Найти

Результаты поиска

• ПРОЕКТИРОВАНИЕ МОДУЛЕЙ НЕЙРОСЕТЕЙ MLP И CNN НА ПЛИС ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ

  Э. В. Мельник , Д.Е. Блох , А.И. Безмельцев , В.С. Панищев , С.Н. Полторацкий

  214-229

  2025-11-10

  Аннотация ▼

  Актуальность. Развитие методов машинного обучения и архитектур нейронных сетей, а также их распространение в различные сферы промышленности обуславливают актуальность решения задач по их аппаратной реализации. Использование программируемых логических интегральных схем в этой области позволит повысить скорость обработки данных и адаптивность реализуемых алгоритмов. Однако проектирование нейросетевых архитектур на программируемых логических интегральных схемах сопряжено с рядом методологических и технических сложностей, включая оптимизацию параллельных вычислений, управление аппаратными ресурсами и обеспечение работы в условиях ограниченных вычислительных ресурсов. Цель работы – анализ и сравнение двух архитектур нейронных сетей, многослойного перцептрона (MLP) и сверточной нейронной сети (CNN), в контексте их аппаратной реализации на программируемых логических интегральных схемах (ПЛИС). Особое внимание уделяется компромиссу между точностью классификации и эффективностью использования ограниченных аппаратных ресурсов ПЛИС. Методы исследования. Для достижения цели была проведена разработка и симуляция двух модулей на ПЛИС
  Virtex 7, перцептронного и сверточного. Использовался набор данных MNIST, уменьшенный до 20×20 пикселей. Реализация включала этапы квантования параметров до фиксированного формата 16:16, оптимизацию гиперпараметров, применение табличных вычислений для нелинейных функций и оценку использования ресурсов ПЛИС. Результаты и обсуждения. MLP достиг точности 93% при использовании 11% логических элементов, в то время как CNN обеспечила точность 98%, но потребовала существенно больше ресурсов. Использование внутренних буферов для хранения промежуточных данных в CNN привело к превышению допустимых ресурсов. Вынужденный переход к внешней памяти увеличил задержки и объем портов ввода-вывода. Выводы. Исследование показало, что выбор архитектуры зависит от приоритетов: CNN обеспечивает лучшую точность, но менее эффективна в ресурсах. Для embedded-систем с ограничениями по памяти и потреблению энергии предпочтительна упрощенная MLP-реализация. Основными проблемами остаются нехватка внутренней памяти и высокая ресурсоемкость операций, что требует дальнейших исследований в области аппаратной оптимизации и адаптивного управления вычислениями

• АППАРАТНАЯ НЕЙРОННАЯ СЕТЬ НА ОСНОВЕ МЕМРИСТИВНЫХ СТРУКТУР ОКСИДА ТИТАНА

  В.И. Авилов , Л. А. Душина , Н.В. Полупанов , В. А. Смирнов

  205-214

  2025-11-10

  Аннотация ▼

  Представлены результаты изготовления, обучения и исследования макета аппаратной нейронной сети, реализованного в виде кроссбар массива искусственных синапсов на основе мемристорных наноструктур электрохимического оксида титана. Был разработан макет полносвязной нейронной сети, состоящей из четырех входных электродов, кроссбар массива 16 искусственных синапсов на основе наноструктур электрохимического оксида титана и четырех выходных электродов. Показано, что процесс протекания тока через такую структуру полностью соответствует математической модели нейронной сети. Были проанализированы различные реализации искусственных синапсов, позволяющие реализовать отрицательные «веса» нейронной сети и выбран один из оптимальных вариантов. На основе разработанной структуры был изготовлен макет полносвязной нейронной сети с использованием технологий магнетронного распыления, оптической и зондовой литографии. Для обучения нейронной сети был разработан алгоритм переключения отдельных мемристоров, исключающий паразитное переключение соседних структур за счет возникновения тока утечки. Для демонстрации работы изготовленного макета нейронной сети была предложена задача классификации двух входных сигналов. Для реализации отрицательных «весов» каждый из входящих сигналов дублировался с отрицательной полярностью. Предполагается, что выходы обученной нейронной сети должны регистрировать: 1) превышение первого сигнала; 2) превышение второго сигнала; 3) оба высоких сигнала. Этап обучения и исследования нейронной сети осуществлялся с использованием программно-аппаратного комплекса «Neuro InT», разработанного в научно-исследовательской лаборатории "Нейроэлектроника и мемристивные наноматериалы", ЮФУ. Исследование макета нейронной сети показало, что все выходы успешно классифицируют входящие сигналы, максимизируя ток через соответствующие выходы для заданных входных значений. Предложенную структуру можно улучшить, добавив дополнительные два входа с постоянным высоким положительным и отрицательным потенциалом для реализации «сдвига» при работе нейронной сети. Полученные результаты могут быть использованы при разработке аппаратных нейронных сетей на основе мемристивных структур оксида титана