| Περίληψη: | Τα τελευταία χρόνια, τα νευρωνικά δίκτυα έχουν δώσει εντυπωσιακά αποτελέσματα σε πληθώρα εφαρμογών όπως η μηχανική όραση και η επεξεργασία φυσικής γλώσσας και χρησιμοποιούνται ευρέως ως δομικά στοιχεία πολλών συστημάτων ελέγχου και πρόβλεψης. Η τεράστια πρόοδος που έχει επιτευχθεί οφείλεται σε μεγάλο βαθμό στην αποδοτική εκπαίδευση βαθιών αρχιτεκτονικώνν νευρωνικών δικτύων με τεράστιο όγκο δεδομένων. Η χρησιμοποίσηση των GPUs αλλά και εξειδικευμένου υλικού ειδικού σκοπού με παράλληλες αρχιτεκτονικές μεγάλης κλίμακας έχει επιταχύνει καθοριστικά τόσο τη κανονική λειτουργία (inference) όσο και την διαδικασία εκπαίδευσης (training) του δικτύου. Ωστόσο με την ολοένα και αυξανόμενη ανάγκη για ενσωματωμένες λύσεις χαμηλής κατανάλωσης ηχρήση κλασσικών μοντέλων Νευρωνικών Δικτύων μπορεί να είναι μία μη πραγματοποιήσιμη επιλογή για κάποιες εφαρμογές. Τα Spiking Neural Networks (SNN) αποτελούν ένα διαφορετικό μοντέλο υπολογισμού που μπορεί θεωρητικά να οδηγήσει σε συστήματα μεγαλύτερης ενεργειακής αποδοτικότητας . Ως αποτέλεσμα χρησιμοποιούνται πρόσφατα για την επίλυση προβλημάτων μηχανικής μάθησης που επιλύονται παραδοσιακά από κλασσικα Artificial Neural Networks (ANN). Τα SNN διαφέρουν από τα ΑΝΝ καθώς ενσωματώνουν την έννοια του χρόνου στους υπλογισμούς τους, ενώ η πληροφορία κωδικοποιείται στον ακριβή χρονισμό ή τη συχνότητα διακριτών γεγονότων, των spikes. Τα SNN υπόσχονται να επιτύχουνμεγαλύτερη αποδοτικότητα λόγω της ασύχρονης, event-driven φύση τους, όταν βεβαίως υλοποιηθούν σε ειδικά συστήματα που καλούνται συχνά νευρομορφικά. Φυσικά, το διαφορετικό μοντέλο υπολογισμού που εισάγουν δημιουργεί και διαφορετικές προκλήσεις για την υλοποίηση μοντέλων μεγάλης κλίμακας οι οποίες πρέπει να αντιμετωπιστούν με την ανάπτυξη διαφορετικών αρχιτεκτονικών. Το συστημα που υλοποίηθηκε και παρουσιάζεται στη παρούσα εργασία έχει στόχο ναδιευκολύνει και να επιταχύνει τη διαδικασία ανάπτυξης SNN για προβλήματα μηχανικής μάθησης τα οποία επιλύονται παραδοσιακά από ANN και να βοηθήσει στη γεφύρωση του χάσματος μεταξύ τους, παρά να χρησιμοποιηθεί ως ένας γενικούσκοπού προμοιωτής μοντέλων νευρώνων με βιολογική ακρίβε
|
|---|
