횡적 컴퓨팅

Lateral computing

측면 컴퓨팅은 컴퓨팅 문제를 해결하기 위한 측면적인 사고방식이다.측면 사고는 에드워드 드 보노에 의해 인기를 끌었다.[1]이 사고 기법은 창의적인 아이디어를 창출하고 문제를 해결하기 위해 적용된다.마찬가지로, 문제에 측면 컴퓨터 기법을 적용함으로써, 계산적으로 저렴하고, 구현하기 쉬우며, 효율적이고, 혁신적이거나, 파격적인 솔루션에 도달하는 것이 훨씬 쉬워질 수 있다.

컴퓨팅 문제를 해결하기 위한 전통적인 또는 전통적인 접근방식은 수학 모델을 구축하거나 IF- 그렇다면 -ELSE 구조를 갖는 것이다.예를 들어, 많은 체스 엔진에서 무차별적인 검색이 사용되지만,[2] 이러한 접근법은 계산적으로 비용이 많이 들고 때로는 좋지 않은 해결책에 도달할 수도 있다.측면 컴퓨팅이 더 나은 솔루션을 형성하는 데 유용할 수 있다는 것은 이와 같은 문제를 위한 것이다.

트럭 백업의 간단한 문제는 측면 컴퓨터를[clarification needed] 설명하는데 사용될 수 있다.[citation needed]이것은 전통적인 컴퓨팅 기법에 있어 어려운 과제 중 하나이며, 퍼지 논리(횡방향 컴퓨팅 기법)를 사용함으로써 효율적으로 해결되었다.[citation needed]측면컴퓨팅은 때때로 인간, 개미, 꿀벌과 같은 생명체가 어떻게 문제를 해결하는지, 어닐링에 의해 순수한 결정이 어떻게 형성되는지, 또는 생물체나 양자역학 등에 대한 모델을 사용함으로써 특정한 계산 문제에 대한 새로운 해결책에 도달한다.[clarification needed]

측면 사고에서 측면 컴퓨터에 이르기까지

측면 사고는 문제를 해결하기 위한 창의적인 사고를 위한 기술이다.[1]사고의 중심으로서의 뇌는 스스로 조직화된 정보 시스템을 가지고 있다.그것은 패턴을 창조하는 경향이 있고 전통적인 사고 과정은 문제를 해결하기 위해 패턴을 이용한다.수평적 사고 기법은 새로운 아이디어를 통해 더 나은 해결책에 도달하기 위해 이 패턴에서 탈출할 것을 제안한다.정보처리의 자극적인 사용은 측면 사고의 기본 원칙이다.

도발적인 운영자(PO)는 측면 사고를 특징짓는 것이다.도발로 새로운 아이디어를 창출하고 낡은 아이디어에서 탈출로를 제공하는 것이 기능이다.그것은 정보의 잠정적인 배치를 만든다.

물 논리는 전통적인 논리나 암석 논리와 대비된다.[3]물 논리에는 상황과 조건에 따라 달라지는 경계가 있는 반면 암석 논리는 경계가 단단하다.물 논리는, 어떤 면에서는, 퍼지 논리와 유사하다.

횡방향 컴퓨팅으로의 전환

측면 컴퓨팅은 측면 사고와 유사한 정보 처리를 도발적으로 이용한다.이것은 매우 유용한 측면 컴퓨터 기술인 진화 컴퓨팅의 사용으로 설명된다.진화는 변화와 선택에 의해 진행된다.무작위 돌연변이가 변화를 제공하는 반면, 선택은 적자생존을 통한 것이다.무작위 변이는 자극적인 정보 처리로 작용하며 컴퓨팅 문제에 대한 더 나은 해결책을 도출하는 새로운 길을 제공한다."측면 컴퓨팅"이라는 용어는 CR SUTHIKSHN 쿠마르 교수가 처음 제안했으며, 2004년 12월 제1회 수평 컴퓨팅 WCLC 세계 총회는 국제 참가자들과 함께 조직되었다.

측면 컴퓨팅은 다음과 같은 실제 사례를 통해 유사점을 취한다.

