Memristor tabanlı yapay sinir ağı tasarımı ve optimizasyonu
Memristor based artificial neural network design and optimisation
- Tez No: 915987
- Danışmanlar: DOÇ. DR. TOLGA AYDIN, DOÇ. DR. FATİH GÜL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 149
Özet
Amaç: Bu çalışmanın amacı, titanyum dioksit (TiO₂) tabanlı nano-sinaptik cihazların yapay sinir ağı (YSA) uygulamalarında kullanılabilirliğini bilgisayar ortamında simüle etmek ve bu cihazların performansını detaylı bir şekilde değerlendirmektir. Simülasyon çalışmaları, cihazların doğruluk, enerji verimliliği, eğitim süresi, donanım kapasitesi ve ölçeklenebilirlik gibi kritik performans kriterleri açısından sağladığı katkıları ortaya koymayı hedeflemektedir. Bunun yanı sıra, bu cihazlar üzerinde kullanılan optimizasyon yöntemlerinin etkinliği ve bu yöntemlerin performans üzerinde oluşturduğu iyileştirmeler incelenecektir. Çalışmanın, hem yeni nesil sinaptik cihazların geliştirilmesine hem de yapay sinir ağı uygulamalarında optimizasyon yöntemlerinin rolünün daha iyi anlaşılmasına katkı sağlaması amaçlanmaktadır. Yöntem: Bu çalışmada, TiO₂ tabanlı nano-sinaptik cihazlar kullanılarak sinir ağlarının donanım üzerinde uygulanabilirliği incelenmiş ve bu yöntem çeşitli optimizasyon algoritmaları yardımıyla doğruluk, alan kullanımı ve enerji tüketimi açısından değerlendirilmiştir. Önerilen donanım tabanlı model, özellik tanıma ve sınıflandırma yeteneklerine sahip olup, elle yazılmış ve bilgisayar tarafından üretilmiş rakamların tanınmasında kullanılmaktadır. Model, ileri besleme (FF) ve geri yayılma (BP) süreçlerini entegre ederek giriş verilerini çıkışlarla eşleştiren bir yapı sunmaktadır. Eğitim süreci, FF ve BP olmak üzere iki aşamadan oluşmaktadır. İleri besleme aşamasında, girdi verileri sinir ağının giriş katmanına alınır, ardından ağırlıklı toplamlar ve aktivasyon fonksiyonları aracılığıyla gizli katmanlardan geçirilerek çıktı katmanına iletilir. Çıktılar, doğru etiketlerle karşılaştırılarak tahmin hatası hesaplanır. Geri yayılma aşamasında ise bu hata, sinir ağı boyunca geriye doğru yayılır ve ağırlıklar optimizasyon yöntemleri kullanılarak ayarlanır. Optimizasyonun temel amacı, modelin hem eğitim hem de test verilerinde yüksek doğruluk elde etmesini sağlamak, genelleme yeteneğini artırarak farklı veri setlerinde başarılı olmasını mümkün kılmak ve tüm bunları hesaplama maliyetlerini minimize ederek en verimli şekilde gerçekleştirecek en uygun yapılandırmayı bulmaktır. Bulgular: Bu çalışma, TiO₂ tabanlı memristörlerin nöromorfik uygulamalarda yüksek doğruluk, enerji verimliliği ve genelleme kapasitesi sunduğunu ortaya koymaktadır. CMOS uyumlu yapıları ve biyolojik sinapsları taklit edebilme özellikleri sayesinde, bu cihazlar enerji verimli donanımlar için önemli avantajlar sağlamaktadır. Optimizasyon algoritmaları arasında AdaDelta, doğruluk ve enerji verimliliği açısından en iyi performansı sergilemiştir. Modelin farklı veri kümelerindeki genelleme kapasitesi, TiO₂ tabanlı cihazların geniş bir makine öğrenimi yelpazesinde etkili bir şekilde kullanılabileceğini göstermektedir. Sonuç: TiO₂ tabanlı sinaptik cihazlara dayalı sinir ağının performansı, MNIST ve CIFAR veri kümeleri üzerinde farklı optimizasyon yöntemleri kullanılarak kapsamlı bir şekilde değerlendirilmiştir. %90 doğruluk oranına ulaşan model, optimizasyon algoritmaları arasında sağlamlık ve genelleme kapasitesi sergilemiştir. Elde edilen sonuçlar, TiO₂ tabanlı cihazların nöromorfik hesaplama ve donanım tabanlı yapay zekâ uygulamalarında, çeşitli optimizasyon yöntemleriyle birleştirildiğinde etkin bir çözüm sunduğunu ortaya koymaktadır. Bu çalışma, gelecekte daha enerji verimli ve hassas sinir ağı modellerinin geliştirilmesine katkıda bulunacak önemli bulgular sağlamaktadır
Özet (Çeviri)
