بررسی و بهبود عملکرد یک معماری مبتنی بر ممریستور برای پیاده سازی عملیات پیچش در شبکه های عصبی عمیق

با رشد روزافزون استفاده از شبکه های عصبی عمیق، نیاز به طراحی شتاب دهنده های سخت افزاری کارآمد جهت انجام محاسبات سنگین این شبکه ها بیش از پیش احساس می شود. در این میان، عملیات پیچش (Convolution) به عنوان سنگین ترین و پرکاربردترین بخش محاسباتی در شبکه های عصبی پیچشی (CNN)، نقش تعیین کننده ای در سرعت و دقت اجرای شبکه دارد. در این پژوهش، یک معماری سخت افزاری مبتنی بر ممریستور برای پیاده سازی عملیات پیچش مورد بررسی قرار گرفته است. در این معماری، با بهره گیری از ویژگی های ممریستور در ذخیره سازی مقادیر وزنی و انجام محاسبات در همان مکان (In-Memory Computing)، یک ساختار آرایه ای برای کرنل های ۳×۳ طراحی شده است. در ادامه، یکی از علت های کاهش دقت شبکه، یعنی افت ولتاژ ناشی از دورازه های انتقال شناسیایی شده و سپس با استفاده از روش جبران افت ولتاژ، دقت مدار حدود ۳ درصد بهبود داده شده است. به منظور صحت سنجی، مدار پیشنهادی و تمامی بلوک های مرتبط شامل واحد دروازه های انتقال و تقویت کننده های عملیاتی، در محیط نرم افزاری Cadence Virtuoso شبیه سازی شده اند و با استفاده از نرم افزار متلب دقت شبکه اندازه گیری شده است. نتایج به دست آمده از شبیه سازی، عملکرد صحیح معماری ارائه شده را در پیاده سازی عملیات پیچش تایید نموده و پتانسیل بالای این روش برای افزایش دقت معماری بررسی شده را نشان می دهند.

کلیدواژه ها:

ممریستور ، شبکه ی عصبی ، شبکه ی عصبی پیچشی ، شبکه ی عصبی ممریستوری ، دروازه ی انتقال