استفاده از ممريستور در پياده‌سازي عمليات پيچش در شبكههاي عصبي عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي برق-الكترونيك

كارشناسي ارشد

در سال‌هاي اخير، استفاده از ممريستور به‌عنوان يك عنصر نوظهور در پياده‌سازي سخت‌افزاري شبكه‌هاي عصبي، به‌ويژه شبكه‌هاي عصبي پيچشي، توجه بسياري را به خود جلب كرده است. ويژگي‌هاي ممريستور از جمله قابليت ذخيره‌سازي مقاومتي و مصرف توان پايين، آن را به گزينه‌اي مناسب براي شتاب‌دهي محاسباتي شبكه‌هاي پيچشي بدل كرده است. با اين حال، در عمل چالش‌هايي نظير افت ولتاژ در دروازه‌هاي انتقال موجب مي‌شود ولتاژهاي خروجي ستون‌هاي آرايه‌ي متقاطع به‌طور دقيق اندازه‌گيري نشوند. اين امر سبب خطا در محاسبه‌ي مقاومت ممريستور و در نهايت كاهش دقت لايه‌هاي پيچشي شبكه مي‌گردد. در اين پژوهش، پس از بررسي مباني نظري شبكه‌هاي عصبي و ممريستور، يك روش الگوريتمي براي جبران خطاي ناشي از افت ولتاژ دروازه‌هاي انتقال در پياده‌سازي لايه‌هاي پيچشي ارائه شده است. در روش پيشنهادي، افت ولتاژ در محاسبات در نظر گرفته شده و به‌صورت نرم‌افزاري جبران مي‌شود، بدون آنكه نيازي به طراحي مدار جديد باشد. اين رويكرد منجر به افزايش دقت شبكه‌هاي پيچشي مي‌گردد، هرچند با افزايش نسبي زمان آموزش همراه است. براي ارزيابي، مدل‌سازي ممريستور با استفاده از زبان Verilog-A در محيط Cadence انجام شده است. سپس، ساختارهاي پيشنهادي شامل يك فيلتر پيچشي 3×3 و يك شبكه‌ي تماما متصل 10×64 در محيط MATLAB شبيه‌سازي و آموزش داده شده‌اند. براي هر دو ساختار از مجموعه داده‌ي آموزشي UCI Optical Recognition of Handwritten Digits جهت آموزش و ارزيابي استفاده شده است. نتايج شبيه‌سازي نشان مي‌دهد كه روش پيشنهادي توانسته است كاهش دقت ناشي از افت ولتاژ دروازه‌ي انتقال را به‌طور مؤثري جبران نمايد، به‌گونه‌اي كه دقت شبكه‌ي كاملاً متصل حدود 10 درصد و دقت شبكه‌ي پيچشي حدود 3 درصد نسبت به حالت بدون روش پيشنهادي افزايش يافته است. اين پژوهش مي‌تواند گامي مؤثر در جهت ارتقاي كارايي شبكه‌هاي عصبي ممريستوري پيچشي و كاربردپذيري آن‌ها در حوزه‌هاي پردازش تصوير و يادگيري عميق باشد.

236443

مدارهاي مجتمع

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان