Memristör tabanlı nöromorfik devre tasarımı
Memristor based neuromorphic circuit design
- Tez No: 941597
- Danışmanlar: PROF. DR. İSMAİL SERDAR ÖZOĞUZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 75
Özet
Nöromorfik devreler, sinir sisteminin biyolojik yapısını taklit ederek oluşturulan devrelerdir. Bu devrelerin biyolojik sinir sisteminin en önemli iki avantajı olan yüksek işlem gücü ve düşük güç tüketimi konusunda diğer devrelere göre üstünlükleri olacağı düşünülmektedir. Bunun yanı sıra biyolojik sinir sisteminin öğrenme özelliğini de bu devrelerin taklit edebileceği öngörülmektedir. Hafıza ve veri işlemenin biyolojik sinir sistemindeki nöron hücreleri gibi aynı yerde yapılıyor olması da bu devrelerin avantajlarındandır. Bu sebeplerden ötürü nöromorfik devreler hakkındaki çalışmalar son yıllarda önemli ölçüde artmıştır. Nöromorfik devreler temel olarak bir sinaps devresi, bir nöron devresi veya bir sinir ağı devresi olarak tasarlanmaktadır. Nöron, bilginin toplanarak işlendiği bölümdür. İşlenen veri sinapslar aracılığıyla diğer nöronlara iletilmektedir. Birçok nöron ve sinaps bir araya gelerek bir sinir ağı oluşturmaktadır. Nöromorfik devre tasarımı yapılırken temel olarak bu ilişki kullanılır. Nöromorfik devre tasarımları çeşitli elemanlarla yapılmaktadır. Nöromorfik devre tasarımı çalışmalarında yaygın olarak kullanılan elemanlardan biri de memristördür. Memristör, manyetik akı ile elektriksel yük arasındaki ilişki eksikliği düşünülerek ortaya atılan pasif bir devre elemanıdır. Üzerine uygulanan güç kesildiğinde son durumundaki direnç değerini korumasından dolayı bu devre elemanına hafızalı direnç (memory resistor) kelimesinin kısaltması olan memristör adı verilmiştir. Memristörün fiziksel olarak gerçeklenmesiyle beraber memristörle ilgili yapılan çalışmalar artmış ve memristörün potansiyel kullanım alanları ile ilgili oldukça fazla çalışma yapılmasına sebep olmuştur. Bu alanlardan biri de nöromorfik devrelerdir. Memristörün nöromorfik devre tasarımlarında kullanılmasının en yaygın sebepleri arasında bir tek memristörün sinaps ile aynı davranışı verebiliyor olması ve memristörün nöron gibi hafızalılık özelliğine sahip olması gösterilebilir. Bu gibi sebepler memristörün nöromorfik devre çalışmalarında kullanımının artmasına sebep olmuştur. Memristörün doğrusal olmayan bir eleman olması da nöromorfik devre çalışmalarında kullanılmasında etkili bir sebeptir. Bu çalışmada da nöromorfik devrelerin avantajları ve memristörün nöromorfik devre tasarımında kullanılma amaçları düşünülerek memristör tabanlı nöromorfik devre tasarımı yapılmaktadır. Memristör tabanlı nöromorfik devre tasarımı simülasyon ortamında yapılacağından memristörün simülasyon ortamları için geliştirilen modelleri çalışmanın ilk aşamasını oluşturmaktadır. Bu sebeple çalışma kapsamında öncelikle memristör modelleri araştırılmıştır. Literatürde çok çeşitli memristör modelleri olmasına rağmen bu çalışma için nöromorfik devre tasarımında kullanılabilecek memristör modellerine öncelik verilmiştir. HP memristör modeli ve literatürde Michigan Üniversitesi modeli olarak bilinen model incelenmiştir. Bu çalışma kapsamında nöromorfik devre tasarımı açısından kullanımı daha uygun olan Yakopcic modeli kullanılmıştır. Nöromorfik devre tasarımında, memristör tabanlı sinaps ve nöron devreleri en önemli bileşenlerdir. Bu tez çalışması kapsamında kullanılacak sinaps modelinin belirlenmesi amacıyla yapılan literatür taraması sonucunda dört çeşit memristör tabanlı sinaps devresine ulaşılmıştır. Bunlar bir memristörlü sinaps devresi, iki memristörlü sinaps devresi, iki memristörlü ve iki dirençli sinaps devresi ve dört memristörlü sinaps devresidir. Sinaps devresi tasarımında memristör sayısı arttıkça devre karmaşıklığının artması göz önünde bulundurularak, bu çalışma kapsamında bir memristörlü sinaps devresi kullanılmıştır. Nöron modellerinin memristör tabanlı devre gerçeklemeleri de araştırılmış, Hodgkin-Huxley, Hindmarsh-Rose, Izhikevich ve Tut ve Ateşle modelleri gibi nöron modellerinin memristör tabanlı devre gerçeklemelerine ulaşılmıştır. Nöromorfik devre tasarımında kullanılacak sinir ağının belirlenmesi için literatür taranmıştır. Sinir ağlarının temel olarak iğnecikli olmayan sinir ağı ve iğnecikli sinir ağı olmak üzere ikiye ayrıldığı görülmüştür. İğnecikli olmayan sinir ağlarında biyolojik sinir sistemine benzeme oranının