Análise de desempenho da rede neural artificial do tipo multilayer perceptron na era multicore

As redes neurais artificiais geralmente são aplicadas à solução de problemas comple- xos. Em problemas com maior complexidade, ao aumentar o número de camadas e de neurônios, é possível conseguir uma maior eficiência funcional, porém, isto acarreta em um maior esforço computacional. O tempo de resposta é um fator importante na decisão de usá-las em determinados sistemas. Muitos defendem que o maior custo computacional está na fase de treinamento. Porém, esta fase é realizada apenas uma única vez. Já trei- nada, é necessário usar os recursos computacionais existentes de forma eficiente. Diante da era multicore esse problema se resume à utilização eficiente de todos os núcleos de processamento disponíveis. No entanto, é necessário considerar a sobrecarga existente na computação paralela. Neste sentido, este trabalho propõe uma estrutura modular que é mais adequada para as implementações paralelas. Propõe-se paralelizar o processo feed- forward (passo para frente) de uma RNA do tipo MLP, implementada com o OpenMP em uma arquitetura computacional de memória compartilhada. A investigação dar-se-á com a realização de testes e análises dos tempos de execução. A aceleração, a eficiência e a es- calabilidade são analisados. Na proposta apresentada é possível perceber que, ao diminuir o número de conexões entre os neurônios remotos, o tempo de resposta da rede diminui e por consequência diminui também o tempo total de execução. O tempo necessário para comunicação e sincronismo está diretamente ligado ao número de neurônios remotos da rede, sendo então, necessário observar sua melhor distribuiçãoArtificial neural networks are usually applied to solve complex problems. In problems with more complexity, by increasing the number of layers and neurons, it is possible to achieve greater functional efficiency. Nevertheless, this leads to a greater computational effort. The response time is an important factor in the decision to use neural networks in some systems. Many argue that the computational cost is higher in the training period. However, this phase is held only once. Once the network trained, it is necessary to use the existing computational resources efficiently. In the multicore era, the problem boils down to efficient use of all available processing cores. However, it is necessary to consider the overhead of parallel computing. In this sense, this paper proposes a modular structure that proved to be more suitable for parallel implementations. It is proposed to parallelize the feedforward process of an RNA-type MLP, implemented with OpenMP on a shared memory computer architecture. The research consistes on testing and analizing execution times. Speedup, efficiency and parallel scalability are analyzed. In the proposed approach, by reducing the number of connections between remote neurons, the response time of the network decreases and, consequently, so does the total execution time. The time required for communication and synchronization is directly linked to the number of remote neurons in the network, and so it is necessary to investigate which one is the best distribution of remote connection