Tài liệu Công nghệ mạng noron tế bào CNN pdf

Công nghệ mạng noron tế bào
CNN và kh
ả nang ứng dụng trong
các h
ệ co diện tử
Tóm tắt: Thời gian qua mạng noron tế bào CNN (Cellular Neural
Network) dã du
ợc nhiều nuớc trên thế giới dầu tu nghiên cứu nhu một
công ngh
ệ xử lý song song cực mạnh da nang có khả nang ứng dụng trong
nhi
ều linh vực mà các chip vi xử lý, máy PC hiện hành không thực hiện
du
ợc. Báo cáo này giới thiệu sự phát triển của mạng noron tế bào trong
th
ời gian qua và khả nang ứng dụng trong các hệ co diện tử trong tuong
lai. Ph
ần 1 báo cáo giới thiệu về co sở toán học của mạng no ron tế bào và
nguyên lý h
ọat dộng của máy tính vạn nang tế bào CNN. Tiếp dến báo
cáo trình bày các hu
ớng nghiên cứu về CNN dang duợc chú trọng trên thế
giới nói chung và trong các phần tử và hệ thống co diện tử nói riêng. Phần
3 gi
ới thiệu khả nang ứng dụng của công nghệ CNN. Phần 4 của báo cáo
d
ề cập dến các kết quả buớc dầu nghiên cứu về công nghệ CNN trong xử
lý ảnh tốc dộ cao tại Viện công nghệ thông tin, Viện Khoa học và công
ngh
ệ Việt nam. Cuối cùng là phần kết luận và tài liệu tham khảo.
1. Công nghệ mạng noron tế bào CNN: Máy tính diện tử ra dời dã hon 60 nam và

dang d
ến gần giới hạn vật lý về kích thuớc và tốc dộ xử
lý. Sự ra dời của mạng noron tế bào CNN dã mở ra một thời dại mới cho sự phát
tri
ển của khoa học tính toán tiếp cận dến các phuong thức xử lý cung nhu phuong
th
ức cảm nhận và hành dộng của các tổ chức trong co thể sinh vật sống. Ta biết
r
ằng các máy tính số hiện nay về co bản là loại máy logic với các dữ liệu rời rạc
du
ợc mã hóa theo hệ nhị phân. Tính chất co bản của nó là khả nang thực hiện thuật
toán theo chuong trình du
ợc luu trong bộ nhớ. Ðây là loại máy tính vạn nang xử lý
trên các s
ố nguyên (Universal Machine on Integers) hay còn gọi là máy Turing
(Turing Machine). Các phép tính co b
ản của nó là các phép số học và logic. Thuật
toán là các chu
ỗi logic của các phép tính co bản này. Sự ra dời của bóng bán dẫn
nam 1948 và c
ủa các vi mạch tích hợp IC (Integrated Circuit) nam 1960 dã tạo ra
các máy tính s
ố có tính thực tiễn cao với giá thành rẻ và hiện nay dã trở thành một
lo
ại hàng hóa thông dụng. Truớc kia nhiều nguời tuởng rằng hoạt dộng của máy
tính di
ện tử phản ánh co chế hoạt dộng của bộ não con nguời. Tuy nhiên hiện nay
v
ấn dề dã trở nên rõ ràng là noron và các tế bào thần kinh có co chế hoạt dộng hòan
toàn khác. H

ệ noron tính tóan thuờng xử lý mảng tín hiệu tuong tự (analog) có tính
liên t
ục về thời gian và biên dộ. Cấu trúc gồm nhiều lớp mảng 2D noron có các kết
n
ối mạng cục bộ (local) là chủ yếu, và kết nối toàn cục (global) là không nhiều. Có
no ron du
ợc tích hợp với các tế bào cảm biến (sensing) và tế bào tác dộng
(actuating). Các noron ho
ạt dộng với dộ trễ thay dổi và có co chế hoạt dộng dạng
sóng kích ho
ạt. Các dữ liệu và sự kiện (event) là các mảng tín hiệu phụ thuộc không
gian và/ho
ặc thời gian Rõ ràng với các tính chất co bản nêu trên máy tính số hiện
nay không có kh
ả nang tiếp cận dến khả nang xử lý của não nguời. Ðể có thể chế
tạo duợc hệ thống diện tử có khả nang tính toán tuong tự nhu hệ thần kinh này, dòi
h
ỏi ta phải thay dổi về kiến trúc, về thuật toán về công nghệ và khả nang xử lý song
song c
ủa hàng vạn hoặc hàng triệu bộ xử lý trên một chip. Mạng noron tế bào CNN
(Cellular Neural Network) là m
ột giải pháp mở dầu cho loại máy tính vạn nang xử
lý dòng mảng dữ liệu dầy tiềm nang này.
Co sở toán học của mạng CNN CNN (Cellular Nonlinear/Neural Network) duợc Leon
O. Chua và L.Yang gi
ới thiệu nam 1988 [1],
[2], [3]. Tu tu
ởng chung là sử dụng một mảng don giản các tế bào kết nối cục bộ dể xây
d
ựng một hệ thống xử lý tín hiệu analog dồ sộ. Ðặc diểm mấu chốt của mạng noron là xử

