مجله علمی تفریحی بیبیس
0

دانلود کتاب اصول و سازماندهی محاسبات نورومورفیک

بازدید 858
  • عنوان کتاب: Neuromorphic Computing Principles and Organization
  • نویسنده: Abderazek-Ben-Abdallah
  • حوزه: محاسبات
  • سال انتشار: 2022
  • تعداد صفحه: 260
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 13.4 مگابایت

از آنجایی که پایان قانون مور بیش از هر زمان دیگری به نظر می رسد، دانشمندان کامپیوتر در حال کاوش برای ساخت ماشین هایی به پیچیدگی و کارآمدی مغز ما بوده اند که با چالش های چگالی توان و فرکانس ساعت در معماری معمولی سروکار دارند. مغز ما در مقایسه با معماری سنتی فون نویمان کاملا متفاوت عمل می کند. رازهای زیادی در پس عملکرد مغز انسان نهفته است. می دانیم که محاسبات و حافظه را بین بیش از 100 میلیارد نورون بیولوژیکی توزیع می کند و هر یک از آنها از طریق سیناپس ها با هزاران نورون دیگر مرتبط هستند. نورون ها از طریق میخ ها (یعنی پالس های الکتریکی کوتاه) با یکدیگر ارتباط برقرار می کنند. مغز یک سیستم محاسباتی قدرتمند است که به ما کمک می کند تا زنده بمانیم، سازگار شویم و پیش بینی کنیم، در حالی که ده ها وات مصرف می کنیم. محاسبات الهام گرفته از مغز یا نورومورفیک یک رویکرد الهام گرفته از بیولوژیکی است که از نورون های بسیار متصل برای مدل سازی نظریه های علوم اعصاب و حل مشکلات یادگیری ماشین ایجاد شده است. اصطلاح نورومورفیک برای اولین بار توسط کارور مید در سال 1990 معرفی شد، جایی که به ادغام در مقیاس بسیار بزرگ (VLSI) با اجزای آنالوگ برای تقلید از سیستم های عصبی بیولوژیکی اشاره داشت. چنین سیستم هایی را می توان به روش های غیر اسپکینگ و اسپایکینگ دسته بندی کرد. اول، رویکرد غیر اسپیکینگ به عنوان اجرای شبکه‌های عصبی مصنوعی سنتی (ANN) نامیده می‌شود که هدف آن بهبود توان عملیاتی در مصرف انرژی (یا هدف شتاب) است. در سال‌های اخیر، شبکه‌های عصبی مصنوعی پیشرفت قابل‌توجهی را از نظر دقت برای شناسایی و طبقه‌بندی بصری/شنیداری در مقیاس بزرگ نشان داده‌اند. نکته قابل توجه، شبکه عصبی کانولوشن (CNN) و شبکه عصبی تکراری (RNN) نشان داده اند که ابزارهای امیدوارکننده ای برای طیف گسترده ای از کاربردها مانند تصویر، ویدئو و گفتار هستند. آنها معمولاً با استفاده از واحدهای پردازش گرافیکی (GPU) یا در سمت ابر آموزش داده می شوند. شبکه های عصبی پیشرفته تمایل دارند تعداد لایه ها و اندازه خود را افزایش دهند (یعنی یادگیری عمیق). با این حال، این منجر به چالش هایی برای سیستم های سخت افزاری از نظر محاسبات، حافظه و منابع ارتباطی می شود.

As the end of Moore’s law seems closer than ever, computer scientists have been exploring to build machines as complex and efficient as our brain, dealing with power density and clock frequency challenges of the conventional architecture. Our brain works entirely differently compared to traditional von Neumann architecture. There are many secrets behind how the human brain works. We know that it distributes computation and memory among more than 100 billion biological neurons, and each of them is connected with thousands of others via synapses. Neurons communicate with each other through spikes (i.e., short electrical pulses). The brain is a powerful computation system that helps us survive, adapt, and predict, while consuming tens of watts. Brain-inspired or neuromorphic computing is a biologically inspired approach created from highly connected neurons to model neuroscience theories and solve machine learning problems. The term neuromorphic was first introduced by Carver Mead in 1990, where it referred to very-large-scale integration (VLSI) with analog components to mimic biological neural systems. Such systems can be categorized into non-spiking and spiking approaches. First, the non-spiking approach is referred to as the implementation of traditional artificial neural networks (ANNs) which aims to improve the throughput over the power consumption (or acceleration purpose). In recent years, ANNs have shown a remarkable improvement in terms of accuracy for large-scale visual/auditory recognition and classification tasks. Notably, the convolution neural network (CNN) and recurrent neural network (RNN) have shown to be promising tools for a wide range of applications such as image, video, and speech. They are typically trained by using graphic processing units (GPUs) or on the cloud side. The state-of-the-art neural networks tend to increase their number of layers and size (i.e., deep learning). However, this leads to challenges for hardware systems in terms of computation, memory, and communication resources.

این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:

Download: Neuromorphic Computing Principles and Organization

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

بیشتر بخوانید