  • 고온 기체 상태의 느린 냉각이 순수 결정(안네일링)을 만드는 방법
  • 뇌의 신경망이 어떻게 얼굴이나 음성 인식과 같은 문제들을 해결하는지
  • 개미와 꿀벌과 같은 단순한 곤충들이 어떻게 몇 가지 복잡한 문제를 해결하는지
  • 분자 생물 형태로부터의 인간의 진화가 진화 컴퓨팅에 의해 어떻게 모방되는가.
  • 어떻게 살아있는 유기체가 질병으로부터 자신을 방어하고 상처를 치유하는가?
  • 그리드에 의해 전기를 분배하는 방법

"측면 컴퓨팅"의 차별화 요소:

  • 수학적 수단을 통해 문제에 직접 접근하지 않는다.
  • 문제를 해결하기 위해 간접 모델을 사용하거나 유사점을 찾는다.
  • 광학 컴퓨팅에서 "포톤"을 컴퓨팅에 사용하는 등, 유행하고 있는 것과 근본적으로 다르다.대부분의 재래식 컴퓨터가 신호를 전달하기 위해 전자를 사용하기 때문에 이것은 드문 일이다.
  • 때때로 횡방향 컴퓨팅 기술은 놀라울 정도로 단순하고 매우 복잡한 문제에 고성능 솔루션을 제공한다.
  • 가로 방향 컴퓨팅의 일부 기법은 "설명되지 않은 점프"를 사용한다.이러한 점프는 논리적으로 보이지 않을 수 있다.유전자 알고리즘에 "Mutation" 연산자를 사용하는 것이 그 예다.

컨벤션 – 측면

전통적인 컴퓨팅과 측면 컴퓨팅 사이에 명확한 경계를 긋는 것은 매우 어렵다.일정 기간 동안, 일부 파격적인 컴퓨팅 기술은 메인스트림 컴퓨팅의 필수적인 부분이 되었다.따라서 기존 컴퓨팅과 측면 컴퓨팅 사이에는 항상 중첩이 있을 것이다.그림과 같이 컴퓨팅 기법을 전통적인 또는 측면의 컴퓨팅 기법으로 분류하는 것은 어려운 작업이 될 것이다.경계가 모호하고 퍼지 집합으로 접근할 수 있다.

형식 정의

측면 컴퓨팅은 기존의 컴퓨터 접근법을 사용하는 모든 컴퓨터 기법의 모호한 집합이다.따라서 측면 컴퓨팅은 반관습적 또는 하이브리드 컴퓨팅을 사용하는 기법을 포함한다.수평적 컴퓨팅 기법의 회원의 정도는 관습에 얽매이지 않는 컴퓨터 기법의 퍼지 집합에서 0보다 크다.

다음은 측면 컴퓨팅에 대한 몇 가지 중요한 차별화 요소를 제시한다.

재래식 컴퓨팅
  • 그 문제와 기술은 직접적으로 연관되어 있다.
  • 엄격한 수학적 분석으로 문제를 처리한다.
  • 수학 모델을 만든다.
  • 컴퓨팅 기법은 수학적으로 분석할 수 있다.
횡적 컴퓨팅
  • 그 문제는 사용된 컴퓨터 기법과 거의 관련이 없을 것이다.
  • 인간 정보 처리 모델, 어닐링 등 유사점에 의한 문제 접근.
  • 때때로 계산 기법은 수학적으로 분석될 수 없다.

수평 컴퓨팅 및 병렬 컴퓨팅

병렬 컴퓨팅은 여러 컴퓨팅 요소(처리 요소 등)의 사용을 통해 컴퓨터/알고리즘의 성능을 향상시키는 데 초점을 맞춘다.[4]여러 가지 컴퓨팅 요소를 사용하여 컴퓨팅 속도를 향상시킨다.병렬 컴퓨팅은 전통적인 순차 컴퓨팅의 확장이다.그러나 가로 컴퓨팅에서는 순차 컴퓨팅이든 병렬 컴퓨팅이든 파격적인 정보 처리를 통해 문제를 해결한다.

측면 컴퓨터 기법의 검토

가로 컴퓨팅 패러다임에 맞는 몇 가지 컴퓨팅 기법이 있다.다음은 일부 측면 컴퓨팅 기법에 대한 간략한 설명:

군집 지능

군집 지능(SI)은 (정밀하지 않은) 요원들의 집단 행동이 그들의 환경과 국소적으로 상호작용함으로써 일관성 있는 기능적 글로벌 패턴이 나타나게 하는 시스템의 속성이다.[clarification needed][5]SI는 중앙집중식 제어나 글로벌 모델의 제공 없이도 집단적(또는 분산된) 문제 해결을 모색할 수 있는 근거를 제공한다.

한 가지 흥미로운 군집 지능 기술은 개미 군집 알고리즘이다.[6]

  • 개미는 행동적으로 세련되지 못하다. 집합적으로 그들은 복잡한 일을 한다.개미는 정교한 수화 기반 통신을 발달시켰다.
  • 개미는 페로몬을 사용하여 의사소통한다; 다른 개미들이 따라갈 수 있는 오솔길들이 놓여 있다.
  • 라우팅 문제 개미들은 소스에서 목적지까지의 "가장 짧은" 경로를 계산하는 데 사용되는 서로 다른 페로몬을 떨어뜨린다.

