Реєстраційний номер
0824U002754, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
01-10-2024
Статус
Захищена
Назва роботи
Методи автоматизованого проєктування програм для класів архітектур високопродуктивних обчислень
Здобувач
Мамедов Турал Алірзайович,
Керівник Дорошенко Анатолій Юхимович
Опонент Стеценко Інна Вячеславівна
Опонент Летичевський Олександр Олександрович
Рецензент Іваненко Павло Андрійович
Рецензент Рагозін Дмитро Васильович
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Інститут програмних систем Національної академії наук України
Опис
Звіт до дисертації: 164 сторінки, 4 розділи, 2 таблиці, 13 рисунків, 5 додатків, 135 джерел.
Ключові слова: оптимальна стратегія, моделювання, система, автоматичне проєктування програм, автотьюнінг, згорткова нейронна мережа, програмне моделювання, формальна модель, симуляція, автоматизація, штучний інтелект, нейронні мережі, висока ефективність, алгебро-алгоритмічні моделі, програмовані логічні інтегральні схеми.
Об’єктом дослідження є процеси автоматизації самоналаштування та проєктування .NET програм та нейронних мереж на ПЛІС для реалізацій високопродуктивних обчислень класів архітектур.
Предметом дослідження є система автоматизації налаштування та генерації програм для різних платформ та ПК.
Метою роботи є розробка інструментальних засобів для підвищення ефективності програм для класів архітектур високопродуктивних обчислень.
Дисертація має таку наукову новизну:
• Вперше розроблено метод автоматизованого проєктування і генерації програм на основі алгебро-алгоритмічних моделей, що спрощує та прискорює розробку та застосування нейронних мереж для класів архітектур програмованих логічних інтегральних схем (ПЛІС) та TensorFlow.
• Вперше розроблено метод генерування нейронних мереж для навчання з підкріпленням на мові VHDL для пристроїв ПЛІС та роботи з фреймворками нейроеволюції наростаючої топології на основі розроблених алгебро-алгоритмічних моделей, що дає можливість автоматизації цього процесу за допомогою інтегрованого інструментарію проєктування та синтезу програм (ІПС).
• Набув подальшого розвитку метод автоматизації трансляції нейронних мереж для платформи TensorFlow та її подальшого проєктування на ПЛІС за рахунок розробки відповідних формальних специфікацій.
• Набула подальшого розвитку теоретична модель системи переписувальних правил TermWare шляхом введення правил для мови термів, що дозволяє генерувати коректну та високопродуктивну програму на основі статичного аналізу витоку ресурсів та оптимізації швидкодії для програм на платформі .NET.
Теоретичні та практичні результати дисертації. Існуючі методи самоналаштування .NET-програм, як виявилося, здебільшого спираються на компіляторні оптимізації або є негнучкими, застосовуючись лише в окремих випадках. Проте, використання переписувальних правил для самоналаштування програм дозволяє створювати високопродуктивний код. Дослідження показали, що цей підхід перевершує Eazfuscator.NET на 14,63% у задачі клітинного автомату «Гра життя».
Важливим досягненням стало впровадження статичного аналізу для виявлення витоків ресурсів за допомогою переписувальних правил на платформі .NET. Це дозволило чітко визначити специфікації для перевірки проблем відкритих-закритих файлів та інших типів витоків ресурсів.
Запропоновано також метод автоматизованого проєктування та генерації програм, який базується на алгебро-алгоритмічних моделях. Він значно спрощує і прискорює розробку нейронних мереж для програмованих логічних інтегральних схем.
Окрім того, було розширено Інтегрований інструментарій проєктування та синтезу програм (ІПС), який використовує алгебро-алгоритмічний підхід та САА-моделі, для генерації високопродуктивного коду мовою VHDL для задачі балансування кульки. Це ж розширення було використано для методу нейроеволюції наростаючої топології та задачі балансування маятника.
Наостанок, виявлено, що існуючі системи для генерації високопродуктивного коду для ПЛІС є негнучкими і пристосованими до окремих пристроїв. В результаті було створено систему трансляції нейронної мережі, яка згенерована за допомогою методу нейроеволюції наростаючої топології, у TensorFlow та ПЛІС серії Xilinx та Intel.
Дата реєстрації
2024-07-26
Додано/оновлено в НРАТ
2024-09-10 / 2026-07-01
