BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20240409T083113Z
LAST-MODIFIED:20240409T083113Z
DTSTAMP:20260714T223747Z
UID:1784057867@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας
  Νικολέττας Παλατιανά - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=6899&cHash=fb
 1763d3b8a8e3390d52f08131707568\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Νι
 κολέττας Παλατιανά\n με θέμα\n Σχεδί
 αση επιταχυντή βασισμένου σε αναδιατ
 ασσόμενη λογική για βιοεμπνευσμένες 
 αρχιτεκτονικές με δενδριτική δομή κα
 ι νέο κανόνα εκμάθησης για βαθιά νευ
 ρωνικά δίκτυα\n A Reconfigurable Log
 ic Based Accelerator for Bioinspired
  DNN Architectures with Dendritic St
 ructure and a Novel Learning Rule\n 
 Εξεταστική Επιτροπή\n Καθηγητής Απόσ
 τολος Δόλλας (επιβλέπων)\n Καθηγητής
  Μιχαήλ Ζερβάκης\n Διδάκτωρ Παναγιώτ
 α Ποϊράζη (IMBB/ITE)\n Περίληψη\n Τα
  Artificial Neural Networks (ANNs), 
 έχουν χρησιμοποιηθεί με επιτυχία σε 
 αρχιτεκτονικές βαθιάς μάθησης για τη
 ν επίλυση μιας σειράς δύσκολων προβλ
 ημάτων μηχανικής μάθησης. Ωστόσο, πρ
 οκειμένου να επιτύχουν τη μέγιστη απ
 όδοση, απαιτούν συνήθως σημαντική πο
 σότητα ενέργειας. Επιπλέον, δυσκολεύ
 ονται στην εκμάθηση νέων εργασιών. Α
 παιτούν μεγάλο όγκο δεδομένων και ση
 μαντικό αριθμό παραμέτρων. Ο εγκέφαλ
 ος, από την άλλη πλευρά, λειτουργεί 
 σε πολύ χαμηλό επίπεδο ενέργειας χωρ
 ίς να αντιμετωπίζει προβλήματα στη σ
 υνεχή εκμάθηση. Αντλώντας έμπνευση α
 πό τον ανθρώπινο εγκέφαλο και προσπα
 θώντας να ξεπεραστούν οι περιορισμού
 ς των ANNs, το εργαστήριο Poirazi στ
 ο IMBB-FORTH ανέπτυξε μια βιο-εμπνευ
 σμένη αρχιτεκτονική που ενσωματώνει 
 δενδριτική δομή και receptive field,
  μαζί με μια νέα ροσέγγιση του Hebbi
 an κανόνα. Με βάση την αρχική υλοποί
 ηση στο Keras στην παρούσα διπλωματι
 κή αναπτύχθηκε μια προσέγγιση  σε Nu
 mpy προκειμένου να αναλυθεί και να κ
 ατανοηθεί σε μεγαλύτερο βάθος αυτό τ
 ο μοντέλο και η διαδικασία εκπαίδευσ
 ής του. Στη συνέχεια, σχεδιάστηκε, υ
 λοποιήθηκε και μεταφορτώθηκε στην πλ
 ακέτα Xilinx ZCU 102 μια αρχιτεκτονι
 κή βασισμένη σε FPGA για τη διαδικασ
 ία εκπαίδευσης αυτού του βιοεμπνευσμ
 ένου ANN. Χρησιμοποιώντας τον υψηλό 
 παραλληλισμό και την αποδοτικότητα ι
 σχύος της FPGA, η αρχιτεκτονική μας 
 κατάφερε να επιταχύνει την εκπαίδευσ
 η και να μειώσει την κατανάλωση ισχύ
 ος. Συγκεκριμένα, η προτεινόμενη υλο
 ποίηση FPGA εκτελεί μια εποχή εκπαίδ
 ευσης (για το σύνολο δεδομένων MNIST
 ) σε μόλις 13,46 δευτερόλεπτα αντί γ
 ια 490 δευτερόλεπτα στην CPU (Keras)
  και τα 45 δευτερόλεπτα που απαιτεί 
 η GPU (Keras). Επιπλέον, είναι 346 φ
 ορές πιο αποδοτική ενεργειακά συγκρι
 τικά με την CPU και 57.5 φορές συγκρ
 ιτικά με την GPU.\n Abstract \n Arti
 ficial Neural Networks (ANNs) have b
 een successfully used in Deep Learni
 ng architectures to solve a variety 
 of challenging machine learning prob
 lems. Nevertheless they usually requ
 ire a considerable amount of energy.
  In addition, they demonstrate weakn
 ess in continually learning new task
 s without forgetting the previous on
 es. They require multiple sets of da
 ta and a considerable amount of trai
 nable parameters. The brain, on the 
 other hand, operates at a very low e
 nergy level without facing problems 
 learning new things. By drawing insp
 iration from the human brain and ove
 rcoming the limitations of ANNs, the
  Poirazi lab at IMBB-FORTH developed
  a bio-inspired architecture that in
 corporates the dendritic structure a
 nd receptive field, along with a nov
 el approach to Hebbian learning. In 
 this thesis a lower-level Numpy impl
 ementation was developed based on th
 eir initial Keras implementation in 
 order to analyze and understand this
  model and its training process in g
 reater depth. This was followed by t
 he design, implementation, and downl
 oad of an FPGA-based architecture on
 to the Xilinx ZCU 102 board for trai
 ning the ANN. Using the high paralle
 lism and power efficiency of the FPG
 A, our architecture has accelerated 
 training and reduced power consumpti
 on. In particular, our proposed FPGA
  implementation executes an epoch of
  training (for the MNIST dataset) in
  only 13.46 seconds rather than 490 
 seconds on the CPU (Keras) and 45 se
 conds on the GPU (Keras). Furthermor
 e, it achieves 346 times greater ene
 rgy efficiency than the CPU implemen
 tation (Keras) and 57.5 times greate
 r energy efficiency than the GPU imp
 lementation (Keras). \n Meeting ID: 
 912 5813 1514\n Password: 664560\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20240410T110000
DTEND:20240410T120000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR