Информационные технологии. Суперкомпьютер. Нейронные сети. Технологические возможности реализации высокой информационной плотности.

Информационные технологии - широкий класс дисциплин и областей деятельности, относящихся к технологиям создания, управления и обработки данных, в том числе с применением вычислительной техники. В последнее время под информационными технологиями чаще всего понимают компьютерные технологии. В частности, ИТ имеют дело с использованием компьютеров и программного обеспечения для хранения, преобразования, защиты, обработки, передачи и получения информации.

Суперкомпьютер- вычислительная машина, значительно превосходящая по своим техническим параметрам большинство существующих компьютеров. Как правило, современные суперкомпьютеры представляют собой большое число высокопроизводительных серверных компьютеров, соединённых друг с другом локальной высокоскоростной магистралью для достижения максимальной производительности в рамках подхода распараллеливания вычислительной задачи. Нейронные сети - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров. С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение.

Технологические возможности реализации высокой информационной плотности.

Современная технология позволяет изготавливать тонкопленочный элемент, ширина либо длина которого составляет примерно 1 мкм, что более чем на порядок меньше размера элемента серийно изготавливаемых магниторезистивных преобразователей. Существенное уменьшение толщины магниторезистивного элемента даже с использованием самых перспективных технологических приемов сопряжено с нарушением однородности по толщине, что влечет за собой изменение и электрических, и магнитных свойств. Технология сегодняшнего дня позволяет изготавливать магниторезистивный элемент, минимальное поперечное сечение которого составляет 0,030 мкм², что в принципе дает возможность воспроизвести информацию, записанную с поверхностной плотностью около 33 бит/мкм². Такая плотность приблизительно на порядок меньше соответствующей предельной плотности, к которой допускает приблизиться реальный магнитный носитель - с кобальт-хромовым рабочим слоем. Если принять во внимание технологические возможности ближайшего будущего, когда линейный размер элемента уменьшится примерно на порядок, то магниторезистивный преобразователь с таким элементом позволит воспроизвести информацию, записанную с поверхностной плотностью, приближающейся к 400 бит/мкм².

Это означает, что в обозримом будущем магниторезистивный преобразователь, опираясь на перспективную технологию, должен догнать магнитный носитель, и тогда их предельные характеристики плотности сравняются. При этом следует помнить, что предельные возможности и реальные устройства - это не одно и то же. В то же время без реальных возможностей не бывает и реальных устройств. Другое дело, что между ними, как правило, лежит непроторенный путь, который при недостаточно объективной оценке каких бы то ни было возможностей может оказаться безысходным. В данном случае правильный путь может выбрать практик-разработчик, каждое действие которого обосновано научным пониманием решаемой им проблемы.