인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2019
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수6
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
스파이킹 기반 신경망(Spiking Neural Networks, SNN)은 생명의 신경계의 작동 방식을 이해하기 위한 모델로서 신경과학 연구에서 많이 활용된다. SNN은 뉴런과 뉴런 사이의 상호작용을 뜻하는 스파이크가 가지는 시간적인 개념을 적용함으로써 생물체의 신경계를 모방한다. 뉴런의 내부 상태는 시간과 입력 스파이크에 따라 변화하며 내부 상태가 특정 조건을 만족하면 뉴런은 스파이크를 발생시킨다. 신경계를 구성하는 뉴런은 유형에 따라 각기 다른 행동을 보이기 때문에 SNN 시뮬레이션 프레임워크는 이러한 다양한 뉴런 행동을 지원하여야 한다. 몇몇 프레임워크는 임의의 뉴런 모델을 지원하기 위하여 다목적 프로세서에 의존하여 시뮬레이션을 진행하지만, 실행 시간과 에너지 소모 측면에서 비효율적이다. 이러한 비효율을 극복하기 위하여 일부 프레임워크는 시뮬레이션에 특화된 가속기를 제안한다. 하지만 기존 시뮬레이션 가속기는 모델 중심 설계의 한계로 인하여 제한된 개수의 뉴런 모델만을 지원할 수 있어 목표 SNN을 시뮬레이션하는데 한계가 있다.
본 논문에서 제안하는 Flexon은 다양한 뉴런 모델에서 공유하는 생물학적 공통 특징을 활용하여 효율적인 SNN 시뮬레이션을 가능하게 한다. 기존의 신경과학 연구에서 활용해 온 SNN을 분석하여 그들이 공유하는 특징을 파악하였고, 이를 기반으로 디지털 회로를 설계하였다. Flexon의 특징-중심 설계는 기존의 모델 중심 설계와 비교해 더 많은 수의 뉴런 행동을 지원할 수 있게 되었다. 추가로 이들 사이에 공유되는 기본 연산 단위를 구해 칩 크기를 감소시켰으며, 하드웨어의 복잡도를 높여 유연성을 한층 더 증가시켰다. Flexon과 공간 집약적 Flexon, HH-Flexon은 유연하고 효율적이며 기존 하드웨어에 쉽게 결합할 수 있다. TSMC 45 nm를 활용한 Flexon과 공간 집약적 Flexon의 프로토타이핑 결과는 12-뉴런 Flexon의 에너지 효율이 CPU와 GPU 대비 각 6,186배, 422배 향상되었으며, 칩 크기는 9.26 mm2으로 작았다. 72-뉴런 공간-집약적 Flexon의 성능 개선은 CPU와 GPU 대비 122.45배, 9.832배이며 칩 크기는 7.62 mm2이었다.
본 논문에서 제안하는 Flexon은 다양한 뉴런 모델에서 공유하는 생물학적 공통 특징을 활용하여 효율적인 SNN 시뮬레이션을 가능하게 한다. 기존의 신경과학 연구에서 활용해 온 SNN을 분석하여 그들이 공유하는 특징을 파악하였고, 이를 기반으로 디지털 회로를 설계하였다. Flexon의 특징-중심 설계는 기존의 모델 중심 설계와 비교해 더 많은 수의 뉴런 행동을 지원할 수 있게 되었다. 추가로 이들 사이에 공유되는 기본 연산 단위를 구해 칩 크기를 감소시켰으며, 하드웨어의 복잡도를 높여 유연성을 한층 더 증가시켰다. Flexon과 공간 집약적 Flexon, HH-Flexon은 유연하고 효율적이며 기존 하드웨어에 쉽게 결합할 수 있다. TSMC 45 nm를 활용한 Flexon과 공간 집약적 Flexon의 프로토타이핑 결과는 12-뉴런 Flexon의 에너지 효율이 CPU와 GPU 대비 각 6,186배, 422배 향상되었으며, 칩 크기는 9.26 mm2으로 작았다. 72-뉴런 공간-집약적 Flexon의 성능 개선은 CPU와 GPU 대비 122.45배, 9.832배이며 칩 크기는 7.62 mm2이었다.
목차
- 제 1 장 서 론 1제 1 절 연구의 배경 1제 2 절 연구의 내용 2제 2 장 스파이킹 기반 신경망 4제 1 절 생물학적 뉴런 4제 2 절 Hodgkin-Huxley 모델 5제 3 절 Integrate-and-Fire 모델 7제 4 절 스파이킹 기반 신경망의 단위 시간 시뮬레이션 8제 3 장 한계 및 설계 목표 10제 1 절 높은 뉴런 연산 오버헤드 10제 2 절 디자인 목표 12제 4 장 Flexon: 유연한 디지털 뉴런 13제 1 절 생물학적 공통 특징 13제 2 절 특징들을 이용한 다양한 뉴런 모델 시뮬레이션 20제 5 장 공간 집약적 Flexon 25제 1 절 공통 연산단위 25제 2 절 조절 신호 26제 6 장 평가 29제 1 절 실험 준비 29제 2 절 유연하고 낮은 오버헤드를 가진 디지털 뉴런 30제 3 절 고효율 SNN 시뮬레이션 31제 7 장 HH-Flexon 33제 1 절 Hodgkin-Huxley 모델 식의 변형 33제 2 절 하드웨어 변화 34제 3 절 조절 신호 36제 8 장 토론 및 고찰 39제 1 절 Integrating to SNN Front-Ends 39제 2 절 추가적인 뉴런 모델 39제 9 장 관련 연구 41제 10 장 결론 및 제언 42참고 문헌 43Abstract 48
최근 본 자료