lý song song không dồng bộ, liên tục và ảnh huởng toàn cục của các phần tử mạng. Khối
m
ạch co bản của mạng CNN duợc gọi là tế bào (cell). Nó chứa các phần tử mạch tuyến
tính và phi tuy
ến. Tiêu biểu là các tụ tuyến tính, các diện trở tuyến tính, các nguồn diều
khi
ển tuyến tính, phi tuyến và các nguồn dộc lập. Mỗi một tế bào trong CNN chỉ kết nối
t
ới các tế bào láng giềng. Các tế bào liền kề có thể ảnh huởng trực tiếp tới nhau. Các tế
bào không có liên kết trực tiếp có thể tác dộng dến các tế bào khác gián tiếp bởi sự tác
d
ộng lan truyền của mạng CNN. Mạng CNN có thể là mạng lớp don hoặc da lớp. Một
l
ớp don chứa các tế bào C trong dó i, j là hàng và cột nhu mô tả trong hình 1. Um
x n X(t= 0)M
ẫu Ar x rm x n , Br x r ijb) Hình 1. a) So dồ của một cấu trúc CNN. b)
Liên k
ết cục bộ giữa các tế bào Mỗi một tế bào Cija) có các tế bào láng giềng CYklm x n
du
ợc dịnh vị trong phạm vi hình cầu S(r) có bán kính r, tâm ở tế bào Cijij , mà r là một số
nguyên duong. Mỗi một tế bào là một bộ xử lý với các giá trị tín hiệu thực dầu vào u(t),
tr
ạng thái xij(t), và dầu ra yijij(t). Hệ dộng lực tế bào don giản nhất gọi là phuong trình
CNN tiêu chu
ẩn duợc mô tả nhu sau: trong dó
zij
uklijByklijAzxx & (1) ).;().;(rSC klijijijrSC kl)()(ijklijkl duợc gọi là nguỡng
c
ủa tế bào C , A(ij,kl) và B(ij,kl) duợc gọi là các toán tử hồi tiếp và dẫn nhập. Trong
tru

ờng hợp r=1 chúng là các ma trận 3 x 3. Tín hiệu trạng thái và tín hiệu dầu ra của mỗi
t
ế bào có quan hệ phi tuyến duợc mô tả trong phu ong trình (2): ij1 )( ijijijij)11(
2
xxxfy (2) So dồ khối của tế bào CNN tiêu chuẩn duợc mô tả trong hình 2.
Hình 2: So d
ồ khối của hệ dộng lực tế bào CNN
Khi dua một mảng tín hiệu dầu vào u với 1 i  M và 1 j  N duợc dịnh nghia nhu một
ảnh với giá trị pixel uijij , thì tập hợp giá trị (A,B,z) quyết dịnh lời giải của hệ dộng lực
CNN. T
ập hợp này chính là các ma trận trọng số của mạng noron CNN duợc gọi là các
m
ẫu vô tính hoặc còn gọi là gen. Trong không gian bất biến, các mẫu là các ma trận 3x3,
5x5, ho
ặc 7x7 tùy theo giá trị r của mạng là 1, 2 hay 3. Có nghia là mảng CNN có thể
duợc dịnh nghia bởi 19 (hoặc 51 hoặc 99) tham số của A, B và z và không phụ thuộc vào
kích c
ỡ M x N của mạng. Khi dầu vào uij là ảnh tinh hoặc ảnh dộng, thì mạng CNN dóng
vai trò nhu m
ạng xử lý ảnh.
Máy tính vạn nang CNN (CNN Universal Machine on Flow) Ta hãy khảo sát kỹ hon về
mặt toán học dịnh nghia thế nào là máy tính vạn nang CNN. Máy tính
CNN th
ực chất là máy tính xử lý dòng dữ liệu mảng nhu chuỗi ảnh video, mảng vecto
áp l
ực ở các tế bào xúc giác v.v… Chuỗi dữ liệu 2D (ảnh video) (t) duợc dịnh nghia
nhu sau

  ( t ) :
{


(t) , t T = [0,
tijd
d
(t) 
Cij1
ij
ij
1
inpu
t
 =
Pijmax
+
t,
t0
input
1 i
j
] } ( 3 ) 1 = i
= m ; 1 = j = n
Ở dây m và n là các số
nguyên, t
> 0 là kho
ảng thời gian khảo
sát,


R P: {p
ij

 output
},
 p
0,
t0

R
< 8;
p
(là hàm liên t
ục, khả vi và bị chặn).  có thể là biến vào, biến trạng thái hay bidầutế
bào (1 pixel) trong mảng m x n tế bào. Ở thời diểm t = t’ ta có (t’) là một ảnh (n x m)
pixel
là cu
ờng dộ pixel (4) Mức xám của ảnh
du
ợc mô tả trong vùng +1 và -1 (+1 là trắng và -1 là den). Ảnh màu duợc mô tả bằng tổ
hợp của nhiều lớp ảnh mxn pixel, mỗi lớp mô tả cuờng dộ của một màu (ví dụ hệ màu
R.G.B).
Ảnh nhị phân duợc gọi là mặt nạ M
M : m
 [ 1 , -
1 ] ( 5 ) C h u
ỗ i
ả n h ở c á c t h ờ i d i ể m
t + 2
t… duợc gọi là dòng ảnh hay dòng video. Lệnh co bản của máy tính CNN
du
ợc dịnh nghia là:

