Αξιολόγηση & ανάπτυξη αρχιτεκτονικών αναλογικών VLSI νευρωνικών δικτύων
| datacite.contributor.RelatedPerson | Χαρίδημος Βέργος | |
| datacite.contributor.RelatedPerson | Γεώργιος Ζερβάκης | |
| datacite.contributor.Supervisor | Ευάγγελος Δερματάς | |
| dc.contributor.author | Φαρμάκης, Αλέξανδρος-Οδυσσέας | |
| dc.contributor.other | Farmakis, Alexander-Odysseus | |
| dc.date.accessioned | 2025-03-10T06:32:40Z | |
| dc.date.available | 2025-03-10T06:32:40Z | |
| dc.date.issued | 2025-03-05 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Όταν ένας αλγόριθμος έχει “ωριμάσει” και δεν μπορούν να γίνουν περισσότερες βελτιστοποιήσεις της απόδοσής του στο επίπεδο του λογισμικού ή χρειάζεται να εφαρμοστεί σε πολύ εξειδικευμένες περιπτώσεις, συχνά μεταφέρεται σε ειδικό υλικό για την εκτέλεση της ίδιας εργασίας. Τα ψηφιακά ηλεκτρονικά μπόρεσαν να εκτελέσουν αυτό το έργο αρκετά αποτελεσματικά όσον αφορά στο χρόνο σχεδιασμού και υλοποίησης, ειδικά όταν πρόκειται για τη χρήση των ισχυρών σύγχρονων εργαλείων CAD και τεχνικές σχεδιασμού, όπως το HLS για αλγοριθμικό σχεδιασμό ψηφιακού υλικού. Ωστόσο, με την ταχεία κλιμάκωση συστημάτων Τεχνητής Νοημοσύνης όπως τα Large-Language Models (LLMs) τόσο σε μέγεθος όσο και σε δημοτικότητα, η κατανάλωση ενέργειας και η καθυστέρηση διάδοσης γίνονται κρίσιμοι παράγοντες. Ενώ οι μέθοδοι σχεδιασμού τέτοιων επεξεργαστών, με τη γενικότερη έννοια, αξιοποιούν ορισμένες στοχαστικές ιδιότητες των νευρωνικών δικτύων για να αυξήσουν την ταχύτητά τους και να μειώσουν την κατανάλωση ενέργειας και το κυκλωματικό μέγεθός τους με κόστος κάποιου πρόσθετου σφάλματος ταξινόμησης, αυτή η διπλωματική στοχεύει στη διερεύνηση μεθόδων σχεδίασης αναλογικών VLSI σε αντίθεση με τις ψηφιακές μεθόδους VLSI που χρησιμοποιούνται μέχρι τώρα. Οι συγκρίσεις γίνονται με παραλλαγές ενός βασικού νευρωνικού δικτύου που περιέχει ποικιλία συναρτήσεων ενεργοποίησης και οι μετρικές απόδοσης υπολογίζονται με βάση ένα ψηφιακό κύκλωμα αναφοράς για την αξιολόγηση των εν λόγω μετρήσεων. | |
| dc.description.translatedabstract | When an algorithm has “matured” and no more optimizations can be done to enhance its throughput at the software level, or it needs to be applied in very specialized use cases, often times it is transferred on to dedicated hardware to perform the same task. Digital electronics have been able to accomplish this task quite effectively in terms of design and implementation time, especially when it comes to using the powerful modern CAD tools and design techniques, such as HLS for algorithmic design of digital hardware. However, with the rapid growth of Artificial Intelligence systems such as Large-Language Models (LLMs) both in scale and in popularity, energy consumption and propagation delay become critical. While methods for designing such processors, in the most general sense, leverage certain probabilistic properties of neural networks to increase their speed and lower their energy consumption and area at the cost of some additional classification error, this thesis aims to explore analog VLSI design methods in contrast to the digital VLSI methods employed so far. A case study is conducted upon variations of a basic neural network containing a variety of activation functions, and performance metrics are calculated based on a benchmark digital circuit to evaluate said metrics. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29258 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Αναλογική σχεδίαση | |
| dc.subject | Ψηφιακή σχεδίαση | |
| dc.subject | Αξιολόγηση κυκλωμάτων | |
| dc.subject | Γρήγορα αριθμητικά κυκλώματα | |
| dc.subject | Τεχνητά νευρωνικά δίκτυα | |
| dc.subject | Νευρομορφικός υπολογισμός | |
| dc.subject | Συναρτήσεις ενεργοποίησης | |
| dc.subject | Διαφορικοί ενισχυτές | |
| dc.subject | Διαγωγιμότητα | |
| dc.subject | Διεμπέδηση | |
| dc.subject.alternative | Analog design | |
| dc.subject.alternative | Digital design | |
| dc.subject.alternative | Circuit evaluation | |
| dc.subject.alternative | CMOS | |
| dc.subject.alternative | VLSI | |
| dc.subject.alternative | Fast arithmetic circuits | |
| dc.subject.alternative | Artificial neural networks | |
| dc.subject.alternative | Neuromorphic computing | |
| dc.subject.alternative | Activation functions | |
| dc.subject.alternative | Differential amplifiers | |
| dc.subject.alternative | Transconductance | |
| dc.subject.alternative | Transimpedance | |
| dc.title | Αξιολόγηση & ανάπτυξη αρχιτεκτονικών αναλογικών VLSI νευρωνικών δικτύων | |
| dc.title.alternative | Evaluation & development of analog VLSI neural network architectures |