Προσομοίωση και μοντελοποίηση τεχνολογιών μνήμης μεταβλητής αντίστασης για νευρομορφικές εφαρμογές

Τσιούστας, Χαράλαμπος; Tsioustas, Charalampos

dc.contributor.author	Τσιούστας, Χαράλαμπος	el
dc.contributor.author	Tsioustas, Charalampos	en
dc.date.accessioned	2021-12-06T10:51:29Z
dc.date.available	2021-12-06T10:51:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54142
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21840
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μικροσυστήματα και Νανοδιατάξεις”
dc.rights	Default License
dc.subject	Νευρομορφικές εφαρμογές	el
dc.subject	Μνήμη μεταβλητής αντίστασης	el
dc.subject	Μνήμη αγώγιμης γέφυρας	el
dc.subject	Λογικές εκφράσεις	el
dc.subject	Αναγνώριση εικόνων	el
dc.subject	Memristor	en
dc.subject	Threshold-Bipolar mode	en
dc.subject	Cross-Bar memory	en
dc.subject	Read margin	en
dc.subject	Sneak path currents	en
dc.title	Προσομοίωση και μοντελοποίηση τεχνολογιών μνήμης μεταβλητής αντίστασης για νευρομορφικές εφαρμογές	el
heal.type	masterThesis
heal.secondaryTitle	Simulation and Modeling of Memristor Technologies for Neuromorphic Applications	en
heal.classification	Προσομοίωση Νευρομορφικών Εφαρμογών με μνήμες μεταβλητής αντίστασης	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-04
heal.abstract	Η ταχεία ανάπτυξη της τεχνολογίας πληροφοριών σε συνδυασμό με την επανάσταση του κλάδου της τεχνητής νοημοσύνης κατέστησε αναγκαία την σχεδίαση αξιόπιστων διατάξεων που ταυτόχρονα να επιδεικνύουν ικανότητες υψηλής πυκνότητας αποθήκευσης. Οι διατάξεις μνήμης μεταβλητής αντίστασης αποκτούν αυξανόμενο ενδιαφέρον καθώς αποτελούν τους βασικούς υποψήφιους για την αντικατάσταση των κλασσικών μνημών, ενώ ταυτόχρονα παρουσιάζουν απλή και ελκυστική δομή, υψηλές ταχύτητες επεξεργασίας, χαμηλή κατανάλωση ισχύος και είναι ανθεκτικές στο χρόνο. Ταυτόχρονα μπορούν να χρησιμοποιηθούν για την υλοποίηση λογικών εκφράσεων αλλά και για την κατασκευή τεχνητών νευρωνικών δικτύων με απώτερο στόχο την χρήση τους για νευρομορφικούς υπολογισμούς υψηλού βαθμού ακρίβειας. Στη παρούσα εργασία αρχικά πραγματοποιείται μία απόπειρα σχεδίασης και κατασκευής ενός γενικού μοντέλου προσομοίωσης του memristor στο λογισμικό της Matlab, το οποίο να είναι ικανό να περιλαμβάνει όλους τους φυσικούς μηχανισμούς που διέπουν την λειτουργία του και να περιγράφει τόσο την Bipolar όσο και την Threshold συμπεριφορά. Στην συνέχεια κατασκευάζεται μία αρχιτεκτονική αλληλοδιασταυρώμενων δομών (Cross – Bar structure) και εξετάζεται η απόκριση της κατά την εγγραφή και την ανάγνωση των στοιχείων της. Έπειτα αξιοποιώντας τις παραπάνω τεχνολογίες πραγματοποιείται ανάλυση και προσομοίωση της λογικής πύλης NAND. Τέλος εξετάζουμε τις νευρομορφικές εφαρμογές και πιο συγκεκριμένα την περίπτωση αναγνώρισης εικόνων με την μέθοδο Στοχαστικής Καθοδικής Κλίσης (Stochastic Gradient Descent).	el
heal.abstract	The rapid development of information technology in combination with the revolution of the artificial intelligence industry made it necessary to design reliable devices that at the same time demonstrate high-density storage capabilities. CBRAM devices are gaining more and more interest as they are the main candidates for the replacement of classic memories, while at the same time they have a simple and attractive structure, high processing speeds, low power consumption and are durable over time. At the same time, they can be used for the implementation of logical expressions but also for the construction of artificial neural networks with the ultimate goal of using them for neuromorphic calculations with high accuracy. In the present work, an attempt is initially made to design and construct a general simulation model of the memristor in Matlab software, which is capable of including all the physical mechanisms governing its operation and describing both Bipolar and Threshold mode. Then a Cross – Bar architecture is constructed and its response is examined under writing and reading operations. Then, utilizing the above technologies, the NAND logic gate is analysed and simulated. Finally, we examine the neuromorphic applications and more specifically the case of image recognition with Stochastic Gradient Descent.	en
heal.advisorName	Τσουκαλάς, Δημήτριος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	88 σ.	el
heal.fullTextAvailability	false