(t): =
{

(t)}, tT = [0,
td
] (6)
Ở dây  là hàm của dòng ảnh. Ví dụ
ta có thể chuyển dổi một video clip sang một video clip khác. Ta dịnh nghia một phiến
hàm F bi
ến dổi một dòng ảnh sang một ảnh nhu sau: P : = F (  ( t )
)
( 7 ) N h u v ậ y m á y t í n h C N N c ó
c á c d
ữ l i ệ u b a n d ầ u l à d ò n g
v i d e o ,
ả n h v à m ặ t n ạ :   ( 0 ) ,
P , M . T o á n t
ử
co bản của máy CNN là phép giải phuong trình vi phân dạo hàm riêng  trên dòng mảng
d
ữ liệu
(t). Thuật tóan (algorithm) của máy CNN chính là tổ hợp số học và logic của các dữ
liệu và tóan
3
tử trên dòng mảng dữ liệu (ảnh) này. Ta gọi các thuật tóan chạy trên các dòng mảng dữ liệu ở
máy CNN là hàm dệ quy lọai  (-recursive function), trong khi ở máy tính số Von Neumann
các thu
ật tóan chạy trên các số nguyên là các hàm dệ quy loại µ (µ-recursive function). Khả
nang và dộ phức tạp tính tóan của máy tính CNN Ở trên ta dã dề cập dến lệnh co bản của máy
tính CNN là l

ời giải của các phuong trình vi phân dạo
hàm riêng PDE (Partial Differential Equation) phi tuy
ến loại phản ứng–khuyếch tán (nonlinear
reaction–diffusion equation). Ta hãy di sâu hon d
ể hiểu rõ nguyên lý này. Phuong trình dạo hàm
riêng lo
ại phản ứng – khuyếch tán duợc mô tả về mặt toán học duới dạng: tyx
)),,((),,())),,(()),,((( ),,(00tyxtyxtyxgradtyxcdiv t (8) Phuong trình trên mô tả một
lo
ạt lớp phuong trình PDE bao gồm
- Phuong trình khuy
ếch tán tuyến tính khi 0 = 0 và  = 0 - Phuong trình khuyếch tán tuyến
tính b
ị chặn khi 0(.)  0 và  = 0 và  = 0 - Phuong trình sóng trigo phi tuyến khi 0(.)  0 -
Phuong trình sóng trigo phi tuy
ến có giới hạn khi 0(.)  0 và (.)  0 Khi rời rạc hóa theo
không gian phuong trình d
ạo hàm riêng trên trở thành một hệ phuong trình vi phân thuờng liên
k
ết có dạng
td )())(( )(ztttt cj ijijijijiijij ijttg dt)(()(
txft) ijij1,1,,1,1 1))()()()(( 4
(.)(.)
fCg  0
(9)
k
ết sau:




Với c0 = 0 và
c1

1
1
ij
ij
212
bbb Bbbb
bbb
101212
ij
0
1
t
B
z
z


k
l
k
l
i
j

tính khi z = 0 và f( )
=
 - Phuong trình

khuy
ếch tán tuyến
tính b
ị chặn khi z  0
và
f ( ) =  -
Phuong trình sóng
trigo phi tuy
ến khi z
= 0 và
f ( ) = sign (
) - Phuong trình
sóng trigo phi tuy
ến
b
ị chặn khi zij  0 và
f
( ) = sign ( ) Tất
c
ả các dạng phuong
trình PDE trên d
ều có
th
ể lập trình trên
m
ạng CNN sử dụng
các m
ẫu liên
c ccc c00 z
( 1 0 )

101
A ;;
00
0
)( 1
> 0 ta có l
ời giải phuong trình vi phân dạo hàm riêng khuyếch
tán và v
ới c
>
c
> 0 ta có l
ời
gi
ải của phuong trình sóng trigo. Nhu vậy bằng một lệnh [A, B, z ] ta có thể có lời giải cho
phuong trình vi phân d
ạo hàm riêng phi tuyến dạng phản ứng – khuyếch tán trong thời gian 5µs
là th
ời gian quá dộ của mạch diện tử của 1 tế bào trong mạng CNN. Máy CNN cung có tính vạn
nang nhu các máy Turing [13]. V
ới tính chất giải các phuong trình sóng trong một lệnh, ta còn
g
ọi các máy tính vạn nang CNN là các máy tính sóng (Wave Computer). Ðể xác dịnh khả nang
tính toán c
ủa máy tính ta cần có các số do cụ thể nhu tốc dộ, công suất tiêu thụ và diện tích
(ho
ặc thể tích) của máy. Ðối với chip CNN ACE16K ta có tốc dộ tính toán lên tới 12 Tera OPS.
T
ốc dộ tính toán của máy CNN phụ thuộc chủ yếu vào các tham số của bài toán. Ðộ phức tạp
c