daha düşük olduğu ve bu sinir ağlarında biyolojik sinir sisteminin kavramsal olarak taklit edildiği görülmüştür. Bilginin reel sayı olarak işlendiği bu ağlar biyolojik sinir sisteminin bilgi işleme mekanizmasından farklı bir biçimde çalışmaktadır. Dolayısıyla iğnecikli olmayan sinir ağı tasarımında nöron devresi olarak nöron modellerinin devre gerçeklemeleri yerine toplayıcı devresi, eviren kuvvetlendirici devresi ve aktivasyon fonksiyonu devresi kullanılmıştır. İğnecikli sinir ağının ise biyolojik sinir sistemine daha benzer bir yapıda olduğu görülmüştür. Bu sinir ağlarında bilgi biyolojik sinir sisteminde olduğu gibi nöronlar arasında iğneciklerle iletilmektedir. Bu sebeple kullanılan nöron devresi nöron modellerinin devresel gerçeklemeleriyle oluşturulmaktadır. Nöromorfik devre tasarımında kullanılacak sinaps devresi, nöron devresi ve sinir ağı belirlendikten sonra bu yapılarla bazı fonksiyonları yerine getirecek ve sınıflandırma yapabilen nöromorfik devreler oluşturulmuştur. Oluşturulan nöromorfik devrelere uygulanan fonksiyonlar XOR fonksiyonu, çift eşlik biti üreteci ve çift eşlik biti kontrol edicidir. Sınıflandırma için de Iris çiçeğinin türlerine göre sınıflandırılması devresi gerçekleştirilmiştir. XOR fonksiyonu iki girişli bir çıkışlı bir fonksiyondur. Fonksiyon girişler aynı olduğunda lojik '0', farklı olduğunda lojik '1' değerini üretmektedir. XOR fonksiyonu ancak çok katmanlı bir sinir ağı ile gerçekleştirilebilmektedir. Bu sebeple sinir ağı tasarımlarında ayırt edici bir yere sahiptir. Bu sebeple, bu çalışma kapsamında XOR fonksiyonunu gerçekleyecek bir sinir ağı yapısı oluşturularak nöromorfik devre tasarımı yapılmıştır. Oluşturulan devrenin simülasyon sonuçlarına bakılarak XOR fonksiyonu çıktılarını doğru bir şekilde verdiği gözlenmiştir. Bu çalışma kapsamında nöromorfik devreye uygulanan bir diğer fonksiyon çift eşlik biti üretecidir. Çift eşlik biti üreteci bir haberleşme sisteminde göndericinin alıcıya mesajın doğru gidip gitmediğini alıcının kontrol edebilmesi için göndericinin mesaja eklediği bir bit değeri üretir. Çift eşlik biti üreteci, gönderilen mesajdaki bitlerin toplamı çift ise lojik '0' değerini, tek ise lojik '1' değerini üretir. Çalışma kapsamında bu fonksiyonu gerçekleştirecek bir sinir ağı yapısı oluşturulmuş ve nöromorfik devre tasarımı gerçekleştirilmiştir. Devrenin simülasyon sonuçlarında fonksiyonun doğru bir şekilde gerçeklendiği gözlemlenmiştir. Çift eşlik biti kontrol edici bu çalışma kapsamında nöromorfik devresi gerçeklenen bir diğer fonksiyondur. Bir haberleşme sisteminde alıcı tarafında çalışan bu fonksiyon mesajdaki bitlerle çift eşlik biti üretecinin ürettiği biti toplar ve sonucu çift bulursa mesajın doğru gelmesi anlamında lojik '0' değerini üretir. Eğer sonuç tek ise mesajın hatalı gelmesi anlamında lojik '1' değerini üretir. Gerçeklenen bu nöromorfik devrenin simülasyon sonuçlarına bakılarak fonksiyonun doğru bir şekilde gerçeklendiği görülmüştür. Iris çiçeğinin sınıflandırılması için iris veri seti kullanılmıştır. Bu veri setinde iris çiçeğinin dört özelliği olan üst yaprak genişliği, üst yaprak uzunluğu, alt yaprak genişliği ve alt yaprak uzunluğu bilgileriyle ve bu bilgilerin ait olduğu Iris çiçeği sınıfları (setosa, versicolor ve virginica) yer almaktadır. Oluşturulan nöromorfik devrenin girişlerine çiçeğin özellikleri ölçeklendirilerek verilmiş ve çıktı olarak doğru çiçek türünü vermesi beklenmiştir. Devre yüksek bir doğrulukla çiçekleri sınıflarına ayırmıştır. Sonuç olarak memristör tabanlı nöromorfik devre çalışmalarına rehberlik edecek, sinir ağları tasarımında kullanılabilecek memristör tabanlı nöromorfik devre tasarımları gösterilmiştir. Bu tasarımlara örnek fonksiyonlar ve sınıflandırma problemi uygulanarak tasarımlar doğrulanmıştır. Tasarımlar, literatürdeki diğer çalışmalarla karşılaştırılmış, avantajları ve dezavantajları belirtilmiştir.
Özet (Çeviri)