에이전트 기반 시스템

에이전트는 어떤 환경에 위치하고 설계 목표를 달성하기 위해 해당 환경에서 유연하고 자율적인 조치가 가능한 캡슐화된 컴퓨터 시스템이다.[clarification needed][7]대리인은 자율적(독립적, 통제할 수 없음), 반응적(사건에 대응), 능동적(자신의 의지에 의한 개시적 행동), 사회적(소통적)으로 간주된다.에이전트는 능력이 다양하다: 정적이거나 이동성이 있거나 지능적일 수 있거나 그렇지 않을 수 있다.각 에이전트는 고유한 태스크 및/또는 역할을 가질 수 있다.에이전트, 그리고 다중 에이전트 시스템은 복잡한 분산 과정을 모델링하는 비유로 사용된다.그러한 에이전트는 상호의존성을 관리하기 위해 항상 서로 상호작용을 할 필요가 있다.이러한 상호작용은 에이전트들이 서로 협력하고 협상하고 조정하는 것을 포함한다.

에이전트 기반 시스템은 비즈니스 시스템의 구성요소를 나타내는 가상의 "에이전트"를 통해 다양한 복잡한 현상을 시뮬레이션하려는 컴퓨터 프로그램이다.이들 에이전트의 행동은 비즈니스가 어떻게 이루어지는지를 사실적으로 묘사하는 규칙으로 프로그램되어 있다.널리 다양한 개별 대리점들이 모델 내에서 상호작용함에 따라, 시뮬레이션은 그들의 집단 행동이 성공적인 제품이나 최적의 일정의 출현과 같은 전체 시스템의 성능을 어떻게 좌우하는지 보여준다.이러한 시뮬레이션은 "what-if" 시나리오 분석을 위한 강력한 전략적 도구로, 관리자가 에이전트 특성이나 "규칙"을 변경함에 따라 변경의 영향을 모델 출력에서 쉽게 확인할 수 있다.

그리드 컴퓨팅

유추적으로 계산 그리드는 신뢰할 수 있고, 일관되며, 널리 보급되고, 저렴하게 하이엔드 계산 기능에 액세스할 수 있는 하드웨어 및 소프트웨어 인프라다.[8]그리드 컴퓨팅의 적용 분야는 다음과 같다.

  • 칩 설계, 암호 문제, 의료기기, 슈퍼컴퓨팅.
  • 분산형 슈퍼컴퓨팅 애플리케이션은 그리드를 사용하여 상당한 계산 자원을 취합하여 단일 시스템에서 해결할 수 없는 문제를 해결한다.

자율 컴퓨팅

주요 기사:자율 컴퓨팅

자율신경계는 우리의 심장 박동수와 체온을 조절하며, 따라서 우리의 의식적인 뇌는 이것들과 많은 다른 낮은 수준이지만 중요한 기능들을 다루어야 하는 부담으로부터 자유로워진다.자율 컴퓨팅의 본질은 자기 관리인데, 그 목적은 시스템 운영과 유지보수의 세부사항으로부터 시스템 관리자를 자유롭게 하는 것이다.[9]

자율 컴퓨팅의 네 가지 측면:

  • 자체 구성
  • 자기최적화
  • 자가 치유
  • 자기 보호

이것은 IBM이 추진한 거창한 도전이다.[10]

광학 컴퓨팅

광학 컴퓨팅은 기존의 전자보다 광자를 컴퓨팅에 사용하는 것이다.[11]광학컴퓨터를 성공적으로 사용한 사례는 꽤 있다.[clarification needed]기존의 논리 게이트는 반도체를 사용하며, 반도체는 전자를 사용하여 신호를 전송한다.광학 컴퓨터의 경우, 광선에 있는 광자를 사용하여 계산한다.

전자파 간섭에 대한 내성, 큰 대역폭 등 계산에 광학 소자를 사용하면 많은 장점이 있다.

DNA 컴퓨팅

DNA 컴퓨팅은 DNA 가닥을 사용하여 문제의 예를 인코딩하고, 문제의 해결책이 존재하는 경우 선택하는 작업을 시뮬레이션하기 위해 모든 분자생물학 실험실에서 공통적으로 이용할 수 있는 기법을 사용하여 이를 조작한다.