ủa tính toán phụ thuộc chủ yếu vào các tham số của PDE (các template) và không phụ thuộc
vào kích c
ỡ của mảng. Ðiều này trái nguợc với các máy tính số hiện nay.
4
Ðiểm dặc thù trong dộ phức tạp tính toán ở máy tính CNN là tính chất liên tục trong
th
ời gian và trong giá trị [5], [7]. Với tính chất này chênh lệch về dộ phức tạp của tính
toán gi
ữa máy Turing và máy CNN là rất lớn có thể lên dến 1: 8000 lần khi xác dịnh
biên c
ủa các ảnh diện tim có nhiễu. Sự khác nhau giữa máy tính số Turing và máy tính
v
ạn nang CNN duợc tóm tắt trong bảng 1.
Máy tính Turing UMZ (Universal
Machine Over Z)
- Hàm d
ệ quy từng phần
trên s
ố nguyên
2. Những kết quả nghiên cứu phát
tri
ển về công nghệ CNN
mxn
- Phuong trình vi phân 2D,
3D
- Hàm d
ệ quy  trên dòng
ảnh
Flow) Tru
ờng I/O Số

nguyên Z F (dòng ảnh R) Lệnh co bản Logic Vi phân dạo hàm riêng Phuong thức hoạt dộng
L
ặp Bán lặp Vùng tác dộng của lệnh co bản Cục bộ Toàn cục
Ki
ến trúc Máy Turing CNN vạn nang Mô hình tính toán - Cú pháp
Bảng 1: So sánh nguyên lý hoạt dộng của máy tính số và máy tính vạn nang
CNN
M
ạng CNN có thể duợc thực hiện trên các vi mạch VLSI. Các trọng số A, B, z duợc thể
hiện bằng các thông số kết cấu của mạch. Bộ mẫu (A,B,z) chính là chuong trình của
m
ạng. Các mẫu có thể xác dịnh hoàn toàn phuong thức hoạt dộng của mạng CNN với
d
ầu vào, trạng thái ban dầu của mỗi tế bào cung nhu những diều kiện biên cho truớc.
Nh
ờ tính uu việt của việc tính toán thời gian thực, quá trình xử lý dòng dữ liệu ma trận
r
ấ
t ph
thể
du
hiệ
n trong m
kho
rấ
t nh
trúc m
tế
bào nêu trên ta
có m

xử
lý song song
mà phép tính co
bả
n c
giả
i c
phuong trình vi
phân d
riêng phi tuy
(PDE). Phép tính
này du
hiệ
n b
lệnh trong thời gian vài µs và chính là thời gian hội tụ của quá trình quá dộ của phuong
trình d
ộng lực co bản của tế bào CNN. Trong khi dó ta biết rằng việc giải phuong trình
vi phân d
ạo hàm riêng ở máy tính số hiện hành là một vấn dề phức tạp dòi hỏi rất nhiều
th
ời gian tính toán. Trong bài toán xử lý ảnh, mạng CNN duợc tích hợp với cảm biến
ảnh tạo thành chip thị giác (Visual Microprocessor) có khả nang xử lý ảnh với tốc dộ
phi thuờng. Trong những nam gần dây việc chế tạo các chip CNN-UM dã dạt duợc rất
nhi
ều thành tựu: Các chip thế hệ dầu là ACE440 có kích thuớc mảng 20x22 diểm pixel
ch
ỉ có thể xử lý ảnh nhị phân, sau dó là ACE4K có kích thuớc mảng 64x64 xử lý cả ảnh
nh
ị phân và ảnh mức xám. Khi xử lý ảnh mức xám tốc dộ dạt dến 1000 frame/giây
(fps), còn v

ới ảnh nhị phân có thể dạt 8000 fps. Tốc dộ tính toán của chip có thể lên dến
vài TeraOPS. Th
ế hệ chip CNN tiên tiến nhất hiện nay duợc tạo bởi một ma trận bộ xử
lý tuong tự 128x128 có khả nang lập trình, duợc gọi là ACE16K. Trong ACE16K các tế
bào CNN kết hợp với các sensor có kiến trúc tuong tự nhu cấu trúc sinh học của võng
m
ạc mắt nguời. Chip gồm 16384 CPU tế bào làm việc song song. Toàn bộ quá trình
ho
ạt dộng tính toán của chip cung cấp khả nang xử lý hình ảnh kích thuớc 128x128 lên
d
ến 50.000 fps. Mỗi tế bào tuong ứng với một diểm ảnh trong một hình ảnh. Nếu hình
ảnh rộng hon kích cỡ 128x128 thì nó duợc xử lý lần luợt kế tiếp nhau và sau dó hợp
nh
ất với nhau. Chip ACE16K này duợc sử dụng trong hệ thống Bi-i V2. Ðây là một
thi
ết bị camera video thông minh duợc giải thuởng nam 2003 tại Sturgat- Cộng hoà liên
bang Ð
ức, xử lý ảnh dộc
5
Máy tính CNN UMZ
(Universal Machine
Over
lập, thời gian thực, chịu duợc lỗi (Fault-tolerant), tiêu thụ nang luợng thấp (5W-15W), có
th
ể tích và trọng luợng nhỏ (< 1kg). Trong thời gian tới nguời ta sẽ tạo ra tế bào CNN
tích h
ợp cả DSP và các máy tính quang tử, cho phép các mẫu B thao tác ở tốc dộ ánh
sáng. Các sensor xúc giác, thính giác cung s
ẽ duợc tích hợp vào các chip CNN-UM tạo
nên các máy c

