Field programmable gate array implementation of spiking neural networks
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: OĞUZHAN YILDIRIM
Danışman: Burcu Erkmen
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Günümüzde, hayatımızdaki sistemlerin artan veri kapasitesi, düşük güç tüketimi ve yüksek hızlı veri işleme beklentileri nedeniyle Von Neumann darboğazı geçmişe göre daha önemli bir sorun haline gelmiştir. Bu nedenlerle, geleneksel bilgisayar mimarileri artık günümüzün gereksinimlerini tam olarak karşılayamamaktadır. Nöromorfik tasarımlar, düşük güç tüketimi ile büyük miktarda veriyi hızlı bir şekilde işleme açısından insan beynini taklit edebildiklerinden, tüm bu beklentilere alternatif bir çözüm olarak sunulabilir. Ancak, geleneksel yapay sinir ağı algoritmalarının başarım oranları tatmin edici olsa da, biyolojik sistemler güç tüketimi açısından hâlâ çok daha avantajlıdır. Biyolojik olarak en gerçekçi olan ve üçüncü nesil sinir ağları olarak anılan iğnecikli yapay sinir ağlarına dayalı nöromorfik donanım mimarileri, Von Neumann darboğazını aşarak akıllı sistemler için daha uygun bir donanım yapısı sağlar. Nöromorfik mimarilerin uygulanması için yeniden yapılandırılabilir donanımların kullanılması, bütünleşmiş devreler ve hesaplama yaklaşımlarından daha hızlı ve güncellenebilir bir araştırma alanı yaratır. Bu nedenle, bu tez çalışması kapsamında iğnecikli yapay sinir ağı algoritmalarının temel nöron modellerinden olan Izhikevich nöron modeli ile zamana dayalı STDP öğrenme kuralı FPGA üzerinde modüler ve esnek bir şekilde uygulanmıştır. Böylelikle gelecekteki FPGA tabanlı SNN uygulamaları için çoğaltılabilir bloklar halinde jenerik formatta nöron ve öğrenme modülleri oluşturulmuştur. Ayrıca ağırlık güncellemelerinin yüksek hassasiyette yapılabilmesi için tasarım 32-bit uzunlukta kayan nokta formatında uygulanmıştır.