Βελτιστοποίηση επιταχυντή υλικού για spiking νευρωνικά δίκτυα
Loading...
Date
2025-10-17
Authors
Ζαχαριουδάκης, Ιωάννης
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα εργασία εστιάζει στη μελέτη, ανάλυση και βελτιστοποίηση ενός επιταχυντή υλικού για την προσομοίωση και εκπαίδευση Spiking Νευρωνικών Δικτύων (SNN). Οι επιταχυντές αυτού του είδους αποτελούν κρίσιμη τεχνολογία για την υλοποίηση υπολογιστικών συστημάτων που μιμούνται τη λειτουργία του ανθρώπινου εγκεφάλου, προσφέροντας υψηλό βαθμό παραλληλίας και χαμηλή ενεργειακή κατανάλωση. Ωστόσο, η αποτελεσματικότητα ενός τέτοιου συστήματος εξαρτάται σε μεγάλο βαθμό από τον τρόπο με τον οποίο οι νευρώνες και οι συνδέσεις τους χαρτογραφούνται στο υλικό, καθώς η επικοινωνία μεταξύ πυρήνων μπορεί να αποτελέσει σημαντική πηγή καθυστέρησης και συμφόρησης.Για τη διερεύνηση της συμπεριφοράς του δικτύου πραγματοποιήθηκανπροσομοιώσεις μέσω του προσομοιωτή Noxim, ενός cycle-accurate προσομοιωτή που επιτρέπει την ανάλυση της καθυστέρησης, του throughput για διαφορετικούς αλγορίθμους δρομολόγησης και επίπεδα κίνησης. Τα αποτελέσματα επιβεβαίωσαν ότι, παρά την ικανότητα του δικτύου να υποστηρίζει υψηλότερους ρυθμούς εισαγωγής πακέτων (Packet Injection Rate, PIR), η απόδοση του επιταχυντή περιορίζεται από την τοποθέτηση των νευρώνων και την άνιση κατανομή των spikes στους πυρήνες.Για την αντιμετώπιση του προβλήματος αυτού, προτάθηκε και υλοποιήθηκε μια νέα μέθοδος χαρτογράφησης βασισμένη στην καμπύλη Hilbert, μια χώρο-πληρωτική καμπύλη (space-filling curve) που διατηρεί την τοπικότητα των δεδομένων στο δισδιάστατο πλέγμα του NoC. Η συγκεκριμένη προσέγγιση επιτρέπει την τοποθέτηση νευρώνων που επικοινωνούν συχνά σε γειτονικές φυσικές θέσεις, μειώνοντας έτσι τη μέση απόσταση Manhattan και το πλήθος των hops ανά πακέτο. Με αυτόν τον τρόπο επιτυγχάνεται χαμηλότερο routing time και μειωμένη χρήση των delayed buffers, οδηγώντας σε ομαλότερη λειτουργία του συστήματος.Η πειραματική αξιολόγηση πραγματοποιήθηκε μέσω προσομοιώσεων. Οι μετρήσεις έδειξαν μείωση της συνολικής καθυστέρησης από 207.840 ns σε 177.640 ns (βελτίωση κατά 14.5%) και μείωση του χρόνου δρομολόγησης από 130.750 ns σε 118.110 ns. Η συνολική απόδοση του επιταχυντή αυξήθηκε κατά περίπου 17% σε throughput, χωρίς καμία τροποποίηση στην αρχιτεκτονική ή στους πόρους του συστήματος. Οι βελτιώσεις αυτές οφείλονται αποκλειστικά στην αλλαγή της χαρτογράφησης, γεγονός που αναδεικνύει τη σημασία της γεωμετρικής τοποθέτησης των νευρώνων στη συνολική απόδοση ενός SNN επιταχυντή.Τα αποτελέσματα της παρούσας έρευνας υπογραμμίζουν ότι η βελτιστοποίηση της χαρτογράφησης αποτελεί κρίσιμο εργαλείο για την αποδοτική υλοποίηση SNN σε υλικό, επιτρέποντας σημαντικές επιδόσεις χωρίς την ανάγκη ανασχεδιασμού του NoC. Επιπλέον, η μεθοδολογία που αναπτύχθηκε είναι γενικεύσιμη και μπορεί να επεκταθεί σε άλλες τοπολογίες, space-filling καμπύλες ή τύπους νευρωνικών μοντέλων. Η εργασία αυτή, επομένως, θέτει τα θεμέλια για την ανάπτυξη πιο ευέλικτων, αποδοτικών και βιολογικά ρεαλιστικών neuromorphic επιταχυντών, συμβάλλοντας στη γεφύρωση του χάσματος ανάμεσα στην θεωρητικήμοντελοποίηση και την πρακτική υλοποίηση νευρωνικών υπολογιστικώνσυστημάτων.
Description
Keywords
Επιταχυντές υλικού