ảm nhận - tính toán - quyết dịnh (sensory-computingactuating) [4]. Trong
linh v
ực thuật toán và phần mềm cung có các thành tựu lớn: Các máy CNN-UM có thể tái
c
ấu hình duợc, các mẫu có thể duợc thay dổi từ ngôn ngữ bậc cao trên máy tính PC sử
dụng các hệ diều hành quen thuộc nhu Windows 2000, XP. Thu viện các mẫu, các hàm
API liên k
ết với hệ thống CNN-UM ngày càng phong phú. Trong các thuật toán, các cấu
trúc da sóng ho
ặc da luồng (multi-wave or multi-thread structures) dã duợc sử dụng với
m
ức dộ phức tạp cao. Các thuật toán với các mạng CNN nhiều lớp cung dang duợc phát
tri
ển. Xuất hiện một kiểu mô tả thuật toán mới - mô tả bằng dồ hoạ duợc sử dụng trong
máy tính CNN g
ọi là các biểu dồ luồng. Rất nhiều mẫu của thế giới tự nhiên dã duợc ứng
d
ụng trong CNN . Về lý thuyết có nhiều kết quả công bố thuộc các linh vực xét tính ổn
d
ịnh của các mẫu, các nghiên cứu về mạng CNN có quan hệ tới một số loại sóng mới, các
thu
ật toán liên quan dến các vấn dề co bản của phuong trình vi phân dạo hàm riêng PDE
và các m
ẫu nhiều lớp
Các huớng nghiên cứu CNN trong linh vực co diện tử
Do tiềm nang về nang lực tính toán và khả nang ứng dụng rộng rãi trong nhiều linh vực
c
ủa cuộc sống, công nghệ CNN dã ngày càng thu hút duợc sự quan tâm của nhiều nhà
nghiên c
ứu khoa học trên thế giới. Các huớng nghiên cứu trong thời gian tới về công

ngh
ệ CNN vẫn bao gồm cả lý thuyết và công nghệ, cả co bản và ứng dụng. Liên quan
d
ến linh vực co diện tử dáng chú ý nhất là việc tích hợp chip CNN với các cảm biến dịa
hình (Topographic sensor) nhu c
ảm biến thị giác, xúc giác, nhiệt dộ và âm thanh cho ta
các máy tính c
ảm biến (Sensor Computer)
Công nghệ CNN với thị giác và xúc giác nhân tạo Khi kết hợp cảm biến thị giác với mạng
noron t
ế bào ta duợc một chip vi xử lý thị giác là cốt lõi của máy tính CNN thị giác. Khác
v
ới các camera thông minh hiện hành, chip vi xử lý thị giác CNN có khả nang lập trình tới
t
ừng pixel cho các bài toán xử lý ảnh phức tạp với tốc dộ cao. Truớc dây co chế hoạt dộng
ở phần trong của mắt còn là vấn dề bí hiểm dối với các nhà thần kinh học. Trong khi dó
các k
ỹ su diện tử với sự say mê khám phá dã phát triển một số mô hình con nguoi bằng
công ngh
ệ bán dẫn. Bản chất của các mô hình này là mạng CNN nhiều lớp có các kết nối
c
ục bộ trong từng lớp ( là chính) và một số ít kết nối giữa các lớp. Các lớp mảng CNN có
h
ệ số sóng lan truyền và hằng số thời gian khác nhau. Các thực nghiệm với mô hình mắt 3
l
ớp với khoảng 5 tham số kết nối giữa các lớp dã cho ta khả nang tạo hầu hết các hiệu ứng
sóng thu
ờng gặp. Một báo cáo về mô hình mắt nhân tạo theo công nghệ mạng CNN cung
du
ợc trình bày ở hội nghị này [11]. Các mảng cảm biến xúc giác thuờng duợc chế tạo bởi

công ngh
ệ MEMS. Việc kết hợp với mạng noron tế bào CNN cho phép tạo ra nhiều cảm
bi
ến xúc giác. Hệ thống xúc giác ở dầu ngón tay chúng ta có các mảng cảm nhận với mô
hình x
ử lý 4 kênh. 4 kênh này có các dặc tính phụ thuộc không gian – thời gian khác nhau.
V
ấn dề khó trong chế tạo cảm biến xúc giác là tại mỗi diểm cảm ứng taxel (tactile cell)
phải do duợc 3 thành phần của vécto áp lực tác dộng lên diểm dó. Mô hình cảm biến xúc
giác CNN d
ầu tiên duợc nghiên cứu chế tạo tại Viện Vật lý và Vật liệu thuộc Viện hàn
lâm khoa h
ọc Hungary bằng công nghệ MEMS [6]
Hình 3 gi
ới thiệu sự phát triển của các chip vi xử lý CNN thị giác. Từ các chip này
dã có nhi
ều máy tính thị giác dã duợc phát triển. Nổi bật nhất là camera Bi-I duợc chế tạo
trên chip ACE16K là camera có t
ốc dộ xử lý ảnh cao nhất hiện nay trên thế giới.
6
Hình 3: Sự phát
tri
ển của các chip thị giác CNN Sử dụng công nghệ FPGA cho chế tạo các mạng noron tế
bào có khả nang tái cấu hình cung là một huớng nổi trội hiện nay. Mạng CNN dầu tiên
du
ợc chế tạo theo công nghệ này là mô hình mắt nhân tạo (retina) với 10 lớp mạng CNN
Các nguyên lý CNN trong quang học và công nghệ Nano Co chế hoạt dộng của mạng
noron t
ế bào có nhiều diểm tuong dồng với các tính chất giao thoa, lan truyền của ánh
sáng d

