Δυαδικά νευρωνικά δίκτυα σε τυπωμένα ηλεκτρονικά
Τα τυπωμένα ηλεκτρονικά είναι μια αναδυόμενη τεχνολογία που έχει τη δυνατότητα να καταστήσει δυνατή τη διείσδυση της πληροφορικής σε μια μεγάλη ποικιλία καταναλωτικών προϊόντων, χάρη στην υπό του cent κατασκευή τους και τους εύκαμπτους παράγοντες μορφής τους. Πολλές από τις προβλεπόμενες εφαρμογές π...
Main Author: | |
---|---|
Other Authors: | |
Language: | Greek |
Published: |
2023
|
Subjects: | |
Online Access: | https://hdl.handle.net/10889/25455 |
id |
nemertes-10889-25455 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-254552023-07-11T04:00:06Z Δυαδικά νευρωνικά δίκτυα σε τυπωμένα ηλεκτρονικά Binary neural networks in printed electronics Παπανικολάου, Παναγιώτης Papanikolaou, Panagiotis Δυαδικά νευρωνικά δίκτυα Τυπωμένα ηλεκτρονικά Binary neural networks Printed electronics Bespoke computing Τα τυπωμένα ηλεκτρονικά είναι μια αναδυόμενη τεχνολογία που έχει τη δυνατότητα να καταστήσει δυνατή τη διείσδυση της πληροφορικής σε μια μεγάλη ποικιλία καταναλωτικών προϊόντων, χάρη στην υπό του cent κατασκευή τους και τους εύκαμπτους παράγοντες μορφής τους. Πολλές από τις προβλεπόμενες εφαρμογές που θα υποστηρίξουν έχουν να κάνουν με την ταξινόμηση των δεδομένων που συλλέγονται από τυπωμένους αισθητήρες για την εξαγωγή μιας χρήσιμης ιδιότητας σχετικά με το υπό μέτρηση αντικείμενο. Η εκτυπωμένη μηχανική μάθηση (ML) αναπτύσσεται προκειμένου να πραγματοποιούνται τέτοιου είδους ταξινομήσεις από δεδομένα αισθητήρων. Επειδή τα τυπωμένα ηλεκτρονικά έχουν πολύ υψηλότερες απαιτήσεις σε έκταση και κατανάλωση ενέργειας σε σύγκριση με τα παραδοσιακά ηλεκτρονικά, αυτά τα μοντέλα ML πρέπει να εκτελούνται σε περιβάλλον με πολύ περιορισμένους πόρους. Ευτυχώς, η ευκολία κατασκευής τυπωμένων κυκλωμάτων με τη χρήση προσθετικών μεθόδων επιτρέπει την πλήρη προσαρμογή του υλικού στο ακριβές εκπαιδευμένο μοντέλο που ενσωματώνει. Αυτό επιτρέπει τη συρρίκνωση των απαιτήσεων σε πόρους κατά πολλούς παράγοντες. Η παρούσα εργασία αξιολογεί τη δυνατότητα ανάπτυξης αρχιτεκτονικών δυαδικών νευρωνικών δικτύων (BNN) ως τυπωμένων ταξινομητών, όπου τα BNN είναι δίκτυα με βάρη και ενεργοποιήσεις που κβαντίζονται σε ένα μόνο bit για τη μείωση των υπολογιστικών απαιτήσεων στο ελάχιστο, γεγονός που τα καθιστά μια καλή υποψήφια αρχιτεκτονική για το συγκεκριμένο πρόβλημα. Printed electronics are an emerging technology that has the potential to enable per- vasive computing in a great variety of consumer products, thanks to their sub-cent fabrication and flexible form factors. A lot of the envisioned applications they will support have to do with classifying the data gathered from printed sensors to de- rive a useful property about the object under measurement. Printed Machine Learn- ing(ML) is deployed in order to perform these types of classifications from sensor data. Because printed electronics have far higher demands in area and power con- sumption compared to traditional electronics, these ML models must be executed in a very resource constrained environment. Thankfully the ease of manufacturing printed circuits using additive methods allows for hardware to be fully bespoke to the exact trained model it implements. This allows for