Architecture of an on-board neural network computer based on FPGA crystal with dynamic reconfiguration

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The work is devoted to the development of principles for constructing hardware architecture of neural network computers used as accelerators and coprocessors for the implementation of expert and intelligent systems in objects with a high degree of criticality, including on-board equipment of aircraft. A model of a neural network computer built on the basis of an FPGA crystal has been developed, which allows dynamic deployment of artificial neural networks on its basis without the need to reprogram the FPGA crystal itself. The principles of deployment and training of a neural network based on the presented neural network computer are described. An example of its use in an expert system that analyzes the state of an onboard information and computing network of an aircraft for the occurrence of abnormal situations in real time and performs parrying of arising failures by the method of dynamic reconfiguration is given.

Full Text

Restricted Access

About the authors

A. M. Solovyov

Sozvezdie Concern

Author for correspondence.
Email: darkscribens@gmail.com
Russian Federation, Voronezh

References

  1. Визильтер Ю.В., Вишняков Б.В., Желтов С.Ю. Современные технологии искусственного интеллекта и их применение в авиационных комплексах // XVI Всероссийск. мультиконф. по проблемам управления (МКПУ-2023). Волгоград, 2023. С. 13–16.
  2. Аксентов В.А. Эволюция развития нейронных сетей: прошлое, настоящее, будущее // Вестник науки. 2023. Т. 3. № 8 (65). С. 89–91.
  3. Капустин А., Бунас К. Искусственный интеллект в авиации // Наука и инновации. 2019. № 9 (199).
  4. Кочнев А.А. Концептуальные основы практического использования нейронных сетей: проблемы и перспективы // Общество и инновации. 2023. Т. 4. № 1. С. 1–10.
  5. Кочнев А.А. Применение искусственных нейронных сетей в прогнозировании // Международный научный журнал “Научные горизонты”. 2023. № 1 (65). С. 48.
  6. Дроговоз П.А., Шиболденков В., Вакунов С. Перспективы применения гибридных нейросетевых систем для создания цифровых двойников производственных процессов // Десятые Чарновские чтения. М., 2021. С. 54–60.
  7. Краковский И.В., Асалханов П.Г. Текстовые нейронные сети: возможности, применение и перспективы развития // ББК 40 Н 347. 2023. С. 262.
  8. Виноградова Е.П., Нестеренко А.В. Применение нейронных сетей для решения задач цифровой обработки сигналов // Радиотехнические, оптические и биотехнические системы. Устройства и методы обработки информации. 2023. С. 90–92.
  9. Мишин Д.В., Холопов Д.А. Разработка подавителя сигналов беспроводной связи на базе нейросетевого модуля // Информационные технологии в науке и образовании. Проблемы и перспективы. 2023. С. 261–263.
  10. Визильтер Ю.В., Горбацевич В.С., Моисеенко А.С. Однопроходный алгоритм обнаружения и распознавания лиц на основе сверточных нейронных сетей // Вестник компьютерных и информационных технологий. 2021. Т. 18. № 4. С. 11–20.
  11. Деев М.И., Ковалева О.А., Ковалев С.В. Тестирование и анализ нейросетевых моделей для распознавания объектов на изображении в режиме реального времени // Российская наука, инновации, образование (РОСНИО-II-2023). Красноярск, 2023. С. 274–280.
  12. Шатравин В., Шашев Д.В. Построение нейросетевого классификатора на основе перестраиваемых вычислительных сред // Системы управления, информационные технологии и математическое моделирование. Матер. V Всероссийск. научно-практической конф. с международным участием. Омск, 2023. С. 542.
  13. Бондарчук А.С., Шидловский С.В. Использование перестраиваемой вычислительной среды для вычисления местоположения регионов интереса на бинарном изображении // Системы управления, информационные технологии и математическое моделирование. Матер. V Всероссийск. научно-практической конф. с международным участием. Омск, 2023. С. 161–165.
  14. Шатравин В., Шашаев Д.В. Применение вычислительных сред для ускорения рекуррентных нейронных сетей // Цифровая экономика. 2023. № 1 (22). С. 27–35.
  15. Хорошайлова М.В. Реализации нейронной сети на ПЛИС с использованием аппаратных ресурсов // Вестн. Воронежского гос. технического ун-та. 2021. Т. 17. № 3. С. 127–134.
