Acceleration of neuron simulation in FPGAs

Μαγκανάρης, Ιωάννης; Magkanaris, Ioannis

dc.contributor.author	Μαγκανάρης, Ιωάννης	el
dc.contributor.author	Magkanaris, Ioannis	en
dc.date.accessioned	2019-03-06T10:25:07Z
dc.date.available	2019-03-06T10:25:07Z
dc.date.issued	2019-03-06
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48360
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16474
dc.rights	Default License
dc.subject	Νευροεπιστήμη	el
dc.subject	Προσομοίωση νευρώνων	el
dc.subject	Παραλληλοποίηση	el
dc.subject	Συνάψεις	el
dc.subject	Νευρώνες	el
dc.subject	AdEx	en
dc.subject	STDP	en
dc.subject	Maxeler DFE	en
dc.subject	FPGA	en
dc.subject	Neuron simulation	el
dc.title	Acceleration of neuron simulation in FPGAs	en
heal.type	bachelorThesis
heal.classification	Neurosciences	en
heal.classification	Field programmable gate arrays	en
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh91006099
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh93009062
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-12-04
heal.abstract	Neuroscience studies the human brain, the nervous system and how it functions and organizes itself. The main focus of these studies are the human brain and how it defines each person's consciousness and behavior. While in the past most of the experiments were done in labs studying small amounts of neurons or the brain itself, nowadays neuroscientists use computers to simulate neuronal networks in great detail, complexity and size. Those simulations also help them keep track of more variables and grant them the ability to visualize large networks, aiding them further in their research. The ever more complex and large neuron networks that neuroscientists want to simulate has generated a need to accelerate neuron simulations in different platforms and architectures. While there are a lot of universal simulators that cover neuroscientists’ basic needs, most of them are not optimized for modern computer systems and consequently don’t achieve the best performance possible, causing the simulations to demand hours or days in execution time, delaying research. This diploma thesis attempts to appease the need for accelerated simulation by utilizing the Maxeler Data Flow Engine platform to accelerate an Adaptive Exponential Integrate-and-Fire neuron model with Spike-timing Dependent Plasticity which is widely used by neuroscientists. The simulation was firstly imported from Brian Simulator to C programing language and then developed for the DFEs. Maxeler DFE platform is built with FPGAs and uses a dataflow graph to process data, decoupling logic from memory. In the DFEs the computation in time is transformed into a computation in space. This implementation was able to accelerate neuron simulation up to x8 times in comparison to the Brian Simulator and is able to simulate networks of more than 20000 neurons, while keeping the same functionality of synapses with the Brian Simulator. However, there was observed a variation in the acceleration rates of the DFEs in comparison to the C and Brian Simulator due to the event-driven architecture of the simulation and the deterministic runtime of the FPGAs. This fact constitutes a point of interest and is investigated further in this diploma thesis.	en
heal.abstract	Η Νευροεπιστήμη μελετά τον ανθρώπινο εγκέφαλο, το νευρικό σύστημα και πως αυτό λειτουργεί και οργανώνεται. Αυτή η μελέτη εστιάζεται κυρίως στον ανθρώπινο εγκέφαλο και πως αυτός καθορίζει την συνείδηση και την συμπεριφορά του. Ενώ στο παρελθόν τα σχετικά πειράματα εκτελούνταν σε εργαστήρια με μικρό αριθμό νευρώνων ή τον ίδιο τον εγκέφαλο, σήμερα οι νευροεπιστήμονες χρησιμοποιούν υπολογιστές για να προσομοιώσουν δίκτυα νευρώνων με μεγάλη ακρίβεια, πολυπλοκότητα και μέγεθος. Επιπλέον, αυτά τα πειράματα τους βοηθάνε να παρακολουθούν περισσότερες μεταβλητές και τους παρέχουν την δυνατότητα να οπτικοποιούν μεγάλα δίκτυα, βοηθώντας τους περαιτέρω στην έρευνα τους. Τα όλο και πιο σύνθετα και μεγάλα δίκτυα νευρώνων που θέλουν να προσομοιώσουν οι νευροεπιστήμονες δημιούργησαν την ανάγκη για επιτάχυνσή τους σε διάφορες πλατφόρμες και αρχιτεκτονικές. Ενώ υπάρχουν διάφοροι γενικοί προσομοιωτές που καλύπτουν τις βασικές ανάγκες των επιστημόνων, οι περισσότεροι από αυτούς δεν είναι βελτιστοποιημένοι για τα σύγχρονα υπολογιστικά συστήματα και επομένως δεν πετυχαίνουν την καλύτερη δυνατή απόδοση με αποτέλεσμα οι προσομοιώσεις να χρειάζονται ώρες ή ακόμα και μέρες για να ολοκληρωθούν, καθυστερώντας την έρευνα. Η διπλωματική αυτή προσπαθεί να καλύψει την ανάγκη για επιταχυνόμενες προσομοιώσεις χρησιμοποιώντας την πλατφόρμα Μηχανών Ροής Δεδομένων της Maxeler για να επιταχύνει μια προσομοίωση ενός Προσαρμοστικού Εκθετικού μοντέλου Νευρώνα Συσόρευσης-και-Πυροδότησης σε ένα δίκτυο με Πλαστικότητα εξαρτώμενη από τις χρονικές στιγμές Πυροδότησης των Νευρώνων. Η προσομοίωση αρχικά μεταφράστηκε από τον προσομοιωτή Brian σε ένα πρόγραμμα γραμμένο στη γλώσσα προγραμματισμού C και στη συνέχεια εξελίχθηκε για τις Μηχανές Ροής Δεδομένων. H πλατφόρμα της Maxeler βασίζεται σε FPGA και χρησιμοποιεί έναν γράφο ροής δεδομένων για να επεξεργαστεί τα δεδομένα, αποσυνδέοντας την λογική από την μνήμη που βρίσκονται τα δεδομένα. Στις Μηχανές Ροής Δεδομένων ο χρόνος των υπολογισμών μετατρέπεται σε υπολογισμούς στον χώρο. Αυτή η υλοποίηση κατάφερε να επιταχύνει την προσομοίωση μέχρι και 8 φορές σε σχέση με τον Προσομοιωτή Brian και είναι ικανή να προσομοιώσει δίκτυα με πάνω από 20000 νευρώνες, κρατώντας την ίδια λειτουργικότητα των Συνάψεων με τον Brian. Στις μετρήσεις των προσομοιώσεων παρατηρήθηκαν μεγάλες μεταβολές στους λόγους της επιτάχυνσης των Μηχανών Ροών Δεδομένων σε σχέση με την προσομοίωση σε C εξαιτίας της εξαρτώμενης από γεγονότα φύσης της προσομοίωσης και του ντετερμινιστικού χρόνου εκτέλεσης που απαιτούν τα FPGA. Αυτό το γεγονός αποτελεί σημείο ιδιαίτερου ενδιαφέροντος και αναλύεται περισσότερο στην διπλωματική.	el
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Πεκμεστζή, Κιαμάλ	el
heal.committeeMemberName	Ματσόπουλος, Γιώργος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	103 σ.
heal.fullTextAvailability	true