امکان سنجی پیاده سازی سخت افزاری شبکه های عصبی پالسی

تا بحال انسان برای ساخت یک موجود هوشمند تلاش های فراوانی انجام داده است گاهی در این زمینه نیز ازتوسعه سیستم های هوشمند با الهام از طبیعت (هوشمندی هایی غیر از هوشمندی انسان) که اکنون از زمینه های کاملاً پرطرفدار در هوش مصنوعی است استفاده کرده اما هنوز نکات مبهم بسیاری در این زمینه وجود دارد. آیا تنها این نکته که هوشمندترین موجودی که می شناسیم، انسان است کافی است تا هوشمندی را به تمامی اعمال انسان نسبت دهیم؟ اما به راستی مغز انسان یکی از شاهکارهای نظام آفرینش است. شبکه ای بسیار پیچیده متشکل از پردازشگر های بیوشیمیایی به نام نورون عصبی که کلیه فعالیت های حیاتی بدن رامدیریت می کنند امروزه به واسطه ی توسعه ی تکنیک های آزمایشگاهی، سازوکار نورون های عصبی در بافت زنده کشف شده است. ولیکن علی رقم گام های موثر در این راستا، بر هم کنش نورون های عصبی و کدینگ موجود در بافت زنده همچنان مورد بحث و مناقشه است. در این پژوهش 3 نوآوری در زمینه ی پیاده سازی ساختار عصبی بر مبنای مغز انسان شده است.: نوآوری اول، ارائه مدل های نورونی چند تکه خطی بوده است. از بهترین مدل هایی که تا بحال برای شبیه سازی رفتار نورون های بیولوژیک ارائه شده مدل ایژیکویچ می باشد، اما این مدل به دلیل وجود یک عامل درجه 2 که از نظر پیاده سازی مداری معادل یک ضرب کننده می باشد، چه در پیاده سازی آنالوگ و چه در پیاده سازی دیجیتال یک عامل سد کننده است که می تواند روی سرعت و یا مشخصا حجم مدار تاثیر بگذارد. در این پایان نامه یک سری مدل تکه خطی ارائه شده که بدون استفاده از عملیات ضرب می توان رفتارهای مدل بیولوژیک ایژیکویچ را با دقت بالا یی تقلید کرد. این مدل ها در واقع تنها توسط عملیات جمع و شیفت محاسباتی قادر به پیاده سازی مدار الکترونیکی هم به صورت دیجیتال و هم به صورت آنالوگ می باشند. نوآوری دوم ارائه آموزشی برای شبکه های اسپایکی که الهام گرفته شده از آموزش کلاسیک شبکه عصبی ومدل های بیولوژیک بوده است. در این آموزش با ترکیب شبکه های سنتی عصبی و مدل های نورونی اسپایکی، شبکه ای ایجاد شده که قابلیت تشخیص الگو های مختلف و پیچیده را با دقت بالا را دارا می باشد. در این پیاده سازی نورون های tonic مورد استفاده قرار گرفته اند در این پروژه از بانک اطلاعاتی استاندارد mnist [38] استفاده شده است که دارای 26 الگوی متفاوت با 29 دستخط می باشد. نوآوری سوم ارائه مدار دیجیتالی برای آموزش و پیاده سازی مدل های چند تکه خطی ارائه شده می باشد. در این طراحی به منظور کاهش مسیر بحرانی مدار و رسیدن به فرکانس بالا از تکنیک پایپ لاین برای پیاده سازی مدار پیشنهادی استفاده شده است. این سیستم به نحوی طراحی شده که قابلیت پیاده سازی آموزش های با ناظر و بدون ناظر را دارا می باشد. سخت افزار پیشنهاد شده دارای 3 قسمت اصلی به نام های 1.مدل نورون2. وزن سیناپسی3. مکانیزم آموزشی می باشد همچنین در پایان برای تعیین صحت مدل و ساختار طراحی شده، آن را بر روی برد fpga شرکت زایلینکس به نام xup vertix-ii پیاده کرده و نتایج بدست آمده حاکی از 91.7% دقت بوده است.