Neuromorphic circuits are circuits created by mimicking the biological structure of the nervous system. It is thought that these circuits will have advantages over other circuits in terms of the two most important benefits of the biological nervous system: high processing power and low power consumption. In addition, it is anticipated that these circuits will be able to mimic the learning capability of the biological nervous system. The fact that memory and data processing are done in the same place as the neuron cells in the biological nervous system is also one of the advantages of these circuits. For these reasons, research on neuromorphic circuits has significantly increased in recent years. Neuromorphic circuits are fundamentally designed as a synapse circuit, a neuron circuit, or a neural network circuit. The neuron is the part where information is collected and processed. The processed data is transmitted to other neurons via synapses. Many neurons and synapses come together to form a neural network. When designing neuromorphic circuits, this relationship is fundamentally used. Neuromorphic circuit designs are made with various elements. One of the elements commonly used in neuromorphic circuit design studies is the memristor. Memristor is a passive circuit element that was introduced by considering the lack of relationship between magnetic flux and electrical charge. This circuit element is called memristor, which is the abbreviation of the word memory resistor, because it maintains the resistance value in its final state when the power applied to it is cut off. With the physical realization of the memristor, studies on the memristor have increased and led to a great deal of work on the potential uses of the memristor. One of these areas is neuromorphic circuits. The most common reasons for the use of memristor in neuromorphic circuit designs are that a single memristor can give the same behavior as a synapse and that the memristor has memory like a neuron. These reasons have led to the increased use of memristors in neuromorphic circuit studies. The fact that the memristor is a nonlinear element is also an effective reason for its use in neuromorphic circuit studies. In this study, memristor based neuromorphic circuits are designed by considering the advantages of neuromorphic circuits and the purpose of using memristor in neuromorphic circuit design. Since the memristor-based neuromorphic circuit design will be performed in a simulation environment, the models of the memristor developed for simulation environments constitute the first stage of the study. For this reason, memristor models were first investigated within the scope of the study. Although there are a wide variety of memristor models in the literature, for this study, memristor models that can be used in neuromorphic circuit design were prioritized. The HP memristor model and the model known as the University of Michigan model in the literature were examined. In this study, the Yakopcic model, which is more suitable for neuromorphic circuit design, was used. In neuromorphic circuit design, memristor-based synapse and neuron circuits are the most important components. As a result of the literature review conducted to determine the synapse model to be used in this thesis, four types of memristor based synapse circuits have been identified. These are a one-memristor synapse circuit, a two memristor synapse circuit, a two memristor and two resistor synapse circuit, and a four memristor synapse circuit. Considering the increase in circuit complexity with the number of memristors in the synapse circuit design, a single memristor synapse circuit has been used in this study. The memristor-based circuit implementations of neuron models were also investigated, and memristor-based circuit implementations of neuron models such as Hodgkin-Huxley, Hindmarsh-Rose, Izhikevich, and Fire and Integrate models were achieved. The literature has been reviewed to determine the neural network to be used in the design of the neuromorphic circuit. It has been observed that neural networks are fundamentally divided into non-spiking neural networks and spiking neural networks. In non-spiking neural networks, it has been observed that the resemblance to the biological nervous system is lower, and these neural networks conceptually mimic the biological nervous system. These networks, where information is processed as real numbers, operate differently from the information processing mechanism of the biological nervous system. Therefore, in the design of non-spiking neural networks, instead of circuit implementations of neuron models as neuron circuits, summing amplifier circuit, inverting amplifier circuit, and activation function circuit have been used. It has been observed that the spiking neural network has a