Symulacje geometrycznych sieci neuronowych w środowisku rozproszonym

Podobne dokumenty
Obszary strukturalne i funkcyjne mózgu

draft Prawa bezskalowe w grafach przepływu informacji dla geometrycznych sieci neuronowych, symulacje w środowisku współbieżnym

Prawa potęgowe w grafach przepływu informacji dla geometrycznych sieci neuronowych

Statystyki teoriografowe grafów funkcjonalnych w sieciach neuronowych

Grafy Alberta-Barabasiego

Wstęp do sieci neuronowych, wykład 12 Wykorzystanie sieci rekurencyjnych w optymalizacji grafowej

Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda

Wstęp do sieci neuronowych, wykład 10 Sieci rekurencyjne. Autoasocjator Hopfielda

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa

Wstęp do sieci neuronowych, wykład 8 Uczenie nienadzorowane.

Modelowanie sieci złożonych

Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane cd.

Wstęp do sieci neuronowych, wykład 10 Sieci rekurencyjne. Autoasocjator Hopfielda

Spontaniczna struktura bezskalowa w grafach przepływu impulsów dla rekurencyjnych sieci neuronowych

Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane.

Podanym określeniom przyporządkuj wskaźnik bibliometryczny. Wskaźnik oceny czasopism. Wskaźnik oceny czasopism. Wskaźnik oceny czasopism

POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH

Algorytmy stochastyczne laboratorium 03

Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3

Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane.

Przejście fazowe w sieciach złożonych w modelu Axelroda

Algorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne

Warsztaty metod fizyki teoretycznej

MATEMATYKA DYSKRETNA - MATERIAŁY DO WYKŁADU GRAFY

Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)

Prawdopodobieństwo i statystyka r.

Podstawowe własności grafów. Wykład 3. Własności grafów

Reprezentacje grafów nieskierowanych Reprezentacje grafów skierowanych. Wykład 2. Reprezentacja komputerowa grafów

Nierówności macierzowe

Przykłady grafów. Graf prosty, to graf bez pętli i bez krawędzi wielokrotnych.

Uczenie sieci neuronowych i bayesowskich

Michał Kozielski Łukasz Warchał. Instytut Informatyki, Politechnika Śląska

Drzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II

Systemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa

PageRank. Bartosz Makuracki. 28 listopada B. Makuracki PageRank

Geometryczna zbieżność algorytmu Gibbsa

Wprowadzenie do pulsujących sieci neuronowych

Systemy uczące się Lab 4

Algorytmika Problemów Trudnych

Najprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;

Równowaga Heidera symulacje mitozy społecznej

Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.

Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.

Problem komiwojażera ACO. Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym.

Wprowadzenie do Sieci Neuronowych Laboratorium 05 Algorytm wstecznej propagacji błędu

Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie

Wykładnicze grafy przypadkowe: teoria i przykłady zastosowań do analizy rzeczywistych sieci złożonych

Wstęp do sieci neuronowych, wykład 15, Neuron Hodgkina-Huxleya

SKOJARZENIA i ZBIORY WEWN. STABILNE WIERZCH. Skojarzeniem w grafie G nazywamy dowolny podzbiór krawędzi parami niezależnych.

Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.

Algorytmy równoległe. Rafał Walkowiak Politechnika Poznańska Studia inżynierskie Informatyka 2010

Detekcja motywów w złożonych strukturach sieciowych perspektywy zastosowań Krzysztof Juszczyszyn

Testowanie hipotez statystycznych. Wprowadzenie

Historia Rachunku Prawdopodobieństwa i Statystyki WYKŁAD VII: Ronald Fisher. Statystyka Matematyczna jako oddzielna dyscyplina

Kujawsko-Pomorskie Centrum Edukacji Nauczycieli w Bydgoszczy PLACÓWKA AKREDYTOWANA KLUCZ PUNKTOWANIA ZADAŃ ZAMKNIĘTYCH

Harmonogramowanie przedsięwzięć

SPOTKANIE 9: Metody redukcji wymiarów

Hierarchiczna analiza skupień



Sortowanie topologiczne skierowanych grafów acyklicznych

Próbny egzamin maturalny z matematyki Poziom rozszerzony

INSTRUKCJE REPETYCYJNE PĘTLE

Wersja testu A 18 czerwca 2009 r.

Drzewa. Jeżeli graf G jest lasem, który ma n wierzchołków i k składowych, to G ma n k krawędzi. Własności drzew

Elementy inteligencji obliczeniowej

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka ADALINE.

Wstęp do sieci neuronowych, wykład 14 Maszyna Boltzmanna

Wprowadzenie do sieci neuronowych i zagadnień deep learning

Algorytmy metaheurystyczne Wykład 11. Piotr Syga

Jądrowe klasyfikatory liniowe

ZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW

PRÓBNY EGZAMIN MATURALNY

Graf. Definicja marca / 1

Prawdopodobieństwo i statystyka

Algorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny

WYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA

Nowy generator grafów dwudzielnych

Struktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott

Strategie kwantowe w teorii gier







Kolorowanie wierzchołków

Przejścia fazowe w uogólnionym modelu modelu q-wyborcy na grafie zupełnym

Obliczenia Naturalne - Algorytmy Mrówkowe

Macierz o wymiarach m n. a 21. a 22. A =

Algorytmy mrówkowe (ang. Ant Colony Optimization)

Gramatyki grafowe. Dla v V, ϕ(v) etykieta v. Klasa grafów nad Σ - G Σ.

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.

