• عنوان

    محاسبه درون حافظە اي بر پايه حافظه با دسترسي تصادفي استاتيك

  • نويسنده اصلي

    حسن شاهي، مرضيه

  • محل تحصيل
    اصفهان : دانشگاه صنعتي اصفهان
  • رشته تحصيلي
    مهندسي برق
  • مقطع تحصيلي
    كارشناسي ارشد
  • چكيده
    در سال‌هاي اخير شبكه‌هاي عصبي كانولوشن CNN به دليل دقت بالا در تشخيص تصاوير مورد توجه پژوهشگران قرار گرفته و در بسياري از الگوريتم‌هاي تشخيص تصوير مبتني بر يادگيري ماشين مورد استفاده قرار گرفته‌اند. به دليل حجم بالاي محاسبات و داده در اين شبكه‌ها، به شتاب دهنده‌هايي با عملكرد بالا جهت پياده‌سازي سخت‌افزاري آن‌ها نياز است. درنتيجه تحقيقات وسيعي براي تسريع شتاب‌دهي اين شبكه‌ها انجام و شتاب دهنده‌هاي بسياري براي پياده‌سازي سخت افزاري ارائه شده است. در اين شتاب دهنده‌ها براي انجام محاسبات داده‌هاي مورد نياز از حافظه خوانده شده و در واحد پردازش مركزي CPU عمليات‌هاي مورد نياز انجام شده و دوباره در حافظه ذخيره مي‌شوند. به‌دليل ماهيت شبكه‌هاي عصبي، تعداد اين عمليات‌ها بسيار زياد است و اين روند با تعداد بالا تكرار مي‌شود. اين جابه‌جايي داده‌ها در مسير حافظه و واحد پردازش به دليل تكرار زياد اين عمليات‌ها، توان و زمان زيادي مصرف مي‌كنند. يكي از انواع شتاب‌دهند‌ه‌ها با حذف گذرگاه بين حافظه و واحد پردازنده مركزي سعي در حل اين موضوع دارد. اين نوع شتاب‌دهنده با طراحي يك مدل حافظه جديد، عمليات‌هاي ساده را بدون جابجايي در حافظه و قسمت پردازش انجام مي‌دهد. با ظهور اين روي ‌كرد، حافظه‌هاي غيرفرار NVM كه براي يك حافظه معمول به‌صورت گسترده كاربردي نداشتند، دوباره مورد توجه پژوهشگران قرار گرفتند. اگرچه اين حافظه‌ها براي كاربرد‌هاي ذكرشده مناسب بودند اما به‌دليل تفاوت فرآيند ساخت و هزينه بيشتر و دسترسي كمتر در سيستم‌هاي محاسباتي براي طراحي اين نوع حافظه با مشكلاتي مواجه است. به همين دليل حافظه با دسترسي تصادفي استاتيك SRAM براي اين مدل حافظه خاص مورد توجه قرار گرفت كه با تغيير سلول يك SRAM مي‌توان در حافظه عمليات‌هاي ساده‌اي را انجام داد. در اين پايان‌نامه با تغيير سلول SRAM جهت كنترل ساده‌تر نسبت به انواع مشابه آن و طراحي مدارات جانبي ديگر اين مدل آرايه حافظه در ابعاد 64 128x پياده‌سازي شده است. به دليل معماري خاص اين حافظه يك شبكه عصبي پرسپترون چند لايه MLP با سه لايه مخفي تمام متصل با ابعاد 128 با استفاده از مجموعه داده MNIST آموزش داده شده و زمان انجام محاسبات براي يك ورودي در اين شبكه كاهش داده شده است.
  • شماره ركورد
    219745
  • گرايش رشته تحصيلي
    الكترونيك
  • دانشكده
    مهندسي برق و كامپيوتر
  • دانشگاه
    دانشگاه صنعتي اصفهان