Главная страница | Контакты | Случайная страница Автомобили Астрономия Биология География Дом и сад Другие языки Другое Информатика История Культура Литература Логика Математика Медицина Металлургия Механика Образование Охрана труда Педагогика Политика Право Психология Религия Риторика Социология Спорт Строительство Технология Туризм Физика Философия Финансы Химия Черчение Экология Экономика Электроника

Информационные технологии. Суперкомпьютер. Нейронные сети. Технологические возможности реализации высокой информационной плотности.

Информационные технологии - широкий класс дисциплин и областей деятельности, относящихся к технологиям создания, управления и обработки данных, в том числе с применением вычислительной техники. В последнее время под информационными технологиями чаще всего понимают компьютерные технологии. В частности, ИТ имеют дело с использованием компьютеров и программного обеспечения для хранения, преобразования, защиты, обработки, передачи и получения информации.

Суперкомпьютер- вычислительная машина, значительно превосходящая по своим техническим параметрам большинство существующих компьютеров. Как правило, современные суперкомпьютеры представляют собой большое число высокопроизводительных серверных компьютеров, соединённых друг с другом локальной высокоскоростной магистралью для достижения максимальной производительности в рамках подхода распараллеливания вычислительной задачи. Нейронные сети - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров. С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение.

Технологические возможности реализации высокой информационной плотности.

Современная технология позволяет изготавливать тонкопленочный элемент, ширина либо длина которого составляет примерно 1 мкм, что более чем на порядок меньше размера элемента серийно изготавливаемых магниторезистивных преобразователей. Существенное уменьшение толщины магниторезистивного элемента даже с использованием самых перспективных технологических приемов сопряжено с нарушением однородности по толщине, что влечет за собой изменение и электрических, и магнитных свойств. Технология сегодняшнего дня позволяет изготавливать магниторезистивный элемент, минимальное поперечное сечение которого составляет 0,030 мкм², что в принципе дает возможность воспроизвести информацию, записанную с поверхностной плотностью около 33 бит/мкм². Такая плотность приблизительно на порядок меньше соответствующей предельной плотности, к которой допускает приблизиться реальный магнитный носитель - с кобальт-хромовым рабочим слоем. Если принять во внимание технологические возможности ближайшего будущего, когда линейный размер элемента уменьшится примерно на порядок, то магниторезистивный преобразователь с таким элементом позволит воспроизвести информацию, записанную с поверхностной плотностью, приближающейся к 400 бит/мкм².

Это означает, что в обозримом будущем магниторезистивный преобразователь, опираясь на перспективную технологию, должен догнать магнитный носитель, и тогда их предельные характеристики плотности сравняются. При этом следует помнить, что предельные возможности и реальные устройства - это не одно и то же. В то же время без реальных возможностей не бывает и реальных устройств. Другое дело, что между ними, как правило, лежит непроторенный путь, который при недостаточно объективной оценке каких бы то ни было возможностей может оказаться безысходным. В данном случае правильный путь может выбрать практик-разработчик, каждое действие которого обосновано научным пониманием решаемой им проблемы.