DNA 분자도 코드지만 예측 가능한 방식으로 짝을 이루는 4개의 염기서열로 이루어져 있기 때문에 많은 과학자들은 분자 컴퓨터를 만들 가능성에 대해 생각해 왔다.[clarification needed]이 컴퓨터들은 DNA 뉴클레오티드의 훨씬 빠른 반응에 의존하는데, 이것은 오늘날 가장 빠른 PC보다 1,000억배 빠른 새로운 세대의 컴퓨터를 만들 수 있는 엄청난 잠재력을 가지고 있는 짐승 같은 힘 방법이다.DNA 컴퓨팅은 "진정한 나노기술의 첫 사례"[citation needed]로, 심지어 컴퓨터 과학과 생명 과학 사이의 전례 없는 연결고리를 구축한 "새로운 시대의 시작"[citation needed]으로 예고되었다.

DNA 컴퓨팅의 적용 예는 알려진 NP[clarification needed] 완결문제인 해밀턴 경로 문제에 대한 해결책에 있다.DNA를 사용한 필요한 실험실 운영의 수는 그래프의 정점 수에 따라 선형적으로 증가한다.[clarification needed][12]암호화 문제를 다항식 수 단계로 해결하는 분자 알고리즘이 보고되었다.알려진 바와 같이, 많은 수의 숫자를 고려하는 것은 많은 암호 어플리케이션에서 관련된 문제다.

양자 컴퓨팅

양자 컴퓨터에서는 정보의 기본 단위(양자 비트 또는 쿼비트라고 불림)가 이진이 아니라 오히려 자연에서 더 쿼터제다.[13][14]이 쿼비트 속성은 고전 물리학의 법칙과 근본적으로 다른 양자역학의 법칙을 고수하는 직접적인 결과로 발생한다.쿼빗은 고전 비트처럼 논리적 상태 0 또는 1에 해당하는 상태뿐만 아니라 이러한 고전적 상태의 혼합 또는 양자 중첩에 해당하는 상태에서도 존재할 수 있다.즉, 쿼빗은 0, 1 또는 0과 1 둘 다로 존재할 수 있으며, 숫자 계수는 각 상태의 확률을 나타낸다.양자 컴퓨터는 일련의 양자 게이트를 실행함으로써 퀘빗을 조작하는데, 각각은 하나의 퀘빗이나 쌍의 퀘빗에 작용하는 하나의 단일 변환이다.이러한 관문을 연속적으로 적용함에 있어서 양자 컴퓨터는 어떤 초기 상태에서는 복잡한 단일 변환을 쿼트 집합으로 수행할 수 있다.

재구성 가능한 컴퓨팅

현장 프로그래머블 게이트 어레이(FPGA)는 진정한 재구성이 가능한 컴퓨터 구축을 가능하게 하고 있다.[15]컴퓨터 아키텍처는 FPGA 회로의 즉각적인 재구성에 의해 변형된다.아키텍처와 알고리즘의 최적 매칭은 재구성 가능한 컴퓨터의 성능을 향상시킨다.핵심 특징은 하드웨어 성능과 소프트웨어 유연성이다.

지문 일치, DNA 시퀀스 비교 등과 같은 여러 응용 프로그램의 경우, 재구성 가능한 컴퓨터는 기존 컴퓨터보다 몇 배의 성능을 발휘하는 것으로 나타났다.[16]

시뮬레이션 어닐링

시뮬레이션 어닐링 알고리즘은 시스템이 천천히 냉각되는 동안 가열된 기체 상태에서 순수 결정체가 어떻게 형성되는지를 살펴봄으로써 설계된다.[17]컴퓨팅 문제는 시뮬레이션된 어닐링 연습으로 재설계되어 해결책이 도출된다.시뮬레이션된 어닐링의 작동 원리는 금속 조각이 가열되고(원자가 열 동요를 일으키며), 그리고 나서 금속이 천천히 식도록 내버려둔다는 야금성에서 차용된다.금속의 느리고 규칙적인 냉각은 원자가 가장 안정적인 위치("최소 에너지")로 점진적으로 미끄러지도록 한다. (급속 냉각은 그 당시 그들이 어떤 위치에 있었든 원자를 "동결시킬" 것이다.)그 결과 금속의 구조는 더 강하고 안정적이다.컴퓨터 프로그램 안에서 어닐링의 과정을 시뮬레이션함으로써, 어렵고 매우 복잡한 문제들에 대한 해답을 찾을 수 있다.이 프로그램은 금속 블록의 에너지를 최소화하거나 그 강도를 최대화하는 대신에 당면한 문제와 관련된 어떤 객관성을 최소화하거나 최대화한다.

