2nd International Conference on Innovative Academic Studies, 28 Ocak - 31 Mart 2023, cilt.2, ss.474-480
Yapay sinir ağları günümüze kadar bilgisayarlı görü, doğal dil işleme, ses veya karakter tanıma
gibi pek çok uygulamada kullanılmıştır. Ağa verilen bu görevler zorlaştıkça ağın yapısı da
karmaşıklaşmakta ve parametreler arttıkça işlem süresi uzamaktadır. Bu sebeple de ağlar donanımsal
olarak gerçeklenmeye başlanmıştır. Memristör, uçucu olmayan hafıza özelliği ve tanım bağıntısı gereği
ağırlıklı çarpım işleminde sağladığı kolaylık sebebiyle sinaps gerçeklemeleri için literatürde en sık
kullanılan eleman olarak yer almıştır. Bu çalışmada da memristör temelli, sınıflama amacıyla kullanılacak
bir algılayıcı tasarımı oluşturulmuştur. Bu tasarım için oluşturulan ağ çok katmanlı bir yapıya sahiptir.
Giriş katmanı, gizli katman ve çıkış katmanı bulunan ağ geriye yayılımlı öğrenme algoritması ile eğitilmiş
ve transfer fonksiyonu olarak eşik fonksiyonu kullanılmıştır. Önerilen devre tasarımı ileri yol ve geri
yayılım bloklarından oluşmaktadır. İleri yol bloğu ağırlıklı çarpım işlemini memristör çapraz çubuk
dizisi, aktivasyon fonksiyonunu ise karşılaştırıcı blokları ile tamamen analog olarak gerçeklemektedir.
İleri yolda hesaplanan çıkışların hata değerleri bulunarak bu hataların geri yayılımı ile ağın eğitim işlemi
gerçekleştirilmiştir. Minimum hata bulunana kadar işleme devam edilerek bu sürecin sonunda gerekli
olan ağırlık güncellemeleri analog-dijital hibrit bir devre sayesinde kullanıcı müdahalesine ihtiyaç
duyulmadan gerçekleştirilmiş olur. Memristif özellik gösteren bir emülatör devresinin istenen ağırlıkları
gerçekleyebileceği aralık i-v karakteristiği incelenerek belirlenmiş ve kontrolünün belirli bir süre
uygulanan bir darbe katarı ile sağlanabileceği gösterilmiştir. Tasarlanan analog devrelerin çalışabilirliği
PSPICE simülasyonları ile doğrulanmış, algoritmik sonuçlar ile simülasyon sonuçlarının uyumlu olduğu
görülmüştür.