Συντάχθηκε 18-02-2026 09:20
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 20/02/2026 17:15
Λήξη: 20/02/2026 18:15
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ραφαήλ Χατζηπαντελή
με θέμα
Έρευνα σε Εκπαιδεύσιμα Νευρομορφικά Ολοκληρωμένα Κυκλώματα Χαμηλής Ισχύος
Research towards Low Power Trainable Neuromorphic Integrated Circuits
Εξεταστική Επιτροπή
Καθηγητής Ματτίας Μπούχερ (επιβλέπων)
Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης
Δρ Κωνσταντίνος Βρυσσάς (ΑΡΓΩ ΗΜΙΑΓΩΓΟΙ Α.Ε.)
Περίληψη
Στην σύγχρονη εποχή, ο αριθμός των εφαρμογών που ενσωματώνουν την Τεχνητή Νοημοσύνη (ΤΝ) αυξάνεται ραγδαία. Η ταχύτατη αυτή αύξηση έχει οδηγήσει στην ιλιγγιώδης ζήτηση ικανότερου και περίπλοκου υλικού λογισμικού καθώς και ενεργειακών υποδομών. Τα Νευρωνικά Δίκτυα (ΝΔ) αποτελούν την πλέον υιοθετημένη μορφή Τεχνητής Νοημοσύνης, υποσχόμενα εξαιρετικές ικανότητες μοντελοποίησης και επίδοσης, παραμένοντας όμως υπολογιστικά απαιτητικά. Για την αντιμετώπιση αυτών των ζητημάτων, ερευνώνται διαφορετικοί τύποι ενεργειακά αποδοτικότερων Νευρωνικών Δικτύων, όπως τα Αναλογικά Νευρωνικά Δίκτυα και τα Νευρομορφικά συστήματα. Τα Νευρομορφικά Δίκτυα συνιστούν μία μορφή ΝΔ, υλοποιημένα σε επίπεδο υλικού εξοπλισμού, όπου τα δεδομένα κωδικοποιούνται απευθείας μέσα σε κυκλώματα, αναπαριστώμενα μέσω φυσικών μεγεθών όπως η τάση, το ρεύμα και η αγωγιμότητα. Στην παρούσα εργασία, ερευνήθηκε μία αναλογική υλοποίηση ενός ΝΔ με ένα μοναδικό κρυφό επίπεδο σε τεχνολογία 22nm 0.8V FDSOI, προσαρμόζοντας την σχεδίαση της προηγουμένως προτεινόμενης Εκπαιδεύσιμης Αναλογικής Μονάδας (ΕΑΜ), αρχικά σχεδιασμένη σε τεχνολογία 65nm bulk CMOS. Για την ανάπτυξη του δικτύου κρίθηκε απαραίτητη η προσαρμογή κυκλωμάτων καθρεπτών ρευμάτων, δικτύων M-2M, D/A μετατροπέων και τελεστικών ενισχυτών, με ορισμένες υλοποιήσεις να μην εμφανίζονται στην βιβλιογραφία για την FDSOI τεχνολογία. Η προτεινόμενη προσέγγιση επιτυγχάνει μέγιστη κατανάλωση 240nW ανά νευρώνα και μονάδας βάρους-εξόδου, διατηρώντας σταθερή απόδοση και υψηλή ακρίβεια πρόβλεψης.
Abstract
In today's world, the number of applications incorporating Artificial Intelligence (AI) is ever increasing. This rapid expansion of AI has led to the blistering demands of faster, more complex hardware and energy requirements, raising significant infrastructure concerns. Among the various models of AI, Neural Networks (NN) are one of the most prominent and widely adopted concepts, promising great modeling capabilities and generalization performance, yet being computationally intensive. To address these issues, research is directed towards alternative, more energy efficient implementations of Neural Networks, such as Analog Neural Networks and Neuromorphic systems. Neuromorphic Networks (NN) are a biologically-inspired, hardware-based type of Neural Network, where the network's data are inscribed directly in the circuit and information is encoded in physical quantities such as voltage, current, and conductance. In this work, an analog implementation of a single hidden layer NN in 22nm 0.8V FDSOI technology was studied, adapting the design of the previously proposed Trainable Analog Block (TAB), originally fabricated in 65nm bulk CMOS. For the development of the network circuits such as current mirrors, M-2M ladders, D/A Converters and operational amplifiers, had to be modified accordingly, with some of these realizations not yet reported in the literature for the FDSOI technology. A maximum power consumption of 240nW per neuron and output-weight block was achieved, while maintaining robust and accurate performance.