소프트 컴퓨팅

"측면 컴퓨터"의 주요 구성 요소 중 하나는 인간 정보 처리 모델의 문제에 접근하는 소프트 컴퓨팅이다.[18]소프트 컴퓨팅 기법은 퍼지 논리, 신경 컴퓨팅, 진화 컴퓨팅, 기계 학습 및 확률론적 컴퓨팅으로 구성된다.

신경 컴퓨팅

그것의 비선형 방정식 모델을 만들어 문제를 해결하는 대신, 생물학적 신경망 유추를 통해 문제를 해결한다.[19]신경망은 주어진 문제를 해결하기 위해 인간의 두뇌처럼 훈련된다.이러한 접근방식은 패턴 인식 문제 중 일부를 해결하는데 매우 성공적이 되었다.

진화 컴퓨팅

유전자 알고리즘(GA)은 보편적 최적화를 제공하기 위한 자연적 진화를 닮았다.[20]유전 알고리즘은 다양한 용액을 나타내는 염색체의 개체군에서 시작한다.이 솔루션은 피트니스 기능을 사용하여 평가되며, 선택 프로세스는 경기 과정에 사용할 솔루션을 결정한다.이러한 알고리즘은 검색 및 최적화 문제를 해결하는 데 매우 성공적이다.새로운 해결책은 돌연변이와 크로스오버와 같은 진화 원리를 이용하여 만들어진다.

퍼지 논리

퍼지 논리는 로피 자데가 제안한 퍼지 집합 개념에 기초한다.[21]멤버십 개념의 정도는 퍼지 집합의 중심이다.퍼지 집합은 요소가 어느 정도(회원 등급)의 집합에 속하도록 허용하기 때문에 바삭바삭한 집합과 다르다.이 접근방식은 제어 문제에 대한 좋은 응용 프로그램을 찾는다.[22]퍼지 논리는 엄청난 응용 분야를 발견했고 세탁기, 전자레인지, 휴대전화, 텔레비전, 캠코더 등과 같은 가전제품에서 이미 큰 시장 지위를 발견했다.

확률적/차오틱 컴퓨팅

확률론적 컴퓨팅 엔진(예: 베이시안 네트워크와 같은 확률론적 그래픽 모델의 사용)그러한 계산 기법을 확률론적 알고리즘을 산출하는 무작위화라고 한다.고전적 통계적 열역학(statistical statistical thermodynamics)을 통해 물리적 현상으로 해석할 때, 그러한 기법은 각 원시 계산 단계가 정확하다고 보장되는 확률 p(또는 오차 확률 (1–p)에 비례하는 에너지 절약으로 이어진다.[23]혼돈 컴퓨팅은 혼돈 이론에 근거한다.[24]

프랙탈

프랙탈 컴퓨팅은 서로 다른 스케일로 자기 유사성을 보여주는 객체다.[25]프랙탈 생성은 작은 반복 알고리즘을 포함한다.프랙탈은 위상학적 치수보다 더 큰 치수를 가지고 있다.프랙탈의 길이는 무한하고 크기는 측정할 수 없다.그것은 단순한 공식에 의해 주어지는 유클리드 형상과 달리 반복 알고리즘에 의해 설명된다.프랙탈에는 여러 종류가 있으며 만델브로트 세트는 매우 인기가 있다.

프랙탈은 이미지 처리, 이미지 압축 음악 생성, 컴퓨터 게임 등에서 응용 프로그램을 찾아냈다.만델브로트 세트는 제작자의 이름을 딴 프랙탈이다.다른 프랙탈과 달리 만델브로트 세트가 확대된 스케일로 자체 유사하지만 작은 스케일의 디테일은 전체와 동일하지 않다.즉, 만델브로트 세트는 무한히 복잡하다.그러나 그것을 생성하는 과정은 극히 간단한 방정식에 기초한다.Mandelbrot 세트 M은 복잡한 숫자의 집합이다.M에 속하는 숫자 Z는 Mandelbrot 방정식을 반복적으로 시험하여 계산한다.C는 상수다.선택한 Z에 대해 방정식이 수렴되는 경우, Z는 M. Mandelbrot 방정식에 속한다.

랜덤화 알고리즘

임의화된 알고리즘은 실행하는 동안 임의의 선택을 한다.이를 통해 프로그램 시작 시 실행 시간을 절약할 수 있다.이 방법의 단점은 잘못된 해결책이 발생할 가능성이다.잘 설계된 무작위 알고리즘은 정답을 반환할 확률이 매우 높을 것이다.[26]무작위화된 알고리즘의 두 가지 범주는 다음과 같다.

