen kaikenlaisiin "älykkäisiin" laitteet": älypuhelimet, robotit, droonit, miehittämättömät ajoneuvot. Venäjällä tehtävällä työllä on Ashmanovin mukaan mahdollisuus voittaa molempiin suuntiin.

Hermoverkkojen laskentaa nopeuttavan kotimaisen laitteiston kehittäminen on luonnollisesti tärkein, välttämätön projekti nykyisessä maailmanmarkkinatilanteessa, Konstantin Truškin, kotimaista Elbrus-prosessoria ja emolevyjä valmistavan MCST-yhtiön apulaisjohtaja sen perusteella, kertoi Izvestia. - Universaalien prosessoriytimien yhdistäminen erikoislohkoihin, jotka suorittavat laskelmia hermoverkkoalgoritmeilla tehokkaalla tavalla, on todellinen nykyaikainen trendi. Mutta jotta tällaista järjestelmää voitaisiin pitää luotettavana, Venäjällä on kehitettävä sekä ydin- että neuroverkkokiihdytin.

Konstantin Truskin kuitenkin muistutti, ei riitä, että NP-siru tehdään itse, vaan on myös luotava sitä palveleva ohjelmistoympäristö: käyttöjärjestelmä, kehitystyökalut, hermoverkkoalgoritmien kirjastot ja oppimisympäristö hermoverkkoja varten. . Vasta sitten on mahdollista puhua täysimittaisen kotimaisen laitteiston ja ohjelmiston hermoverkkoalustan olemassaolosta.

Neuroverkkojen osalta tämän vuoden loppuun mennessä

Intelin AI-kiihdytyslaitteisto, josta Intel on puhunut pitkään, toimitetaan ensimmäisille asiakkaille tänä vuonna. Yhtiö ilmoitti tänään, että sen ensimmäisen sukupolven hermoverkkoprosessori (koodinimeltään "Lake Crest") tulee pian saataville rajoitetulle joukolle kumppaneita, jotta he voivat nopeuttaa tekoälytutkimustaan ​​dramaattisesti.

NNP (Neural Network Processor) on optimoitu erittäin nopeaan erikoistuneiden matemaattisten ongelmien ratkaisemiseen, jotka ovat tekoälysovellusten taustalla, erityisesti hermoverkkoja, jotka ovat tällä hetkellä suosittu koneoppimisen haara. Yksi tärkeimmistä ongelmista monimutkaisissa neuroverkoissa, jotka ovat tällä hetkellä niin suosittuja, on se, että laskelmat ovat erittäin intensiivisiä prosessointitehon suhteen, ja tämä seikka vaikeuttaa niiden nopeaa testausta ja käyttöönottoa.

Aluksi NNP:t julkaistaan ​​vain pienelle määrälle Intel-kumppaneita, jotka yritys aikoo julkaista ennen tämän vuoden loppua. Laitteistoa kehitetään tiiviissä yhteistyössä Facebookin kanssa, joka on yksi niistä yrityksistä, joka yrittää käyttää hermoverkkoja omiin tarkoituksiinsa. Puhumme erityisesti roskapostin, "valeuutisten" ja muun ei-toivotun sisällön vastaisesta taistelusta. suurin.

Asiakkaat voivat käyttää NNP:tä Intel Nervana -palvelun kautta. Intelin tuoteryhmän varatoimitusjohtajan ja toimitusjohtajan Naween Raon mukaan yritys aikoo saattaa palvelun yleisön saataville lähitulevaisuudessa.

Tarkkailijat odottavat ennätyksellisen prosessointitehoa järjestelmältä, joka eroaa muista Intelin tuotteista sekä teknisesti että toiminnallisesti. Intel olettaa, että tekoälyjärjestelmien kiihtynyt kehitys merkitsee asiakkaiden suurta kysyntää uusille prosessorimalleille, joissa on uusia ominaisuuksia. Intel lupaa, että ultranopeiden ytimien läsnäolo ei saisi vaikuttaa vakauteen, ja puhumme myös sopivan infrastruktuurin muodostamisesta.

