Implementation of a neural network application using accelerator on RİSC-V architecture in FPGA
FPGA'de RİSC-V mimarisi üzerinde hızlandırıcı kullanarak yapay sinir ağı uygulaması gerçeklenmesi
- Tez No: 798974
- Danışmanlar: PROF. DR. ALİ ZİYA ALKAR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 138
Özet
Günümüzde akıllı cihazlar ve Nesnelerin İnterneti (IoT) cihazları hayatımızın ayrılmaz bir parçası haline gelmiştir. Özellikle Nesnelerin İnterneti cihazları, değişen hayat şartları ve artan teknolojilerle hayatımızın her parçasında önemli yer edinmiş durumdadır. 2010 yılında dünyada yaklaşık 800 milyon IoT cihazı ve 8 milyar diğer elektronik cihazların [1] bulunduğu tahmin edilirken 2022 yılında bu sayı IoT cihazları için 16 milyar, diğer cihazlar için ise 10 milyar civarındadır [1]. Nesnelerin İnterneti cihazlarının bu artış ile 2030 yılında 30 milyarı geçmesi beklenmektedir [2]. Öte yandan 2020 yılında yaşanmış olan Covid-19 salgını ile, cip endüstrisindeki üretim krizi nedeniyle yonga fiyatları yükselmiş ve hâlihazırda yüksek ücretlere satılmakta olan Intel, AMD ve ARM çiplerinin fiyatları daha da artmıştır [3]. Bu bağlamda, Intel, AMD ve ARM mimarilerine rakip olarak geliştirilmesi amaçlanan RISC-V mimarisi üzerindeki çalışmalar hız kazanmış ve RISC-V mimarisi ARM mimarisine bir rakip olarak görülmeye başlamıştır [4]. Bu tezde, açık kaynak kodlu olarak geliştirilmiş olan RISC-V adı verilen Komut Satırı Mimarisi incelenmiştir. RISC-V mimarisinin güncel mimarilere rakip olabilmesi için karmaşık işlemleri rakipleriyle benzer performansta çalıştırabilmesi gerektiği düşünülmüştür. Bununla birlikte RISC-V mimarisi kullanılarak bir yapay sinir ağı uygulaması geliştirilmiş ve RISC-V mimarisinin yapay sinir ağı uygulamaları ve görüntü işleme uygulamalarının çalışması konusunda performans yönünden günümüz işlemcilerine iyi bir alternatif olup olmadığı tartışılmıştır. Bu nedenle RISC-V mimarisi simülasyon ortamında çalıştırılarak farklı RISC-V çekirdekleri, farklı RISC-V mimarisine ait yazılım üzerinde çalışan işlemcileri kullanılarak görüntü işleme ve yapay sinir ağı uygulamaları denenerek sistemin performansı ve çalışabilirliği diğer işlemci mimarilerine göre kıyaslanmıştır. Çalışmanın son kısmında ise geliştirilmiş olan yapay sinir ağı destekli nesne tanımaya dayalı görüntü işleme uygulaması, Xilinx Zynq UltraScale+ MPSoC ZCU102 geliştirme kartında, RISC-V mimarisinin donanım hızlandırıcı sürücüsü olarak kullanılmasıyla test edilmiştir. Bu yapıda Xilinx Zynq mimarisinde bulunan çevresel birimlerden faydalanılmış ve RISC-V mimarisi kullanılarak yeni bir hızlandırıcı method önerilmiştir. Bilinen diğer yapay sinir ağı destekli nesne tanımaya dayalı görüntü işleme algoritmalarıyla olan performans sonuçları incelenmiştir. Sonuç olarak, bu tez kapsamında RISC-V mimarisinin; gömülü sistemler üzerine özelleştirilerek geliştirildiği takdirde; yapay sinir ağı uygulamalarını, görüntü işleme uygulamalarını çalıştırabildiği ve diğer Nesnelerin İnterneti cihazlarının sağladığı performans açısından kritik alanlarda kullanılabilirliğini kanıtladığı gösterilmiştir.
Özet (Çeviri)
Nowadays, smart devices and Internet of Things (IoT) devices have become an indispensable part of our lives. Especially, IoT devices have taken an important place in every part of our lives with the changing life conditions and the development of technology. While it is estimated that there are approximately 800 million IoT devices and 8 billion other electronic devices in the world in 2010 [1]. This number is around 16 billion for IoT devices and around 10 billion for other devices in 2022[1]. With this increase, the number of IoT devices re predicted to overrun 30 billion in 2030 [2]. On the other hand, due to the Covid-19 pandemic in 2020 a production crisis occurs in the chip industry. Chip prices have increased of Intel, Advanced Micro Devices, Inc. (AMD) and Advanced RISC Machine Inc. (ARM) chips, which are currently being sold at high prices compared to 2019, have increased even more [3]. In this context, work on the RISC-V architecture, which is intended to be developed as a competitor to Intel, AMD and ARM architectures, has accelerated. With the increase in studies on RISC-V, the RISCV-V architecture is seen as a competitor to the ARM architecture [4]. In this thesis, the Instruction Set Architecture (ISA) called RISC-V, which was developed as open source, was examined. For the RISC-V architecture to compete with current architectures, it has been thought that it should be able to run complex operations with similar performance to its competitors. In addition, a neural network application was developed using RISC-V architecture and it was discussed that RISC-V architecture could be a good alternative in terms of performance for neural network and image processing applications. For this reason, the performance and operability of the system has been compared to other processor architectures by trying different RISC-V cores and processors running on simulation environment. In the last part of this study, a neural network supported object recognition based image processing application is developed and has been tested on the Xilinx Zynq UltraScale+ MPSoC ZCU102 development board by using the RISC-V architecture as a hardware accelerator driver. In this structure, peripheral units in Xilinx Zynq architecture were used and a new accelerator method was proposed using RISC-V architecture. The performance results with other known neural network supported object recognition-based image processing algorithms are examined. As a conclusion, within the scope of this thesis, the RISC-V architecture is shown to be capable of executing neural network applications, image processing applications and providing usability in performance critical IoT devices.
Benzer Tezler
- Mobil cihazlar ile derin öğrenme mimarisi kullanarak gerçek zamanlı video nesne izleme
Deep learning architectures for real-time video object tracking by mobile devices
ULAŞ TOSUN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Yapıların sismik izolasyonunda ileri denetim algoritmalarının uygulanması
Application of advanced control algorithms in seismic isolation of structures
OĞUZ YAKUT
Doktora
Türkçe
2007
Makine MühendisliğiFırat ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ALLİ
- Evrişimsel sinir ağlarının FPGA üzerindehızlı ve kaynak verimli kısmi yapılandırma tabanlı gerçeklenmesi
Fast and resource efficient implementation of convolutional neural networks on FPGA based on partial reconfiguration
HADEE MAD-A-DUM
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YAŞAR BECERİKLİ
- Nesnelerin interneti (IoT) cihazları için güvenlik değerlendirmesi ve ddos saldırı tespiti
Security assessment and ddos attack detection for internet of things (IoT) devices
ÇAĞRI ÇULCU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERCAN BULUŞ
- Yapay zeka tekniklerine dayanan yöntemlerle çok sayıda hedef izleme
Multiple target tracking with the methods based on artificial intelligence techniques
İLKE TÜRKMEN
Doktora
Türkçe
2005
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF.DR. KERİM GÜNEY