배열의 k 요소를th 찾는 알고리즘을 고려하십시오.결정론적 접근방식은 목록의 중위수 근처에 있는 피벗 요소를 선택하고 그 요소 주위에 목록을 분할하는 것이다.이 문제에 대한 무작위화된 접근방식은 무작위로 피벗을 선택하는 것이 될 것이며, 따라서 프로세스 시작 시 시간을 절약할 수 있을 것이다.근사 알고리즘과 마찬가지로, 그것들은 어려운 NP-완전 문제를 더 빨리 해결하는 데 사용될 수 있다.그러나 근사 알고리즘에 비해 이점은 무작위화된 알고리즘이 충분한 시간을 실행하면 결국 정확한 답을 얻을 수 있다는 것이다.

머신러닝

인간/동물들은 새로운 기술, 언어/개념을 배운다.마찬가지로, 머신러닝 알고리즘은 훈련 데이터로부터 일반화할 수 있는 기능을 제공한다.[27]머신러닝(ML)의 두 가지 클래스가 있다.

  • 감독된 ML
  • 무감독 ML

잘 알려진 기계 학습 기법 중 하나는 백 전파 알고리즘이다.[19]이것은 인간이 예로부터 배우는 방식을 모방한다.훈련 패턴은 네트워크에 반복적으로 제시된다.오류는 다시 전파되며 네트워크 가중치는 구배 강하를 사용하여 조정된다.네트워크는 수백 개의 반복적인 계산을 통해 수렴된다.

서포트 벡터 머신[28]

이것은 텍스트 분류, 스피커 인식, 이미지 인식 등과 같은 과제에 성공적으로 적용된 매우 성공적인 기계 학습 기법의 또 다른 수업이다.

응용 프로그램 예

측면 컴퓨터 기법에는 몇 가지 성공적인 적용이 있다.다음은 측면 컴퓨팅을 설명하는 몇 가지 응용 프로그램 모음입니다.

  • 버블 정렬:여기서 분류의 계산 문제는 물 속에서 솟아오르는 거품의 비유로 접근한다.숫자를 거품으로 처리해 자연스런 위치로 띄우는 것이다.
  • 트럭 백업 문제:이는 트럭을 후진시켜 특정 장소에 주차하는 흥미로운 문제다.전통적인 컴퓨터 기술은 이 문제를 해결하기 어렵다는 것을 알게 되었다.이것은 퍼지 시스템에 의해 성공적으로 해결되었다.[22]
  • 반전 진자의 균형 조정:이 문제는 균형잡기와 역진자를 포함한다.이 문제는 신경망과 퍼지 시스템으로 효율적으로 해결되었다.[22]
  • 휴대 전화용 스마트 볼륨 컨트롤:휴대 전화의 볼륨 조절은 배경 소음 수준, 소음 등급, 사용자의 청력 프로필 및 기타 파라미터에 따라 달라진다.소음 수준과 소음 수준에 대한 측정에는 부정확한 조치와 주관적인 조치가 포함된다.저자들은 휴대전화에서 볼륨 조절을 위한 퍼지 논리 시스템의 성공적인 사용을 입증했다.[29]
  • 유전자 알고리즘 및 시뮬레이션 어닐링을 사용한 최적화:출장 판매원 문제와 같은 문제는 NP 완전 문제인 것으로 나타났다.[30]그러한 문제들은 경험적 접근에 의해 이익을 얻는 알고리즘을 사용하여 해결된다.일부 애플리케이션은 VLSI 라우팅, 파티셔닝 등에 있다.유전자 알고리즘과 시뮬레이션 어닐링은 그러한 최적화 문제를 해결하는데 성공적이었다.[20][31]
  • 프로그래밍 셀룰러 오토마타, 멀티에이전트 시스템, 병렬 시스템, 필드 프로그래밍 가능한 게이트 어레이, 필드 프로그래밍 가능한 아날로그 어레이, 개미 군집, 군집 지능, 분산 시스템 등과 같은 비정형 컴퓨팅 장치에 대한 컴퓨터 프로그램 자동 생성을 수반하는 PTU(Programmable)[32]

요약

위는 측면 컴퓨터 기법에 대한 검토다.측면컴퓨팅은 측면사상의 접근방식에 기초하며, 컴퓨팅 문제를 해결하기 위해 파격적인 기법을 적용한다.대부분의 문제들은 전통적인 기법으로 해결되지만, 측면 컴퓨터를 필요로 하는 문제들이 있다.측면 컴퓨팅은 몇 가지 문제에 대한 기존 컴퓨팅과 비교할 때 컴퓨팅 효율성, 낮은 구현 비용, 더 나은 솔루션을 제공한다.가로방향 컴퓨팅은 부정확성, 불확실성 및 부분적 진실에 대한 내성을 이용하여 추적성, 견고성 및 낮은 솔루션 비용을 달성함으로써 일련의 문제를 성공적으로 해결한다.인간처럼 정보처리 모델을 사용하는 측면 컴퓨터 기법은 문헌에서 "소프트 컴퓨팅"으로 분류되어 왔다.

