Προσομοίωση νευρομορφικού δικτύου με τη χρήση διτυώματος από μνήμες μεταβλητής αντίστασης

Λυμπερόπουλος, Σταύρος; Stavros, Limberopoulos

dc.contributor.author	Λυμπερόπουλος, Σταύρος	el
dc.contributor.author	Stavros, Limberopoulos	en
dc.date.accessioned	2021-06-09T13:30:24Z
dc.date.available	2021-06-09T13:30:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53555
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21253
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μικροσυστήματα και Νανοδιατάξεις”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Μεμρίστορ	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Μνήμες μεταβλητής αντίστασης	el
dc.subject	Νευρομορφικά	el
dc.subject	Προσομοίωση	el
dc.subject	Neural networks	en
dc.subject	Neuromorphic	en
dc.subject	Memristor	en
dc.subject	Simulation	el
dc.subject	Crossbar	en
dc.title	Προσομοίωση νευρομορφικού δικτύου με τη χρήση διτυώματος από μνήμες μεταβλητής αντίστασης	el
heal.type	masterThesis
heal.secondaryTitle	neuromorphic network simulation with the use of a memristor crossbar	en
heal.classification	φυσική υλικών	el
heal.classification	νανοτεχνολογία	el
heal.classification	material engineering	en
heal.classification	nanotechnology	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-02-26
heal.abstract	Ζούμε σε μια εποχή που χαρακτηρίζεται από την εκρηκτική δημιουργία τεράστιων όγκων δεδομένων και τη προσπάθεια επεξεργασίας τους. Αυτό το γεγονός έχει τρομακτική επίπτωση σε όλες τις πτυχές της σύγχρονης ζωής με τις εξελίξεις στη διαχείριση και επεξεργασία των δεδομένων και τη χρήση της τεχνητής νοημοσύνης. Η παρούσα πτυχιακή εργασία αναλύει το πολλά υποσχόμενο δομικό στοιχείο των τεχνητών νευρωνικών δικτύων στο επίπεδο του υλισμικού (hardware), το οποίο είναι η μνημαντίσταση (memristor). Η μνημαντίσταση, θεμελιωμένη θεωρητικά το 1971 από τον Leon Chua και υλοποιημένη σε εργαστήριο το 2008 από τον Dmitri Stukov, έχει έντονο ερευνητικό ενδιαφέρον επειδή τα χαρακτηριστικά της είναι όμοια με τις βιολογικές συνάψεις. Τα πρώτα δυο κεφάλαια της πτυχιακής εργασίας χτίζουν το θεωρητικό υπόβαθρο στα νευρομορφικά συστήματα ενώ το τρίτο κεφάλαιο προχωρά σε μια προσομοίωση ενός δικτυώματος μνημών μεταβλητής αντίστασης (memristor crossbar) σε λειτουργία τεχνητού νευρωνικού δικτύου. Συγκεκριμένα, το πρώτο κεφάλαιο περιγράφει τη θεωρία στην οποία βασίζεται η μνήμη μεταβλητής αντίστασης και τις διάφορες αρχές λειτουργίας της με βάση το υλικό κατασκευής της. Ακολουθεί μια ανάλυση των πιο διαδεδομένων γραμμικών και μη-γραμμικών μοντέλων που περιγράφουν τη λειτουργία των μνημών μεταβλητής αντίστασης και η σύγκρισή τους. Το δεύτερο κεφάλαιο επικεντρώνεται στα τεχνητά νευρωνικά δίκτυα και ξεκινάει με ανάλυση των συνάψεων στη βιολογία και της μνήμης μεταβλητής αντίστασης, που είναι η αντίστοιχη σύναψη στην ηλεκτρονική. Στη συνέχεια συναπτικοί τύποι μονής και διπλής μνήμης μεταβλητής αντίστασης, σύνθετές διατάξεις καθώς και μνήμη μεταβλητής αντίστασης με τη χρήση επιλογέα αναλύονται στα ηλεκτρονικά κυκλώματα. Το κεφάλαιο καταλήγει με τη περιγραφή τεχνητών νευρωνικών δικτύων, τις αρχές λειτουργίας τους, τα χαρακτηριστικά τους και ο τρόπος υλοποίησής τους στα ηλεκτρονικά κυκλώματα με τη χρήση δικτυωμάτων. Το τρίτο και τελευταίο κεφάλαιο συναρμολογεί όλα τα παραπάνω σε μια προσομοίωση δικτυώματος μνημών μεταβλητής αντίστασης. Η προσομοίωση γίνεται για ένα τεχνητό