Εξέταση των πλεονεκτημάτων της υλοποίησης νευρωνικών δικτύων με αριθμητικό σύστημα υπολοίπων
Σε μία εποχή όπου τα νευρωνικά δίκτυα, χαρακτηρίζονται ως Προσεγγιστές Καθολικής Συνάρτησης (Universal Function Approximators), δηλαδή μπορούν να μάθουν και να προσεγγίσουν οποιαδήποτε λειτουργία, μπορεί να καταλάβει κανείς την μεγάλη απήχησή και συνεχή προσπάθεια εφαρμογής τους σε κάθε λογής εφαρμο...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/23656 |
| id |
nemertes-10889-23656 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-236562022-11-04T04:34:38Z Εξέταση των πλεονεκτημάτων της υλοποίησης νευρωνικών δικτύων με αριθμητικό σύστημα υπολοίπων Examining the benefits of implementing neural networks with residue number system Αφεντάκη, Φλωρεντία Afentaki, Florentia Νευρωνικά δίκτυα Ειδικής εφαρμογής ολοκληρωμένα κυκλώματα Αριθμητικό σύστημα υπολοίπων Neural networks Quantization Convolutional neural networks Application-Specific Integrated Circuit (ASIC) Residue Numerical System (RNS) Σε μία εποχή όπου τα νευρωνικά δίκτυα, χαρακτηρίζονται ως Προσεγγιστές Καθολικής Συνάρτησης (Universal Function Approximators), δηλαδή μπορούν να μάθουν και να προσεγγίσουν οποιαδήποτε λειτουργία, μπορεί να καταλάβει κανείς την μεγάλη απήχησή και συνεχή προσπάθεια εφαρμογής τους σε κάθε λογής εφαρμογές ιδιαίτερα πραγματικού χρόνου. Εφαρμογές οι οποίες στοχεύουν, στην πλήρη αυτοματοποίηση ενός συστήματος, όπως παραδείγματος χάριν τα αυτόνομα αυτοκίνητα, απαιτούν μεγάλη ταχύτητα και ακρίβεια στους υπολογισμούς τους. Ωστόσο, μπορεί να παρατηρήσει κανείς, πως οι αρχιτεκτονικές νευρωνικών δικτύων, οι οποίες προτάσσονται βιβλιογραφικά, είναι ολοένα και πιο σύνθετες με αποτέλεσμα να αντιμετωπίζουν το φυσικό φράγμα απέναντι στο κόστος και στους διαθέσιμους υπολογιστικούς πόρους. Ο περιορισμός αυτός, εντείνει την ανάγκη δημιουργίας εξατομικευμένων συστημάτων που να επιταχύνουν τις μαθηματικές πράξεις και λειτουργίες, που βρίσκονται στην καρδία των νευρωνικών δικτύων, με αποδοτικό τρόπο. Αφορμή βρέθηκαν όλα τα παραπάνω, ώστε να εξερευνήσουμε τόσο την ανάπτυξη της παραπάνω τεχνικής σε ένα Ειδικής-Εφαρμογής Ολοκληρωμένο Κύκλωμα (ASIC) όσο και την εφαρμογή του, με χρήση ενός εναλλακτικού τρόπου αναπαράστασής, όπως αυτό του Αριθμητικού Συστήματος Υπολοίπων (RNS). In an era where neural networks are characterized as Universal Function Approximators, i.e. they can learn and approximate any function, one can understand the great appeal and continuous effort to apply them to all kinds of applications, especially in real time.Applications that aim at fully automating a system, such as autonomous cars, require high speed and accuracy in their calculations. However, one can notice that the architectures of neural networks, which are proposed in the literature, are increasingly complex and as a result they face the physical barrier in terms of cost and available computing resources.This limitation intensifies the need to create personalized systems that accelerate the mathematical operations and operations, which are at the heart of neural networks, in an efficient way. All of the above was an occasion to explore both the development of the above technique in an Application-Specific Integrated Circuit (ASIC) and its application, using an alternative way of representation, such as that of the Residue Numerical System (RNS). 2022-11-03T12:57:43Z 2022-11-03T12:57:43Z 2022-11-02 https://hdl.handle.net/10889/23656 el application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευρωνικά δίκτυα Ειδικής εφαρμογής ολοκληρωμένα κυκλώματα Αριθμητικό σύστημα υπολοίπων Neural networks Quantization Convolutional neural networks Application-Specific Integrated Circuit (ASIC) Residue Numerical System (RNS) |