측면컴퓨팅은 수학적 모델을 사용할 수 없는 수많은 계산 문제를 해결하는 동안 가치가 있다.[citation needed]그것들은 매우 높은 기계 IQ(VHMIQ)를 가진 스마트 시스템을 만드는 혁신적인 솔루션을 개발하는 방법을 제공한다.이 글은 수평적 사고에서 수평적 컴퓨터로 이행하는 과정을 추적해 왔다.그 다음에 응용에 따라 몇 가지 측면 컴퓨터 기법이 설명되었다.측면컴퓨팅은 파격적인 프로세싱을 기반으로 한 신세대 인공지능을 구축하는 것이다.

참고 항목

참조

  1. ^ a b de Bono, E. (1990). Lateral Thinking for Management: A Handbook. Penguin Books. ISBN 978-0-07-094233-2.
  2. ^ Hsu, F. H. (2002). Behind Deep Blue: Building the Computer That Defeated the World Chess Champion. Princeton University Press. ISBN 978-0-691-09065-8.
  3. ^ de Bono, E. (1991). Water Logic. Penguin Books. ISBN 978-0-670-84231-5.
  4. ^ Hwang, K. (1993). Advanced Computer Architecture: Parallelism, Scalability, Programmability. McGraw-Hill Book Co., New York. ISBN 978-0-07-031622-5.
  5. ^ Bonabeau, E.; Dorigo, M.; THERAULUZ, G. (1999). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press. ISBN 978-0-19-513158-1.
  6. ^ Dorigo, M.; DI CARO, G.; Gamberella, L. M. (1999). Ant Algorithms for Discrete Optimization, Artificial Life. MIT Press.
  7. ^ Bradshaw, J. M. (1997). Software Agents. AAAI Press/The MIT Press. ISBN 978-0-262-52234-2.
  8. ^ Foster, Ian (1999). "Computational Grids, Chapter 2". The Grid: Blueprint for a New Computing Infrastructure, Technical Report.
  9. ^ Murch, R. (2004). Autonomic Computing. Pearson Publishers. ISBN 978-0-13-144025-8.
  10. ^ "Autonomic". IBM. 2004.
  11. ^ Karim, M. A.; Awwal, A. A. S. (1992). Optical Computing: An Introduction. Wiley Publishers. ISBN 978-0-471-52886-9.
  12. ^ Pisanti, N. (1997). A Survey of DNA Computing (Technical report). University of Pisa, Italy. TR-97-07.
  13. ^ Braunstein, S. (1999). Quantum Computing. Wiley Publishers. ISBN 978-3-527-40284-7.
  14. ^ Fortnow, L. (July 2003). "Introduction of Quantum Computing from the computer science perspective and reviewing activities". NEC Research and Development. 44 (3): 268–272.
  15. ^ Suthikshn, Kumaryear=1996. Reconfigurable Neurocomputers: Rapid Prototyping and Design Synthesis of Artificial Neural Networks for Field Programmable Gate Arrays (Technical report). University of Melbourne, Australia. PhD Thesis.
  16. ^ 콤프턴과 오크, 2002
  17. ^ 예술과 케스트로, 1997
  18. ^ Proc IEEE, 2001
  19. ^ a b Masters, T. (1995). Neural, Novel and Hybrid Algorithm for Time Series Prediction. John Wiley and Sons Publishers.
  20. ^ a b Goldberg, D. E. (2000). Genetic Algorithms in search, optimization and Machine Learning. Addison Wesley Publishers. ISBN 978-0-201-15767-3.
  21. ^ 로스, 1997
  22. ^ a b c Kosko, B. (1997). Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Prentice Hall Publishers. ISBN 978-0-13-611435-2.
  23. ^ 팰럼, 2003년
  24. ^ 글리크, 1998년
  25. ^ 만델브로트, 1977년
  26. ^ 모트와니와 라가반, 1995
  27. ^ 미첼, 1997년
  28. ^ 요아힘스, 2002
  29. ^ SUTHIKSHN, KUMAR (June 2003). "Smart Volume Tuner for Cellular Phones". IEEE Wireless Communications Magazine. 11 (4): 44–49. doi:10.1109/MWC.2004.1308949. S2CID 5711655.
  30. ^ 1979년 개리와 존슨
  31. ^ 아츠와 크로스트, 1997
  32. ^ 코자 외, 2003년