structure more similar to the biological nervous system. In these neural networks, information is transmitted between neurons through spikes, just like in the biological nervous system. Therefore, the neuron circuit is created with the circuit implementations of neuron models. After determining the synapse circuit, neuron circuit, and neural network to be used in the design of the neuromorphic circuit, neuromorphic circuits capable of performing certain functions and classification were created with these structures. The functions applied to the created neuromorphic circuits are the XOR function, the even parity bit generator, and the even parity bit checker. For classification, a circuit for classifying Iris flower species has also been implemented. The XOR function is a function with two inputs and one output. The function generates logic '0' when the inputs are the same and logic '1' when they are different. The XOR function can only be realized with a multilayer neural network. For this reason, it has a distinctive place in neural network designs. For this reason, in this study, a neural network structure to realize the XOR function was created and a neuromorphic circuit was designed. The simulation results of the circuit design show that the circuit gives correctly outputs of the XOR function. Another function applied to the neuromorphic circuit in this study is the even parity generator. In a communication system, the even parity generator generates a bit value that the sender adds to the message so that the receiver can check whether the message is correct or not. The even parity generator generates a logic '0' if the sum of the bits in the message is even and a logic '1' if the sum is odd. In this study, a neural network structure to implement this function was created and a neuromorphic circuit design was realized. Simulation results of the circuit show that the function is implemented correctly. The even parity checker is another function whose neuromorphic circuit is implemented in this study. This function, which works at the receiver side of a communication system, sums the bits in the message with the bit produced by the even parity generator and if the result is even, it produces a logic '0' value meaning that the message is correct. If the result is odd, it generates logic '1' meaning that the message is incorrect. The simulation results of this neuromorphic circuit show that the function is implemented correctly. The Iris dataset has been used for the classification of the Iris flower. In this dataset, there are four features of the Iris flower: sepal width, sepal length, petal width, and petal length, along with the Iris flower classes (setosa, versicolor, and virginica) they belong to. The features of the flower were scaled and provided as inputs to the created neuromorphic circuit, and it was expected to output the correct flower type. The circuit classified the flowers into their categories with high accuracy. In conclusion, memristor-based neuromorphic circuit designs that can guide memristor based neuromorphic circuit studies and be used in neural network design have been presented. These designs were verified by applying example functions and a classification problem. The designs were compared with other studies in the literature, and their advantages and disadvantages were noted.
Benzer Tezler
- Nöromorfik devre tasarımı ve yeni uygulamaları
Neuromorphic circuit design and its new applications
MELİH YILDIRIM
Doktora
Türkçe
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR
- Dijital sistem tabanlı programlanabilir memristör emülatör devre tasarımı
Design of a digital system based programmable memristor emulator
MUSTAFA ASIM KARA
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DİNÇER GÖKCEN
- CMOS tabanlı memristör okuma devresi tasarımı
Design of CMOS based memristor readout integrated circuits
ŞEYMA SONGÜL ÖZDİLLİ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DİNÇER GÖKCEN
- Memristör tabanlı nonlineer sistem uygulamaları
Memristor based nonlinear system applications
SEDA ARIK
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. RECAİ KILIÇ
- Taklitçi devre kullanılarak memristörün gerçek zamanlı uygulaması
The real time implemantion of memristor by using emulator circuit
ALPER KARACA
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HASAN GÜLER