  16. Бахчевников В.В., Деркачев В.А., Бакуменко А.Н. Способ использования средств быстрого прототипирования для реализации сверточной нейронной сети на ПЛИС // Изв. Южного федерального ун-та. Технические науки. 2020. № 3 (213). С. 146–156.
  17. Бахтин А.А., Волков А.С., Солодков А.В., Свиридов И.А. Система распознавания модуляции сигналов на основе нейронной сети с использованием ПЛИС // Тр. МАИ. 2021. № 121. С. 13.
  18. Бахтин В.В. Математическая модель искусственной нейронной сети для устройств на ПЛИС и микроконтроллерах, ориентированных на туманные вычисления // Вестн. Пермск. национального исследовательского политехнического ун-та. Электротехника, информационные технологии, системы управления. 2021. № 40. С. 109–129.
  19. Носкова Е.С., Захаров И.Е., Шкандыбин Ю.Н., Рыкованов С.Г. Повышение энергоэффективности нейросетевых вычислений с использованием NVDLA на ПЛИС // Компьютерная оптика. 2022. Т. 46. № 1. С. 160–166.
  20. Некрасов В.М. Модификация нейронной сети YOLOV3-TINY для выполнения на ПЛИС // Фундаментальные и прикладные аспекты компьютерных технологий и информационной безопасности. 2023. С. 131–134.
  21. Solovyov, A.M., Selvesyuk, N.I., Kosyanchuk, V.V., Zybin, E.Y. A Model of a Universal Neural Computer with Hysteresis Dynamics for Avionics Problems // Mathematics 2022. V. 10. P. 2390. https://doi.org/10.3390/math10142390
  22. Соловьев А.М., Семенов М.Е., Косьянчук В.В., Новиков В.М., Сельвесюк Н.И. Аппаратная реализация вычислительных процедур СППР в задачах авионики // XV Всероссийск. мультиконф. по проблемам управления (МКПУ-2021). Геленджик, 2021.
  23. Rumelhart, D., Hinton, G., Williams, R. Learning Representations by Back-propagating Errors // Nature. 1986. V. 323. P. 533–536. https://doi.org/10.1038/323533a0
  24. Васильев С.Н., Жерлов А.К., Федосов Е.А., Федунов Б.Е. Интеллектуальное управление динамическими системами. М.: Физматлит, 2000. 352 с.
  25. Лохин В.М., Захаров В.Н. Интеллектуальные системы управления: понятия, определения, принципы построения // Интеллектуальные системы автоматического управления / Под ред. И.М. Макарова, В.М. Лохина. М.: Физматлит, 2001. 576 с.
  26. Соловьев А.М., Семенов М.Е., Сельвесюк Н.И., Зыбин Е.Ю., Новиков В.М., Солоделов Ю.А. Развертывание интеллектуальной системы динамической реконфигурации КБО с оптической коммуникационной средой на платформе JetOS // Всероссийский форум с международным участием “Академические Жуковские чтения”. Воронеж: ВУНЦ ВВС “ВВА”, 2021.
  27. Соловьев А.М., Семенов М.Е., Сельвесюк Н.И., Новиков В.М., Карпов Е.А. Динамическая реконфигурация бортовой распределенной информационно-вычислительной среды на базе ОСРВ JetOS // Международная научно-практическая конф. им. Э.К. Алгазинова “Информатика: проблемы, методы, технологии” (IPMT). Воронеж: ВГУ, 2022.
  28. Solovyov A.M., Semenov M.E., Sel’vesyuk N.I., Zybin E.Yu., Novikov V.M. Control of Dynamic Reconfiguration of the Fully Optical On-board Network of the Aircraft // Intern. Conf. for Information Systems and Design (ICID-2021). Геленджик, 2021.
  29. Kosyanchuk V., Selvesyuk N., Zybin E., Novikov V., Olenev V., Solovyov A., Semyonov M. Application of a Deterministic Optical Network Model for the Implementation of an Expert System Knowledge Base for Information Transmission Failure Management // Engineering Proceedings. 2023. V. 33 (1). P. 51. https://doi.org/10.3390/engproc2023033051

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Model of the NSV core.

Download (107KB)
Indexing metadata
3. Fig. 2. Algorithm of NSV operation with approximated FAN.

Download (92KB)
Indexing metadata
4. Fig. 3. Architecture of the forward propagation neural network.

Download (101KB)
Indexing metadata
5. Fig. 4. Two-layer feed forward propagation neural network.

Download (136KB)
Indexing metadata
6. Fig. 5. FPGA structure of the NSV project.

Download (105KB)
Indexing metadata
7. Fig. 6. The first 100 samples from the sklearn database.

Download (244KB)
Indexing metadata
8. Fig. 7. The learning process of the NSV and the benchmark.

Download (93KB)
Indexing metadata
9. Fig. 8. Convergence of the NSV and benchmark learning process as a function of q.

Download (113KB)
Indexing metadata
10. Fig. 9. NSV response to FLT1.

Download (98KB)
Indexing metadata
11. Fig. 10. NSV response to FLT2.

Download (89KB)
Indexing metadata
12. Fig. 11. NSV response to FLT3.

Download (94KB)
Indexing metadata

Copyright (c) 2025 Russian Academy of Sciences