ẫn ta dến ý tuởng chế tạo các máy tính quang học. Ta biết trong quang học tác dộng
tuong quan gi
ữa hai nguồn ánh sáng có thể thực hiện duợc tức thì ở tốc dộ ánh sáng. Nếu
m
ột nguồn ánh sáng dóng vai trò nhu một mẫu có khả nang lập trình và ngồn thứ hai là
chu
ỗi ảnh cần xử lý ta sẽ có một máy tính xử lý ảnh quang học. Máy tính quang học dầu
tiên POAC (Programable Opto-electronic Analogic CNN Computer) dã du
ợc chế tạo thử
nghiệm tại Budapest Hungary sử dụng 2 nguồn laser ánh sáng và một phim ( bacterio-
radiopsine) t
ạo nên một van ánh sáng có khả nang lập trình. Có thể khẳng dịnh kiến trúc
x
ử lý của mạng noron tế bào sẽ dóng vai trò quan trọng trong các hệ nano co diện tử. Ta
có th
ể sử dụng các cấu trúc nano thân thiện, các kết nối ( kể cả MEMS và NEMS), và tích
h
ợp các chức nang truyền thông (communication -ví dụ sử dụng các hệ truyền dữ liệu
không dây quang h
ọc MEMS) và chức nang chấp hành (actuation) vào máy tính CNN.
Nhu v
ậy ta sẽ có một hệ nano có khả nang cộng sinh với môi truờng qua các chức nang
c
ảm nhận, tác dộng và truyền thông.
Ảnh huởng của sinh học: Công nghệ CNN duợc bắt nguồn từ hệ noron thần kinh và ngày
càng ti
ếp nhận ảnh huởng của các quy luật xử lý trong các tế bào sinh học. Hiện nay các
m
ạng CNN có co chế họat dộng theo các thuật gen và các thuật toán xử lý theo kiểu phản
ứng của hệ miễn dịch dang duợc nghiên cứu. Các thuật xử lý thị giác, xúc giác và các co

ch
ế khác dang duợc khám phá tạo nên các nguyên lý cho
7
chế tạo các thiết bị co diện tử thay thế các tổ chức nội tạng trong co thể con nguời (mắt,
tim, gan, th
ận nhân tạo v.v )
3. Khả nang ứng dụng của CNN
Các ứng dụng của công nghệ CNN có thể duợc chia thành hai nhóm chính: Các ứng dụng
x
ử lý ảnh tốc dộ cao: Ðây là nhóm ứng dụng chủ yếu trong nhiều linh vực của cuộc sống
mà các h
ệ camera thông thuờng không dáp ứng duợc. 

Các ứng dụng dòi hỏi xử lý dữ liệu lớn trong thời gian thực nhu: Giải phuong trình vi
phân d
ạo hàm riêng (PDE), tạo sóng phi tuyến, xử lý dòng tín hiệu video (On-the-fly
analog video signal processing) v.v….
Một số ứng dụng của mạng CNN theo các linh vực
ứng dụng duợc liệt kê nhu sau:  Trong các ngành công nghiệp: + Phân tích bề mặt
nhãn in, d
ệt, phân tích kết cấu sợi (Texture analysis) tốc dộ cao; Kiểm tra các lỗi và vị trí
l
ỗi của các sản phẩm, các nhãn, rubang, vải ngay trong quá trình sản xuất [6]. + Kiểm tra
b
ề mặt (Surface inspection) trong công nghiệp chế tạo giấy, nhôm, thép. Ví dụ nhu kiểm
tra các ch
ỗ rối, các chỗ rách, hỏng, những chỗ nhan, các vết den của giấy có thể duợc
nh
ận dạng và xác dịnh vị trí trong quá trình sản xuất. Cần nhấn mạnh rằng việc kiểm tra
này này là ki