Podstawy Sztucznej Inteligencji (PSZT)

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych

Obliczenia inspirowane Naturą

Transkrypt:

Symulacje geometrycznych sieci neuronowych w środowisku rozproszonym Jarosław Piersa, Tomasz Schreiber {piersaj, tomeks}(at)mat.umk.pl 2010-07-21

1 2

Dany podzbiór V R 3. N neuronów należących do V N Poiss(c V ) Każdy neuron n i jest opisany poprzez: współrzędne w R 3 (x, y, z) iid U V ładunek k i połączenia synaptyczne do innych neuronów P((n i, n j ) E) wagi połączeń w ij iid N(0, σ 2 ) 1 d(n i, n j ) α

Funkcja energetyczna 20 15 E = i,j k i k j w i,j 10 5 E min 0 20 15 10 5 0 0 5 10 15 20

Wylosuj parę neuronów n i, n j połączonych krawędzią. Jeżeli k i = 0 powtórz losowanie. Jeżeli przeniesienie jednej jednostki ładunku z n i do n j zmniejsza energię to zaakceptuj tę zmianę (k i = k i 1; k j = k j + 1). W przeciwnym wypadku zaakceptuj zmianę z prawdopodobieństwem równym P = exp ( β E) gdzie β 0, E jest zmianą energii. Powtarzaj kroki 1..4 jak długo zachodzą zmiany.

Dla konkretnego węzła: C(v) = 2Ev k v (k v 1) k v ilość krawędzi incydentnych z v E v ilość krawędzi w podgrafie obciętym do {u : (u, v) E} grafu: CC = 1 N v C(v)

Rozkład CC W podziałce loglog 0.02 CC distribution 10-1 CC distribution 0.015 10-2 freq 0.01 freq 10-3 0.005 10-4 0 0 0.2 0.4 0.6 0.8 1 CC 10-5 CC 10 0

w modelu ER każda krawędź jest dodana niezależnie z prawdopodobieństwem p ˆp = E V ( V 1)/2 dla V = 95261 oraz E 6.7 10 6 mamy ˆp = 0.00148 sąsiedztwo v może mieć maksymalnie k v krawędzi, z których średnio p k v jest w grafie C v średnio wyniesie p kv k v = p wartość oczekiwana CC wyniesie również p CC ER 0.00148

język C++ biblioteka pthread testowane na Core 2 Quad 2GHz, 1-4 wątki 6 mutexów na rejestry sieci neuronowej mutex na każdy neuron liczne obszary krytyczne symulacji (energia, listy krawędzi, listy neuronów, liczniki iteracji, czasomierze...)

12000 10000 th 1 th 2 th 3 th 4 3.5e+07 3e+07 2.5e+07 8000 neuron id 6000 domain 2e+07 1.5e+07 4000 1e+07 2000 5e+06 0 0 2000 4000 6000 8000 10000 12000 0 0 1 2 3 4 5 neuron id thread for (int i=0< i<n-1; i++) for (int j=i+1< j<n; j++) if (rand() < g(dist(n(i), n(j)))) addedge(i,j);

12000 th 1 th 2 th 3 th 4 2e+07 10000 1.5e+07 8000 neuron id 6000 domain 1e+07 4000 5e+06 2000 0 0 0 1 2 3 4 5 0 2000 4000 6000 8000 10000 12000 thread neuron id

Symulacja for (int i=0; i<iterations; i++) simulateonestep(); Th 1 {n 11, n 12 }... Th k {n k1, n k2 } ( k 2 P( i j {n i1, n i2 } {n j1, n j2 } ) ) n(n 1)(n (n 2k + 2) ( n k = 2) ( k ) 2 (n 2k 1 + o(n 2k 2 )) n 2k + o(n 2k 2 k2 ) n

Symulacja (... ) pthread mutex lock(& m u t e x e n e r g i a ) ; e n e r g i a += zmiana ; pthread mutex unlock(& m u t e x e n e r g i a ) ; pthread mutex lock(& m u t e x i l o s c Z m i a n P r z y j e t y c h ) ; i l o s c E f e k t y w n y c h Z m i a n++; i f ( zmiana >0) ilosczmianpodgore++; pthread mutex unlock(& m u t e x i l o s c Z m i a n P r z y j e t y c h ) ; pthread mutex lock(& m u t e x n r I t e r a c j i ) ; o s t a t n i a Z m i a n a = ++n r I t e r a c j i ; pthread mutex unlock(& m u t e x n r I t e r a c j i ) ; (... )

Symulacja 400 350 300 12k Neurons 100000 80000 time (mins) 250 200 150 iterations per second 60000 40000 100 20000 50 0 0 1 2 3 4 5 0 0 1 2 3 4 5 threads threads

Symulacja

Bibliografia R. Albert, A. L. Barabasi, Statistical mechanics of complex networks, Reviews of modern physics, Vol 74, January 2002 E. Bullmore, O. Sporns, Complex brain networks: graph theoretical analysis of structural and functional systems, Nature Reviews, Neuroscience, vol 10, March 2009 V. Eguıluz, D. Chialvo, G. Cecchi, M. Baliki, V. Apkarian Scale-Free Brain Functional Networks, Physical Review Letters, PRL 94 018102, JAN 2005, F. Piekniewski, Spontaneous scale-free structures in spike flow graphs for recurrent neural networks, Ph.D. dissertation, Warsaw University, Warsaw, Poland, 2008, F. Piekniewski and T.Schreiber, Spontaneous scale-free structure of spike flow graphs in recurrent neural networks, Neural Networks vol. 21, no. 10, pp. 1530-1536, 2008

Praca współfinansowana ze środków Europejskiego Funduszu Społecznego i Budżetu Państwa w ramach Zintegrowanego Programu Operacyjnego Rozwoju Regionalnego, Działania 2.6 Regionalne Strategie Innowacyjne i transfer wiedzy projektu własnego Województwa Kujawsko-Pomorskiego Stypendia dla doktorantów 2008/2009 ZPORR