resource requirements to shrink by many factors. This work evaluates the feasibility of deploying Binary Neural Network(BNN) architectures as printed classifiers, where BNNs are networks with weights and activations quantised to a single bit to reduce computational demands to the minimum, making them a good candidate architecture for the problem at hand. 2023-07-10T05:11:25Z 2023-07-10T05:11:25Z 2023-07-07 https://hdl.handle.net/10889/25455 el Attribution 3.0 United States http://creativecommons.org/licenses/by/3.0/us/ application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Δυαδικά νευρωνικά δίκτυα Τυπωμένα ηλεκτρονικά Binary neural networks Printed electronics Bespoke computing |
spellingShingle |
Δυαδικά νευρωνικά δίκτυα Τυπωμένα ηλεκτρονικά Binary neural networks Printed electronics Bespoke computing Παπανικολάου, Παναγιώτης Δυαδικά νευρωνικά δίκτυα σε τυπωμένα ηλεκτρονικά |
description |
Τα τυπωμένα ηλεκτρονικά είναι μια αναδυόμενη τεχνολογία που έχει τη δυνατότητα
να καταστήσει δυνατή τη διείσδυση της πληροφορικής σε μια μεγάλη ποικιλία
καταναλωτικών προϊόντων, χάρη στην υπό του cent κατασκευή τους και τους
εύκαμπτους παράγοντες μορφής τους. Πολλές από τις προβλεπόμενες εφαρμογές
που θα υποστηρίξουν έχουν να κάνουν με την ταξινόμηση των δεδομένων που
συλλέγονται από τυπωμένους αισθητήρες για την εξαγωγή μιας χρήσιμης ιδιότητας
σχετικά με το υπό μέτρηση αντικείμενο. Η εκτυπωμένη μηχανική μάθηση (ML)
αναπτύσσεται προκειμένου να πραγματοποιούνται τέτοιου είδους ταξινομήσεις από
δεδομένα αισθητήρων. Επειδή τα τυπωμένα ηλεκτρονικά έχουν πολύ υψηλότερες
απαιτήσεις σε έκταση και κατανάλωση ενέργειας σε σύγκριση με τα παραδοσιακά
ηλεκτρονικά, αυτά τα μοντέλα ML πρέπει να εκτελούνται σε περιβάλλον με
πολύ περιορισμένους πόρους. Ευτυχώς, η ευκολία κατασκευής τυπωμένων
κυκλωμάτων με τη χρήση προσθετικών μεθόδων επιτρέπει την πλήρη προσαρμογή
του υλικού στο ακριβές εκπαιδευμένο μοντέλο που ενσωματώνει. Αυτό επιτρέπει
τη συρρίκνωση των απαιτήσεων σε πόρους κατά πολλούς παράγοντες. Η
παρούσα εργασία αξιολογεί τη δυνατότητα ανάπτυξης αρχιτεκτονικών δυαδικών
νευρωνικών δικτύων (BNN) ως τυπωμένων ταξινομητών, όπου τα BNN είναι
δίκτυα με βάρη και ενεργοποιήσεις που κβαντίζονται σε ένα μόνο bit για τη μείωση
των υπολογιστικών απαιτήσεων στο ελάχιστο, γεγονός που τα καθιστά μια καλή
υποψήφια αρχιτεκτονική για το συγκεκριμένο πρόβλημα. |
author2 |
Papanikolaou, Panagiotis |
author_facet |
Papanikolaou, Panagiotis Παπανικολάου, Παναγιώτης |
author |
Παπανικολάου, Παναγιώτης |
author_sort |
Παπανικολάου, Παναγιώτης |
title |
Δυαδικά νευρωνικά δίκτυα σε τυπωμένα ηλεκτρονικά |
title_short |
Δυαδικά νευρωνικά δίκτυα σε τυπωμένα ηλεκτρονικά |
title_full |
Δυαδικά νευρωνικά δίκτυα σε τυπωμένα ηλεκτρονικά |
title_fullStr |
Δυαδικά νευρωνικά δίκτυα σε τυπωμένα ηλεκτρονικά |
title_full_unstemmed |
Δυαδικά νευρωνικά δίκτυα σε τυπωμένα ηλεκτρονικά |
title_sort |
δυαδικά νευρωνικά δίκτυα σε τυπωμένα ηλεκτρονικά |
publishDate |
2023 |
url |
https://hdl.handle.net/10889/25455 |
work_keys_str_mv |
AT papanikolaoupanagiōtēs dyadikaneurōnikadiktyasetypōmenaēlektronika AT papanikolaoupanagiōtēs binaryneuralnetworksinprintedelectronics |
_version_ |
1771297335661297664 |