Υλοποιήσεις Αναλογικών Νευρωνικών Δικτύων χαμηλής κατανάλωσης ισχύος

Μυλωνά, Άννα; Mylona, Anna

dc.contributor.author	Μυλωνά, Άννα	el
dc.contributor.author	Mylona, Anna	en
dc.date.accessioned	2026-05-21T05:45:51Z
dc.date.available	2026-05-21T05:45:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/64702
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.32396
dc.rights	Default License
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Αναλογικός ταξινομητής	el
dc.subject	Συναρτήσεις ενεργοποίησης	el
dc.subject	Σχεδίαση χαμηλής κατανάλωσης ισχύος	el
dc.subject	Περιοχή υπο-κατωφλίου	el
dc.subject	Artificial Neural Networks	en
dc.subject	Mixed-signal architecture	en
dc.subject	Analog hardware classifier	en
dc.subject	Activation functions	en
dc.subject	Fully Tunable Implementation	en
dc.title	Υλοποιήσεις Αναλογικών Νευρωνικών Δικτύων χαμηλής κατανάλωσης ισχύος	el
heal.type	bachelorThesis
heal.classification	Electrical engineering	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2026-02
heal.abstract	Η παρούσα εργασία παρουσιάζει αρχιτεκτονικές αναλογικών Νευρωνικών Δικτύων χαμηλής κατανάλωσης. Αναπτύσσονται βασικά δομικά στοιχεία όπως κυκλώματα σιγμοειδούς και γκαουσιανής συνάρτησης, υπολογισμού ευκλείδειας απόστασης, ReLU, συσχέτισης και λήψης απόφασης, τα οποία συνδυάζονται σε ολοκληρωμένες αρχιτεκτονικές νευρωνικών δικτύων. Όλα τα τρανζίστορ λειτουργούν στην περιοχή υποκατωφλίου με τάση τροφοδοσίας $0.6V$. Η αξιολόγηση της λειτουργίας τους πραγματοποιείται μέσω post-layout προσομοιώσεων και ανάλυσης Monte Carlo, αποδεικνύοντας ότι οι προτεινόμενες αριχτεκτονικές επιτυγχάνουν ικανοποιητική ακρίβεια ταξινόμησης με σημαντικά μειωμένη κατανάλωση ισχύος.	el
heal.abstract	This work presents low-power architectures of analog Artificial Neural Net- works (ANN). Fundamental building blocks, including sigmoid and Gaus- sian function circuits, Euclidean distance computation, ReLU, correlation and decision-making circuits are designed and subsequently combined into complete ANN architectures. All transistors operate in the sub-threshold re- gion with a supply voltage of 0.6V . Their performance is evaluated through post-layout simulations and Monte Carlo analysis, demonstrating that the proposed architectures achieve satisfactory classification accuracy with sig- nificantly reduced power consumption.	en
heal.advisorName	Σωτηριάδης, Παύλος-Πέτρος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος Δ.	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών.	el
heal.academicPublisherID	ntua
heal.numberOfPages	77
heal.fullTextAvailability	false