Geri Dön

DynapSIM: a fast, optimizable, and mismatch aware mixed-signal neuromorphic chip simulator

DynapSIM: hızlı, optimize edilebilir ve uyuşmazlık duyarlı karma sinyalli nöromorfik çip simülatörü

  1. Tez No: 760411
  2. Yazar: UĞURCAN ÇAKAL
  3. Danışmanlar: PROF. DR. İLKAY ULUSOY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 154

Özet

Karma sinyalli nöromorfik işlemciler, biyolojik sinir sistemlerinin çalışma prensiplerinden esinlenerek analog sinyal işleme ve dijital asenkron iletişimi kullanır. Bu mimariler, mevcut sinir ağı çıkarım sistemlerine göre muazzam bir güç verimliliği avantajı sağlasa da, yapılandırma zorlukları uygulama geliştirmenin önündeki en temel engellerden biridir. Analog donanım parametreleri üzerinde sınırlı kontrol imkanı, cihazın donanım yapısına özgü istenmeyen varyasyonlar ve doğrusal olarak ayrılamaz parametre uzayı, amaçlandığı gibi çalışan bir uygulama sunmayı zorlaştırır. Bu durum genellikle yüksek nitelikli araştırmacıların aylarca elle kalibrasyon çabasını gerektirir. Boşluğu dolduran bu çalışma, uyarımlı bir sinir ağı uygulamasını yansıtan bir donanım konfigürasyonunun çevrimdışı optimizasyonuna izin veren bir yazılım araç zinciri sunmaktadır. Sonuçlar, soyut bir uyarımlı sinir ağının, gürültülü bir ortamda tümdevre nöron ve sinaps konfigürasyonuna nasıl doğru ve güvenilir bir şekilde çevrildiğini göstermektedir. Önerilen yöntemler, herhangi bir karma sinyalli nöromorfik işlemci mimarisine uyarlanabilir.

Özet (Çeviri)

Mixed-signal neuromorphic processors utilize analog signal processing and digital asynchronous communication, inspired by biological nervous systems' operation principles. Although these architectures provide an enormous power efficiency advantage over existing neural network inference systems, the difficulties in the configuration are one of the most fundamental obstacles in front of developing applications. Limited controllability over the analog hardware parameters, unintended variations inherent to a device's hardware makeup, and linearly inseparable bias space makes this hard to deliver an application that works as intended. It usually requires months of manual calibration effort of highly qualified researchers. Filling the gap, this study presents a software toolchain that allows an offline optimization of a hardware configuration that reflects a spiking neural network implementation. The results show how an abstract spiking neural network accurately and reliably translates into VLSI neuron and synapse configuration in a noisy environment. Proposed methods can be tailored to any mixed-signal neuromorphic processor architecture.

Benzer Tezler