Browsing by Author "Бенч, А. Я."

Now showing 1 - 2 of 2

Аналіз математичної моделі збою логічного елемента із використанням моделі резистивно-їндуктивної завади
(Видавництво Національного університету “Львівська політехніка”, 2001-03-27) Мандзій, Б. А.; Бенч, А. Я.; Васильцов, І. В.; Національний університет "Львівська політехніка"; Тернопільська академія народного господарства
Розглянуто використання нової резиетивно-індуктивної моделі внутрішніх завад у кристалах інтегральних схем для побудови моделі збою логічного елемента. Досліджено вплив електричних параметрів логічного елемента, конструктивно-технологічних параметрів мікросхем та температури навколишнього середовища на ймовірність збою при перемиканні логічного елемента.
Порівняльний аналіз програмно-апаратного забезпечення алгоритмів глибокого навчання
(Видавництво Львівської політехніки, 2019-03-01) Хома, Ю. В.; Бенч, А. Я.; Khoma, Y.; Bench, A.; Національний університет “Львівська політехніка”; Lviv Polytechnic National University
Автоматичний переклад, розпізнавання мови та її синтез, розпізнавання об’єктів та навіть людських емоцій – надзвичайно складні завдання, із якими легко справляються сучасні смартфони. Їх ефективна реалізація стала можливою завдяки широкому застосуванню алгоритмів штучного інтелекту та машинного навчання, серед яких надзвичайно популярними є штучні нейронні мережі та алгоритми глибокого навчання. Ці алгоритми проникли в усі галузі індустрії, а їх стрімкий розвиток неможливий без застосування апаратної акселерації та чіткої взаємодії між апаратними складовими та програмним забезпеченням. Особливо актуальним це завдання стає, коли програмне забезпечення, призначене для застосування в хмарах, адаптується для невеликих за розміром та обчислювальними потужностями вбудованих систем. Статтю присвячено трьом пунктам, що, відповідно, пов’язані з програмним забезпеченням глибокого навчання, спеціалізованою апаратурою на основі GPU та перспективами побудови акселераторів для алгоритмів глибокого навчання на основі програмованих логічних матриць. У роботі проведено порівняльний аналіз найпопулярніших програмних фреймворків, таких як Caffe, Theano, Torch, MXNet, Tensorflow, Neon, CNTK. Описано переваги GPU-рішень на основі CUDA і cuDNN. Розглянуто перспективи FPGA як високошвидкісних та енергоефективних рішень для розроблення алгоритмів глибокого навчання, особливо у поєднанні з мовою OpenCL.