원천

  • de Bono, E. (2003). "Edward de Bono". Archived from the original on 2001-02-01.
  • IEEE(2001)의 절차:소프트 컴퓨팅을 이용한 산업 혁신에 관한 특별호, 9월.
  • T. Ross(2004):McGraw-Hill Inc. 출판사, 엔지니어링 애플리케이션을 사용한 퍼지 논리.
  • B. Kosko(1994); Puzzzy Thinking, Flamingo Publishers.
  • E. Aarts and J. Krost(1997); 시뮬레이션된 Annealing and Boltzmann Machines, John Wiley And Sons Publishers.
  • K.V. Palem(2003);확률적 전환을 통한 에너지 인식 컴퓨팅: 한계에 대한 연구, 2003년 5월 기술 보고서 GIT-CC-03-16.
  • M. 사마, S. 바실리아디스, S. 코토포나, J. T. J. 반 에이든도벤, K.A. 바이서스(2000);10월 Progress of Progress 워크샵에서 사용자 정의 컴퓨팅 머신의 분류 체계.
  • J. Gleick(1998);Choas: 새로운 과학, 빈티지 출판사 만들기.
  • B. Mandelbrot(1997);뉴욕의 프리맨 출판사, 자연의 프랙탈 기하학.
  • D.R. 호프스태터(1999); 고델, 에셔, 바흐: 영원한 황금 브레이드, 하퍼 콜린스 출판사.
  • R.A. 알리예프 및 R.R. 알리예프(2001)소프트 컴퓨팅과 그 응용 프로그램, 세계 과학 출판사.
  • Jyh-Sing Roger Jang, Chuen-Tsai Sun & Eiji Mizutani(1997); Neuro-Fuzzi and Soft Computing: 학습과 기계 인텔리전스에 대한 컴퓨터 접근법, 프렌티스 홀 출판사.
  • 존 R. 코자, 마틴 A.킨, 매튜 J. 스트리터, 윌리엄 미드로이크, 제센 유, 귀도 란자(2003);Genetic Programming IV: 일상적인 인간 경쟁 기계 인텔리전스, Kluwer Academic.
  • 제임스 앨런(1995); 자연어 이해, 제2판 피어슨 교육 출판사.
  • R. Herken(1995);범용 튜링 머신, Springer-Verlag 2판.
  • 해리 R.Lewis, Christos H. Papadimtro(1997); 계산 이론의 요소, 제2판, 프렌티스 홀 출판사.
  • M. 개리와 D.존슨(1979); 컴퓨터 및 난해성:NP 완성도 이론, W.H. 프리맨과 회사 출판사.
  • M. Sipser(2001);Thomson/Brooks/Cole Publishers의 계산 이론 소개
  • K. 콤프턴과 S.하우크(2002);재구성 가능한 컴퓨팅:시스템 및 소프트웨어 조사, ACM 컴퓨팅 조사, Vo. 34, No.2, 2002년 6월, 페이지 171–210.
  • D.W. 패터슨(1990);프렌티스 홀 Inc.의 인공지능 및 전문가 시스템 소개출판사.
  • E. 샤르니악과 D.맥더모트(1999);인공지능 소개 애디슨 웨슬리
  • Hameroff, S. R. (1997). Ultimate Computing. Elsevier Science Publishers. ISBN 978-0-444-70283-8.
  • R.L. 엡스타인과 W.A. 카니엘리(1989); 연산성, 연산성 기능, 논리성과 수학의 기초, 와즈워스 & 브룩스/콜레 고급 도서와 소프트웨어.
  • T. 요아힘(2002);Kluwer Academic Publishers 지원 벡터 머신을 사용하여 텍스트 분류 방법 학습.
  • T. Mitchell(1997); Machine Learning, McGraw Hill Publishers.
  • R. 모트와니와 P.Raghavan(1995); Handomized Algorithm, Parallel Computing의 Cambridge International Series in Parallel Computing, Cambridge University Press.
  • Sun Microsystems(2003);처리량 컴퓨팅 소개, 기술 보고서

컨퍼런스

  • 제1차 세계 수평 컴퓨팅 회의, IISc, Bangalore India, 2004년 12월 WCLC 2004
  • WCLC 2005, PESIT, Bangalore, India의 수평 컴퓨팅에 관한 제2차 세계 회의