ểm tra không tiếp xúc + Phát hiện ánh sáng có thời gian tồn tại ngắn (Light
Flicker Detection)
: Dùng khi cần kiểm tra dộ cách diện cho sứ ở diện áp cao, cung nhu
ki
ểm tra xuất hiện tia lửa diện khi dóng diện (Live spark plug inspection). Trong những
lo
ại hình công việc này các camera CNN có thể phân loại tia lửa diện với tốc dộ hon
50.000fps [6].
+ Phân tích hình dáng và kích thuớc (Shape and size Analysis). Kiểm tra,
phân lo
ại số luợng lớn các vật nhỏ, nhu các viên thuốc, hạt ngu cốc, hoa quả, các dai ốc,
dinh
ốc, v.v Trong một mô hình phân tích kiểm tra các viên thuốc dã thử nghiệm tốc dộ
có thể dạt dến 15.000fps. Một ví dụ nữa có thể duợc dua ra là tìm các mảnh vụn kim loại
trong d
ầu bôi tron trong các dộng co máy bay vận tải cỡ lớn. Trong quá trình làm việc, từ
các chi tiết truyền dộng co khí có thể bong ra các mảnh vỡ kim loại. Cần phân biệt các
m
ảnh vỡ này với bọt của dầu chuyển dộng bôi tron và xác dịnh số luợng chúng. Từ dó cho
ra quy
ết dịnh cảnh báo cho hệ thống và quyết dịnh có nên thay dầu hay không. + Giám
sát t
ốc dộ và kích thuớc các vật chuyển dộng tốc dộ cao. + Trong công nghiệp chế tạo ô
tô: Dùng làm các sensor phân tích tình hu
ống trong chế dộ thời gian thực, làm sensor
thông minh di
ều khiển các túi khí bảo vệ, các guong chiếu hậu thông minh.
 Trong y tế: Phân tích thời gian thực chuỗi DNA, diện tâm dồ 2D thời gian thực,
di
ện tâm dồ 3D trực tuyến (on - line), chế tạo mắt nhân tạo (dự kiến 2015 sẽ làm ra

m
ắt nhân tạo sử dụng công nghệ CNN), xúc giác nhân tạo v.v…
 Trong quân sự + Sử dụng trong các thiết bị không nguời lái + Các hệ nhận dạng
bám da m
ục tiêu di dộng: Có thể thực hiện hợp nhất các ảnh từ nhiều nguồn camera
khác nhau trong th
ời gian thực, phát hiện mục tiêu di dộng, nhận dạng da mục tiêu
(
MTT- Multi Target Tracking) [10] trong linh vực giám sát và an ninh. + Phân tích
d
ịa hình (Terrain Analysis) thời gian thực v.v…
4. Một số kết quả nghiên cứu về mạng noron tế bào tại Viện công nghệ thông tin thời
gian qua
Hon một nam qua Viện Công nghệ thông tin dã triển khai các nghiên cứu về công nghệ
mạng noron tế bào trên co sở hợp tác quốc tế qua duờng nghị dịnh thu với Viện nghiên
c
ứu máy tính và tự dộng hóa của Viện Hàn lâm khoa học Hungary (MTA SzTAKI). Với
s
ự hỗ trợ của Viện sỹ Roska Tomás
thuộc phòng thí nghiệm tính toán noron và tuong tự số của Viện SzTAKI và là nguời dồng
phát minh ra máy tính CNN v
ạn nang, Viện Công nghệ thông tin dã tiếp cận và làm chủ
duợc công nghệ CNN mới mẻ này. Các kết quả nghiên cứu dạt duợc thời gian qua tập
trung vào các v
ấn dề sau dây:
Về nghiên cứu co bản: + Nghiên cứu về co sở toán học của mạng noron tế bào CNN, cấu
trúc d
ộng lực học phi tuyến và dộ ổn dịnh toàn cục của mạng CNN. + Nghiên cứu các
m
ẫu ma trận trọng liên kết (A, B, z) phuong pháp thiết kế các mẫu cho mạng CNN +

Nghiên c
ứu các phuong pháp giải phuong trình vi phân dạo hàm riêng sử dụng mạng
noron t
ế bào + Nghiên cứu các phuong pháp thu thập, nhận dạng và bám da mục tiêu di
d
ộng trong thời gian thực sử dụng mạng CNN + Nghiên cứu mô hình mắt nhân tạo +
Nghiên c
ứu các phuong pháp thu thập và xử lý ảnh tốc dộ cao sử dụng máy tính thị giác
Bi-I.
Về nghiên cứu thực nghiệm: + Nghiên cứu các công cụ và phuong pháp lập trình phát
tri
ển các hệ xử lý ảnh tốc dộ cao trên máy tính thị giác CNN Bi-I.V.2 + Nghiên cứu phát
tri
ển các mô hình thu thập ảnh tốc dộ cao > 10000fps phục vụ cho nghiên cứu và dào tạo:
- Mô hình c
ắt mẫu và phân tích tia lửa diện. - Mô hình quan sát quá trình nổ. + Nghiên
c
ứu thử nghiệm quá trình nhận dạng sử lý ảnh tốc dộ cao: - Mô hình nhận dạng lỗi thuốc
viên. - Mô hình nh
ận dạng lỗi duờng sắt. - Mô hình nhận dạng vân tay. + Nghiên cứu các
kh
ả nang ứng dụng công nghệ CNN và Bi-I trong công nghiệp và quốc phòng. Hiện nay
nhóm nghiên c
ứu về công nghệ CNN dã có hon 10 thành viên trong dó có 4 nghiên cứu
sinh dang ti
ến hành các nghiên cứu co bản về công nghệ CNN. Chúng tôi dã tổ chức hội
th
ảo và seminar về công nghệ mới này và dã duợc dông dảo các cán bộ chuyên môn trong
và ngoài vi
ện quan tâm.