νευρωνικό δίκτυο ενός επιπέδου που κατηγοριοποιεί σε τέσσερις κατηγορίες ασπρόμαυρες εικόνες διαστάσεων 4x4 εικονοστοιχείων (pixel). Το τεχνητό νευρωνικό δίκτυο υλοποιήθηκε σε ένα δικτύωμα διαστάσεων 5x4 μνημών μεταβλητής αντίστασης με τη χρήση μιας μνήμης μεταβλητής αντίστασης ως σύναψη. Ο αλγόριθμος εκπαίδευσης που χρησιμοποιήθηκε ήταν της οπισθοδιάδοσης (backpropagation) και σε κάθε κύκλο εκπαίδευσης (epoch) χρησιμοποιήθηκε μια εικόνα εισόδου. Η προσομοίωση έδειξε ότι το δικτύωμα μνημών μεταβλητής αντίστασης ήταν ικανό να εκπαιδευτεί και να κατηγοριοποιήσει σωστά τις εικόνες μετά από δεκαέξι κύκλους εκπαίδευσης και να επιδείξει 100% ακρίβεια στα δεδομένα ελέγχου. Το παραπάνω αποδεικνύει την ικανότητα των δικτυωμάτων μνημών μεταβλητής μνήμης να λειτουργήσουν ως τεχνητά νευρωνικά δίκτυα.	el
heal.abstract	We are living in times of explosive growth of data creation and processing. This fact has an immense impact on all aspects of modern living through the advancements of data manipulation and the use of artificial intelligence. This dissertation analyzes a promising building block of artificial neural networks at the hardware level, the memristor. The memristor, first conceptually founded in 1971 by Leon Chua and realized in a lab in 2008 by Dmitri Strukov, has intense research due to its characteristics that are very similar to biological synapses. The first two chapters build a theoretical foundation on neuromorphic computing while the third and final chapter simulates a memristor crossbar functioning as an artificial neural network. Specifically, the first chapter describes the theory behind the memristor and its physical functioning mechanisms based on the materials used to develop it. Following there is an analysis of the most widely used memristor models, both linear and non-linear and a comparison between them. The second chapter emphasizes on artificial neural networks and starts off with an analysis on synapses in biology and their equivalent in electronics that is the memristor. Synaptic types like single memristor, double memristors, complex memristor configurations and memristors with selectors in electronic systems are described. The chapter continues with descriptions of artificial neural networks, their functioning logic and characteristics and implementation in hardware by memristor crossbars. The third and final chapter puts all the above in action through a memristor crossbar simulation. The simulation is a for a single layer artificial neural network that classifies 4x4 pixel black and white images into 4 categories. The artificial neural network is implemented as a 5x4 memristor crossbar using as synapses a single memristor. The training algorithm used was backpropagation on a single sample of input images. It was shown that the memristor crossbar was able to be trained and capable of correctly classifying images after 16 epochs and achieved 100% classification accuracy on the testing dataset. The above proves the capability of memristor crossbars to function as artificial neural networks.	en
heal.advisorName	Τσουκαλάς, Δημήτριος	el
heal.committeeMemberName	Τσουκαλάς, Δημήτριος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας	el
heal.committeeMemberName	Τσέτσερης, Λεωνίδας	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	78 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false