Purpose: The aim of this study is to simulate the usability of titanium dioxide (TiO₂)-based nano-synaptic devices in artificial neural network (ANN) applications in a computer environment and to evaluate the performance of these devices in detail. The simulation studies aim to reveal the contributions of these devices in terms of critical performance criteria such as accuracy, energy efficiency, training time, hardware capacity, and scalability. Additionally, the effectiveness of optimization methods applied to these devices and the improvements they bring to performance will be examined. The study is intended to contribute both to the development of next-generation synaptic devices and to a better understanding of the role of optimization methods in artificial neural network applications. Method: In this study, the feasibility of implementing neural networks on hardware using TiO₂-based nano-synaptic devices was examined, and this method was evaluated in terms of accuracy, area usage, and energy consumption with the help of various optimization algorithms. The proposed hardware-based model possesses feature recognition and classification capabilities and is used for recognizing both handwritten and computer-generated digits. The model integrates feedforward (FF) and backpropagation (BP) processes, providing a structure that maps input data to outputs. The training process consists of two stages: FF and BP. In the feedforward stage, input data is fed into the input layer of the neural network, then passed through the hidden layers using weighted sums and activation functions, and finally delivered to the output layer. The outputs are compared with the correct labels to calculate prediction error. In the backpropagation stage, this error is propagated backward through the neural network, and the weights are adjusted using optimization methods. This process is performed faster and more efficiently than traditional gradient descent methods, aiming to minimize the error. Finding: This study demonstrates that TiO₂-based memristors offer high accuracy, energy efficiency, and generalization capacity in neuromorphic applications. Due to their CMOS-compatible structures and ability to mimic biological synapses, these devices provide significant advantages for energy-efficient hardware. Among the optimization algorithms, AdaDelta exhibited the best performance in terms of accuracy and energy efficiency. The model's generalization capacity across different datasets highlights the potential for TiO₂-based devices to be effectively utilized in a wide range of machine learning applications. Result: The performance of the neural network based on TiO₂ synaptic devices was comprehensively evaluated on the MNIST and CIFAR datasets using different optimization methods. The model achieved a 90% accuracy rate, demonstrating robustness and generalization capacity among the optimization algorithms. The results reveal that TiO₂-based devices, when combined with various optimization methods, offer an effective solution for neuromorphic computing and hardware-based artificial intelligence applications. This study provides significant findings that will contribute to the development of more energy-efficient and precise neural network models in the future.
Benzer Tezler
- Hücresel yapay sinir ağı ve kaotik devre temelli rasgele sayı üreteci tasarımları
Designs of cellular neural network and chaotic circuit based random number generator
BARIŞ KARAKAYA
Doktora
Türkçe
2019
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARİF GÜLTEN
- Memristör için parça-parça doğrusal model tasarımı ve bu modelin memristör tabanlı filtrelere uygulanması
Design of piecewise linear model for memristor and its application to memristor based filters
AHMET SOLAK
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SAADETDİN HERDEM
- Nöromorfik hesaplama sistemleri için çapraz çubuk mimarisinde memristör dizinlerinin tasarlanması ve üretimi
Design and fabrication of crossbar memristor array for neuromorphic computing system
BÜNYAMİN ÖZKAL
Doktora
Türkçe
2025
Fizik ve Fizik MühendisliğiGebze Teknik ÜniversitesiFizik Ana Bilim Dalı
DOÇ. DR. SİNAN KAZAN
- Memristif sinaptik devreler için uyarlanabilir parçalı lineer yaklaşım
Adaptive piecewise linear characteristic approach for memristive synaptic circuits
BARIŞ ŞAHİNTEKİN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA GÜLRU ÇAM TAŞKIRAN
- Tümleyen bağlı rezistif anahtarların bellekler ve yapay sinir ağlarında kullanımı
Complementary resistive switches based memories and artificial neural networks
ERTUĞRUL KARAKULAK
Doktora
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDEM UÇAR
YRD. DOÇ. DR. REŞAT MUTLU