"Kun työskentelet hermoverkkojen kaltaisen aiheen parissa, hermoprosessoreille on paljon lupauksia", Rao sanoi. "Ja mietimme paljon lisäyksiä ja muutoksia prosessorin arkkitehtuuriin. Kun työskentelet nopeasti kehittyvässä ympäristössä, kuten neuroverkoissa, on tärkeää seurata kaikkia pyyntöjä nopeasti ja ratkaista ne asiakkaan puolesta."

Tällä hetkellä Intel työstää kolmea vaihtoehtoa hermoprosessoreille, ja kuten luvattiin, ainakin yksi vaihtoehto on saatavilla ennen tämän vuoden loppua.

Neuroverkot ovat olleet tutkijoiden valokeilassa tekoälytutkimuksen alkuajoista lähtien, mutta 1970-luvulla ne unohdettiin jonkin verran. Viimeisen vuosikymmenen aikana neuroverkkojen kykyjen käyttöön liittyviä teknologioita on tutkittu "syväoppimisohjelmien" tasolla. Keinotekoinen hermoverkko on matemaattinen malli sekä sen ohjelmisto- tai laitteistototeutus, joka on rakennettu biologisten hermoverkkojen eli elävän organismin hermosoluverkkojen organisoinnin ja toiminnan periaatteelle. Tämä käsite syntyi tutkittaessa aivoissa tapahtuvia prosesseja ja yritettäessä mallintaa näitä prosesseja. Oppimisalgoritmien kehittämisen jälkeen saatuja malleja alettiin käyttää käytännön tarkoituksiin: ennakointiongelmiin, hahmontunnistukseen, ohjausongelmiin jne. ANN:t ovat yhdistettyjen ja vuorovaikutuksessa olevien yksinkertaisten prosessorien (keinotekoisten neuronien) järjestelmä. Tällaiset prosessorit ovat yleensä melko yksinkertaisia ​​(etenkin verrattuna henkilökohtaisissa tietokoneissa käytettyihin prosessoreihin). Jokainen prosessori tällaisessa verkossa käsittelee vain signaaleja, jotka se vastaanottaa ajoittain ja signaaleja, jotka se lähettää säännöllisesti muille prosessoreille. Ja silti, kun nämä yksittäin yksinkertaiset prosessorit ovat yhdistettynä riittävän suureen verkkoon, jossa on ohjattu vuorovaikutus, ne pystyvät yhdessä suorittamaan melko monimutkaisia ​​​​tehtäviä.

• Koneoppimisen näkökulmasta hermoverkko on erityinen tapaus hahmontunnistusmenetelmistä, diskriminanttianalyysistä, klusterointimenetelmistä jne.
• Matemaattisesta näkökulmasta neuroverkkojen koulutus on moniparametrinen epälineaarinen optimointiongelma.
• Kybernetiikan näkökulmasta hermoverkkoa käytetään adaptiivisissa ohjaustehtävissä ja robotiikan algoritmeina.
• Tietotekniikan ja ohjelmoinnin kehityksen näkökulmasta neuroverkko on tapa ratkaista tehokkaan rinnakkaisuuden ongelma.
• Ja tekoälyn näkökulmasta ANN on konnektivismin filosofisen virtauksen perusta ja pääsuunta rakenteellisessa lähestymistavassa tutkia mahdollisuutta rakentaa (simuloida) luonnollista älykkyyttä tietokonealgoritmeilla.

Neuraaliverkkoja ei ohjelmoida sanan tavallisessa merkityksessä, vaan niitä koulutetaan. Oppimiskyky on yksi hermoverkkojen tärkeimmistä eduista perinteisiin algoritmeihin verrattuna. Teknisesti oppiminen koostuu neuronien välisten yhteyksien kertoimien löytämisestä. Oppimisprosessissa hermoverkko pystyy tunnistamaan monimutkaiset tulojen ja tulosten väliset suhteet sekä suorittamaan yleistyksen. Tämä tarkoittaa, että onnistuneen koulutuksen tapauksessa verkko pystyy palauttamaan oikean tuloksen koulutusnäytteestä puuttuvien tietojen sekä epätäydellisten ja/tai "meluisten", osittain vääristyneiden tietojen perusteella.

