دانلود پروژه پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك

فايل ورد قابل ويرايش

 ۱- مقدمه

شبكه هاي عصبي مصنوعي به صورت عمومي بعنوان يك راه حل خوب براي مسائلي از قبيل تطبيق الگو  مورد پذيرش قرار گرفته اند . عليرغم مناسب بودن آنها براي پياده سازي موازي ، از آنها در سطح وسيعي بعنوان شبيه سازهاي عددي  در سيستمهاي معمولي استفاده مي شود .

يك دليل براي اين مسئله مشكلات موجود در تعيين وزنها براي سيناپسها در يك شبكه    بر پايه مدارات آنالوگ است . موفقترين الگوريتم آموزش ، الگوريتم Back-Propagation است . اين الگوريتم بر پايه يك سيستم متقابل است كه مقادير صحيح را از خطاي خروجي شبكه    محاسبه مي كند . يك شرط لازم براي اين الگوريتم دانستن مشتق اول تابع تبديل نرون است .

در حاليكه اجراي اين مسئله براي ساختارهاي ديجيتال از قبيل ميكروپروسسورهاي معمولي  و سخت افزارهاي خاص آسان است ، در ساختار آنالوگ با مشكل روبرو مي شويم . دليل اين مشكل ، تغييرات قطعه و توابع تبديل نرونها و در نتيجه تغيير مشتقات اول آنها از نروني به نرون ديگر و از تراشه اي به تراشه ديگر است و چه چيزي مي تواند بدتر از اين باشد كه آنها با دما نيز    تغيير كنند .

ساختن مدارات آنالوگي كه بتوانند همه اين اثرات را جبران سازي كنند امكان پذير است ولي اين مدارات  در مقايسه با مدارهايي كه جبران سازي نشده اند داراي حجم بزرگتر و سرعت كمتر هستند . براي كسب موفقيت تحت فشار رقابت شديد از سوي دنياي ديجيتال ، شبكه هاي عصبي آنالوگ   نبايد سعي كنند كه مفاهيم ديجيتال را به دنياي آنالوگ انتقال دهند .

در عوض آنها بايد تا حد امكان به فيزيك قطعات متكي باشند تا امكان استخراج يك موازي سازي گسترده    در تكنولوژي VLSI مدرن بدست آيد . شبكه هاي عصبي براي چنين پياده سازيهاي آنالوگ بسيار مناسب هستند زيرا جبران سازي نوسانات  غير قابل اجتناب قطعه مي تواند در وزنها لحاظ شود .

مسئله اصلي كه هنوز بايد حل شود آموزش است . حجم بزرگي از مفاهيم شبكه عصبي آنالوگ كه در اين زمينه مي توانند يافت شوند ، تكنولوژيهاي گيت شناور را جهت ذخيره سازي وزنهاي آنالوگ بكار مي برند ، مثل EEPROM حافظه هاي Flash .

در نظر اول بنظر مي رسد كه اين مسئله راه حل بهينه اي باشد .  آن فقط سطح كوچكي را مصرف مي كند و بنابراين حجم سيناپس تا حد امكان فشرده مي شود    (كاهش تا حد فقط يك ترانزيستور) . دقت آنالوگ مي تواند بيشتر از ۸ بيت باشد و زمان ذخيره سازي داده (با دقت ۵ بيت) تا ۱۰ سال  افزايش مي يابد .

اگر قطعه بطور متناوب مورد برنامه ريزي قرار گيرد ، يك عامل منفي وجود خواهد داشت  و آن زمان برنامه ريزي و طول عمر محدود ساختار گيت شناور است . بنابراين چنين قطعاتي احتياج به وزنهايي دارند كه از پيش تعيين شده باشند .

اما براي محاسبه وزنها يك دانش دقيق از تابع تبديل شبكه ضروري است . براي شكستن اين چرخه پيچيده ، ذخيره سازي وزن بايد زمان نوشتن كوتاهي داشته باشد . اين عامل باعث مي شود كه الگوريتم ژنتيك وارد محاسبات شود . با ارزيابي تعداد زيادي از ساختارهاي تست مي توان وزنها را با بكار بردن يك تراشه واقعي تعيين كرد .

همچنين اين مسئله مي تواند حجم عمده اي از تغييرات قطعه را جبران سلزي كند ، زيرا داده متناسب   شامل خطاهايي است كه توسط اين نقايص ايجاد شده اند .

اين مقاله يك معماري شبكه عصبي آنالوگ را توصيف مي كند كه براي الگوريتم هاي ژنتيك بهينه شده اند .

سيناپس ها كوچك ۱۰X10μm و سريع هستند . فركانس اندازه گيري شده شبكه تا ۵۰MHz افزايش مي يابد كه در نتيجه بيش از  ۲۰۰ گيگا اتصال در ثانيه  براي آرايه كاملي از ۴۰۹۶ سيناپس بدست مي آيد . براي ساختن شبكه هاي بزرگتر بايد امكان تركيب چندين شبكه كوچكتر روي يك سطح يا   روي تراشه هاي مختلف وجود داشته باشد كه با محدود كردن عملكرد آنالوگ به سيناپس ها و وروديهاي نرون   بدست مي آيد .

وروديهاي شبكه و خروجيهاي نرون بصورت ديجيتالي كدينگ مي شود . در نتيجه عملكرد سيناپس از ضرب به جمع كاهش مي يابد . اين مسئله باعث مي شود كه حجم سيناپس كوچكتر شود و عدم تطبيق پذيري قطعه بطوركامل جبران سازي شود .

چونكه هر سيناپس يك صفر يا وزن اختصاصي اش را اضافه مي كند كه مي تواند شامل   هر تصحيح ضروري باشد . سيگنالهاي آنالوگ بين لايه هاي شبكه آنالوگ ، بوسيله اتصالات چند بيتي اختياري بيان مي شوند .

شبكه ارائه شده در اين مقاله براي يك جريان عددي real-time‌ در محدوده فركانسي     ۱ – ۱۰۰MHz و پهناي ۶۴ بيت بهينه شده است .

قصد داريم كه آن را براي كاربردهاي انتقال داده مثل DSL‌ سرعت بالا ، پردازش تصوير       بر اساس داده ديجيتالي لبه توليد شده توسط تصاوير دوربين بوسيله تراشه پيش پردازش   آنالوگي و ارزيابي تناسبي آرايه ترانزيستور قابل برنامه ريزي كه در گروه ما توسعه داده شده است بكار ببريم .