5. Kết luận
Mạng noron tế bào dã mở ra một thời dại mới cho sự phát triển của khoa học tính toán.
Ðây là m
ột linh vực khoa học công nghệ mới mẻ dầy triển vọng cho da dạng ứng dụng .
Nghiên c
ứu về mạng noron tế bào cho ta một khả nang khám phá ra các co chế hoạt
d
ộng của các tổ chức trong co thể con nguời và các quy luật sự sống khác. Với sự phát
tri
ển của công nghệ, các ứng dụng của CNN sẽ giải quyết nhiều vấn dề mà các hệ máy
tính hi
ện hành chua giải quyết duợc. Với các tính nang vuợt trội một ngày không xa
công ngh
ệ CNN sẽ thay thế các ứng dụng của các máy tính hiện hành và thâm nhập vào
các h
ệ nhúng, hệ co diện tử tạo nên các sản phẩm và hệ thống thông minh phi thuờng
9
Tài liệu tham khảo [1] Leon O. Chua and Tamás Roska Cellular Neural Networks and
Visual computing: Founditions and Applications.
Cambridge University Press 2002. [2]
Chua, L.O.and L.Yang
Cellular Neural Networks: Theory IEEE Transactions on Circuits
and Systems, 35, pp.1257 – 72, 1988. [3] Chua, L.O and L.Yang
Cellular Neural
Networks: Applications
IEEE Transactions on Circuits and Systems, 35, pp.1273-90,
1988. [4] Tamás Roska
Cellular Wave Computers for Brain–like Spatial–Temporal
Sensory Computing
IEEE Circuits and Systems Magazine, pp. 5-19, Second Quarter

2005. [5] Chua, L.O
The CNN Paradigm. IEEE Transactions on Circuits and Systems,
Vol. 40, No.3, pp.147-156, 1993. [6] Ákos Zarándy and Csaba Rekeczky
Bi-I: A
Standalone Ultra High Speed Cellular Vision System.
IEEE Circuits and Systems
Magazine pp 36-45, Second Quarter 2005. [7] Tamás Roska
Computatiomal and
Computer Complexity of Analogic Cellular Wave Computer.
Journal of Circuits, Systems
and Computers Vol., 12.pp.539-562,2003. [8] T. Roska, L.O.Chua, D. Wolf. T. Kozek,
R.Tetzlaff and F.Duffer
Simulating Nonlinear Waves and Partical Differential Equations
via CNN- Part I: Basic Techniques.
IEEE Trans.on Circuits and Systems: Fundamental
Theory and Applications Vol., 42, No.10, pp.807-815, 1995. [9] T. Roska, L.O.Chua, D.
Wolf. T. Kozek, R.Tetzlaff and F.Duffer
Simulating Nonlinear Waves and Partical
Differential Equations via CNN Typical Examples. -Part II:
IEEE Trans.on Circuits and
Systems: Fundamental Theory and Applications Vol., 42, No.10, pp.816-820, 1995. [10]
Gargely Timár and Csaba Rekeczky
A Real – Time Multi Target Tracking System With
Robust Multi Channel CNN – UM Algorithms.
IEEE Trans.on Circuit and Systems:
Regular Paper Vol., 52, No.7, pp. 1358 – 1371, July 2005. [11] Tr
ần Việt Phong, Phạm
Thu
ợng Cát Một số nghiên cứu về mô hình phỏng sinh học trong linh vực thị giác nhân
t

ạo Báo cáo tại Hội nghị Co diện tử toàn quốc lần thứ 3, Hà nội 10/2006. [12] Phạm Ðức
Long, Ph
ạm Thuợng CátỨng dụng công nghệ CNN (Cellular Neural Network) trong kiểm
tra nhanh du
ờng sắt. Báo cáo tại Hội nghị Co diện tử toàn quốc lần thứ 3, Hà nội
10/2006. [13] Leon O. Chua, Tamás Roska and Péter L. Venetianer
The CNN is
Universal as the Turing Machine
IEEE Trans.on Circuits and Systems: Fundamental
Theory and Applications Vol., 40, No.4, pp.289-291, 1993.
10
Cellular Neural Networks and Potential Applications in Mechatronics
Ph
ạm Thuong Cát Institute of Information Technology, Vietnam Academy of
Science and Technology
Abstract
:
E-mail:

Cellular Neural Network (CNN) is an emerging technology that is opening a new
world in computer science. CNN provides solutions to many areas which the present
day classical computers can not. We overview and discus this new technology in
five parts of this paper. In the first part, the concept, mathematical description of
CNN and development of CNN Universal Machine of flows is introduced. In the
second part of the paper some actual CNN research problems are overviewed
including the perspective areas related to mechatronics and nano technology. The
possible applications of CNN technology is reported in the part 3. Part 4 gives some
results of on going CNN project at the Institute of Information Technology of
Vietnam Academy of Science and Technology. Finally some conclusion remarks
and references are given in part 5.

11