Neuraaliverkon kyky ennustaa seuraa suoraan sen kyvystä yleistää ja korostaa piilotettuja riippuvuuksia tulo- ja lähtötietojen välillä. Harjoittelun jälkeen verkko pystyy ennustamaan tietyn sekvenssin tulevan arvon useiden aikaisempien arvojen ja (tai) joidenkin tällä hetkellä olemassa olevien tekijöiden perusteella. On huomattava, että ennustaminen on mahdollista vain silloin, kun aikaisemmat muutokset todella jossain määrin määräävät tulevaisuuden. Esimerkiksi osakekurssien ennustaminen viime viikon osakehintojen perusteella voi onnistua tai ei onnistu, kun taas huomisen lottotulosten ennustaminen viimeisen 50 vuoden tietojen perusteella ei läheskään varmasti onnistu.

Jätä kommenttisi!

13.10.2017, pe, 15:28, Moskovan aikaa, teksti: Vladimir Bakhur

Uusi lippulaiva-älypuhelin Huawei Mate 10 Pro, jossa on kehyksetön muotoilu, saa uusimman "hermoprosessorin" Kirin 970:n, Leican kaksoisoptiikan, Android 8.0 Oreon ja älykynän. Eikä vain.

Huawei on oppinut yllättämään

Bloggaaja ja toimittaja Evan Blass(Evan Blass), joka tunnetaan mobiililaitteissa julkaisemiensa sisäpiiritietojen korkeasta vahvistuksesta, julkaisi Twitter-sivulleen useita uusia piirroksia Huawei Mate 10 Pro -älypuhelimesta.

Useita Huawei Mate 10 Pro -älypuhelimen ominaisuuksia, mutta Evan Blasin viimeisimmistä julkaisuista tuli tiedoksi, että uusi lippulaiva tukee stylus-kynää, jossa on spatiaalisia sijaintiantureita, joiden avulla voit kirjoittaa paperille langattomalla siirrolla. muistiinpanoja älypuhelimeen.

Huawei on ajoittanut Mate 10 Pro -perheen älypuhelimien julkistamisen maanantaina 16. lokakuuta klo 14.00 Moskovan aikaa. Tämän vahvistaa suunniteltu suoratoisto HUAWEI Mate 10 Keynote Live -esityksestä Münchenistä, johon Huawein toimitusjohtaja Richard Wu (Richard Yu) osallistuu YouTubessa.

Mate 10 Pron mukana toimitettava Bluetooth-älykynä näyttää samanlaiselta kuin Moleskine Smart Writing Setin kynä.

Tekniset yksityiskohdat

Huawei Mate 10 Pro -älypuhelin, joka sai työnimen Blanc (tavallisen Mate 10:n työnimi on Alps), on yksi markkinoiden ensimmäisistä vempaimista, joka on ensimmäistä kertaa varustettu Huawei Hisilicon Kirin 970 -mobiiliprosessorilla. integroidulla tekoälyn (AI) apuprosessorilla.

Älypuhelimen Huawei Mate 10 Pron ulkonäkö

Kirin 970 -mobiilisiru on 8-ytiminen 64-bittinen prosessori, joka perustuu neljään ARM Cortex-A73 -ytimeen, joiden kellotaajuus on 2,4 GHz, ja neljään ARM Cortex-A53 -ytimeen, joiden kellotaajuus on jopa 1,8 GHz. Siru on varustettu integroidulla 12-ytimisellä seuraavan sukupolven Mali-G72 MP12 -näytönohjaimella ja useilla apuprosessoreilla tiettyjen laskentatehtävien nopeuttamiseksi.

Kirin 970 -mobiiliprosessorin tärkeimmät komponentit

Siru sisältää 5,5 miljardia transistoria sijoitettuna 1 neliömetriin. cm, ja se valmistetaan TSMC:n tuotantolaitoksessa käyttäen tähän mennessä tarkinta 10 nm:n FinFET-prosessia.

Uusi lippulaiva Kirin 970 -prosessori on "mobiilialusta tekoälyongelmien ratkaisemiseen". Se sisältää niin kutsutun neuroprosessointiyksikön (NPU) tekoälytehtävien nopeaan käsittelyyn minimaalisella virrankulutuksella ja tarjoaa Huawein mukaan 25-kertaisen suorituskyvyn ja 50-kertaisen tehokkuuden edeltäjiin verrattuna.