| spellingShingle |
Νευρωνικά δίκτυα Ειδικής εφαρμογής ολοκληρωμένα κυκλώματα Αριθμητικό σύστημα υπολοίπων Neural networks Quantization Convolutional neural networks Application-Specific Integrated Circuit (ASIC) Residue Numerical System (RNS) Αφεντάκη, Φλωρεντία Εξέταση των πλεονεκτημάτων της υλοποίησης νευρωνικών δικτύων με αριθμητικό σύστημα υπολοίπων |
| description |
Σε μία εποχή όπου τα νευρωνικά δίκτυα, χαρακτηρίζονται ως Προσεγγιστές Καθολικής Συνάρτησης (Universal Function Approximators), δηλαδή μπορούν να μάθουν και να προσεγγίσουν οποιαδήποτε λειτουργία, μπορεί να καταλάβει κανείς την μεγάλη απήχησή και συνεχή προσπάθεια εφαρμογής τους σε κάθε λογής εφαρμογές ιδιαίτερα πραγματικού χρόνου. Εφαρμογές οι οποίες στοχεύουν, στην πλήρη αυτοματοποίηση ενός συστήματος, όπως παραδείγματος χάριν τα αυτόνομα αυτοκίνητα, απαιτούν μεγάλη ταχύτητα και ακρίβεια στους υπολογισμούς τους. Ωστόσο, μπορεί να παρατηρήσει κανείς, πως οι αρχιτεκτονικές νευρωνικών δικτύων, οι οποίες προτάσσονται βιβλιογραφικά, είναι ολοένα και πιο σύνθετες με αποτέλεσμα να αντιμετωπίζουν το φυσικό φράγμα απέναντι στο κόστος και στους διαθέσιμους υπολογιστικούς πόρους. Ο περιορισμός αυτός, εντείνει την ανάγκη δημιουργίας εξατομικευμένων συστημάτων που να επιταχύνουν τις μαθηματικές πράξεις και λειτουργίες, που βρίσκονται στην καρδία των νευρωνικών δικτύων, με αποδοτικό τρόπο. Αφορμή βρέθηκαν όλα τα παραπάνω, ώστε να εξερευνήσουμε τόσο την ανάπτυξη της παραπάνω τεχνικής σε ένα Ειδικής-Εφαρμογής Ολοκληρωμένο Κύκλωμα (ASIC) όσο και την εφαρμογή του, με χρήση ενός εναλλακτικού τρόπου αναπαράστασής, όπως αυτό του Αριθμητικού Συστήματος Υπολοίπων (RNS). |
| author2 |
Afentaki, Florentia |
| author_facet |
Afentaki, Florentia Αφεντάκη, Φλωρεντία |
| author |
Αφεντάκη, Φλωρεντία |
| author_sort |
Αφεντάκη, Φλωρεντία |
| title |
Εξέταση των πλεονεκτημάτων της υλοποίησης νευρωνικών δικτύων με αριθμητικό σύστημα υπολοίπων |
| title_short |
Εξέταση των πλεονεκτημάτων της υλοποίησης νευρωνικών δικτύων με αριθμητικό σύστημα υπολοίπων |
| title_full |
Εξέταση των πλεονεκτημάτων της υλοποίησης νευρωνικών δικτύων με αριθμητικό σύστημα υπολοίπων |
| title_fullStr |
Εξέταση των πλεονεκτημάτων της υλοποίησης νευρωνικών δικτύων με αριθμητικό σύστημα υπολοίπων |
| title_full_unstemmed |
Εξέταση των πλεονεκτημάτων της υλοποίησης νευρωνικών δικτύων με αριθμητικό σύστημα υπολοίπων |
| title_sort |
εξέταση των πλεονεκτημάτων της υλοποίησης νευρωνικών δικτύων με αριθμητικό σύστημα υπολοίπων |
| publishDate |
2022 |
| url |
https://hdl.handle.net/10889/23656 |
| work_keys_str_mv |
AT aphentakēphlōrentia exetasētōnpleonektēmatōntēsylopoiēsēsneurōnikōndiktyōnmearithmētikosystēmaypoloipōn AT aphentakēphlōrentia examiningthebenefitsofimplementingneuralnetworkswithresiduenumbersystem |
| _version_ |
1771297159465926656 |