Kirin 970 integroi myös 4,5 G:n matkapuhelinmodeemin, joka tukee LTE-kategoriaa 18, 5CC-, 4x4MIMO- ja 256QAM-aggregaatioita, jotka yrityksen mukaan tarjoavat jopa 1,2 Gbps:n latausnopeuden.

Siru tukee kahden SIM-kortin samanaikaista käyttöä LTE-tilassa, mutta Huawei Mate 10 Pro -älypuhelimen odotetaan esitettävän Hybrid Dual SIM -versiona (Nano-SIM, kaksoisvalmiustila, yksi paikoista on yhdistetty microSD-kortinlukija korteille, joiden kapasiteetti on enintään 256 Gt) ja versiossa, jossa on yksi Nano-SIM-korttipaikka.

Kirin 970 tarjoaa 4K-videon laitteistodekoodauksen jopa 60 fps ja 4K-videokoodauksen jopa 30 fps H.264- ja H.265-koodekeilla sekä HDR10-väriavaruuden tuen. Lisäksi Kirin 970 tarjoaa jopa 4 kanavaa LPDDR4X 1866MHz RAM-muistia, sisäänrakennetun 32bit/384kHz DAC:n, uuden sukupolven Huawei i7 -anturin ja tuen kaksoiskameralla.

Huawei Mate 10 Pro -älypuhelimen odotetaan olevan varustettu suurella 5,99 tuuman AMOLED-näytöllä, jonka resoluutio on 1440x2880 pikseliä, kuvasuhde 18:9 ja terävyys 546 pikseliä tuumaa kohti. Älypuhelimen paksuus on vain 7,5 mm, ja siinä on IP68-standardin mukainen suojaus, mikä tarkoittaa, että laite upotetaan 30 minuutiksi veteen 1,5 metrin syvyyteen.

Mate 10 Pro kaksoispääkamera

Mate 10 Pro tulee saataville 6 Gt RAM-muistilla ja 64 Gt tai 128 Gt sisäisellä tallennustilalla. Laite on varustettu kaksoispääkameralla, joka koostuu 20 megapikselin väri- ja 12 megapikselin mustavalkokennosta, Leican optisista f/1.6-järjestelmistä, optisesta kuvanvakaimesta, vaihe- ja laserautomaattitarkennuksesta, HDR-tuesta ja videotallennuksesta eri formaateissa. [sähköposti suojattu] ja [sähköposti suojattu]/60 fps. Etukameran resoluutio on 8 MP.

Mate 10 Pro -älypuhelin esitellään välittömästi Android 8.0 (Oreo) -käyttöjärjestelmän uusimman version kanssa Huawein omalla EMUI 6.0 -graafisella käyttöliittymällä. Laite tukee 802.11 a/b/g/n/ac Wi-Fi-verkkoja, Bluetooth 5.0:aa A2DP-, EDR- ja LE-profiileilla, A-GPS-, GLONASS-, BDS- ja GALILEO-navigointia, NFC-tekniikkaa. Mukana on myös infrapunaportti ja USB 2.0 Type-C -liitin.

Älypuhelimen sisäänrakennetun ei-irrotettavan litiumpolymeeriakun kapasiteetti on 4000 mAh.

Smart Pen Huawei Mate 10 Pro:lle

Huolimatta mahdollisuudesta digitoida välittömästi tavalliselle paperille tehdyt muistiinpanot, älykäs kynä, jonka mukana Mate 10 Pron huhutaan tulevan, ei toimi Huawei Mate 10 Pron kynänä tai kosketuskynänä, tai se on varustettu siihen. lisäsyöttöteknologiaa varten.

Myynnin aloitus ja hinta

Lippulaivaälypuhelimen Huawei Mate 10:n myynnin alkamisajankohdasta ja hinnasta ei ole vielä enemmän tai vähemmän ymmärrettävää tietoa, kaikki selviää maanantaina 16.9.

Ilmoitus Huawei Mate 10 -sarjan älypuhelimien esittelystä

Aikaisemmin verkkoanalyytikot arvioivat Huawei Mate 10:n hinnaksi Kiinassa 835 dollaria, kun taas "tavallinen" Huawei Mate 10 maksaa noin 650 dollaria.