پیاده سازی چیپ های نورومورفیک با استفاده از مدارات نانوهایبرید

شبکه های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقه مند شده اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه بسیاری را صرف آن کرده و می-کنند. همانطور که گفته شد ، این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تاکنون به خوبی پیش رفته است]1[. می دانیم که حتی ساده ترین مغزهای جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل می شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه ای از مواردی هستند که روش های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی رسند. در حالی که مغز ساده ترین جانوران به راحتی از عهده چنین مسائلی برمی آید. تصور عموم کارشناسان it بر آن است که مدل های جدید محاسباتی که بر اساس شبکه های عصبی بنا می شوند، جهش بعدی صنعت it را شکل می دهند]2[. دانشمندان با رویکرد بهره گیری از خلقت و آفرینش بشر شاخه جدیدی را در علم کامپیوتر به نام هوش مصنوعی ایجاد کردند و سعی در بهبود روش موجود نمودند. یکی از شاخه های هوش مصنوعی، شبکه های عصبی مصنوعی می باشد که با بهره گیری از شبکه عصبی مغز، برای حل معادلات و محاسباتی که برای کامپیوترها بسیار مشکل می باشد، ارائه گردیده است]1[. مغز را می توان به صورت مجموعه ای بسیار متصل و شبکه ای از عناصر پردازشی نسبتاً ساده در نظر گرفت. به مدلی نیاز داریم که بتواند ویژگی های مهم سیستم را کسب کند، به این منظور که بتواند رفتار مشابه ای را از خود بروز دهد. لیکن اگر بخواهیم این مدل به اندازه کافی برای فهمیدن و به کارگیری ساده باشد باید بسیاری از جزئیات را عمداً نادیده بگیریم. استخراج تعداد محدودی ویژگی های مهم و نادیده گرفتن بقیه ویژگی ها از ضروریات معمول مدل سازی است. هدف مدل-سازی اصولاً ایجاد نمونه ساده تری از سیستم است که رفتار عمومی سیستم را حفظ کرده و کمک کند که با سهولت بیش تر قابل درک باشد. شبکه های عصبی را می توان با اغماض، مدل های الکترونیکی از ساختار عصبی مغز انسان نامید. مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل های مصنوعی شبکه های عصبی طبیعی نیز بر اساس همین الگو بنا شده اند و روش برخورد چنین مدل هایی با مسائل، با روش های محاسباتی که به طور معمول توسط سیستم-های کامپیوتری در پیش گرفته شده اند، تفاوت دارد. تحقیقات در این زمینه نشان داده است که مغز، اطلاعات را همانند الگوها ذخیره می کند. فرآیند ذخیره سازی اطلاعات به صورت الگو و تجزیه و تحلیل آن الگو، اساس روش نوین محاسباتی را تشکیل می دهند. این حوزه از دانش محاسباتی به هیچ وجه از روش های برنامه نویسی سنتی استفاده نکرده و به جای آن از شبکه های بزرگی که به صورت موازی آرایش شده اند و تعلیم یافته اند، بهره می جوید] 3[. 1-1 تاریخچه و پیشرفت ها اما در جهت پیاده سازی شبکه های عصبی مصنوعی و استفاده از مزایای بسیار زیاد آن نیاز به ساخت تراشه هایی برای این امر احساس می شود. تاکنون تراشه های مختلفی برای این کار پیشنهاد شده اند، اما به دلیل عدم داشتن پتانسیل مناسب برای این مورد تنها برای یک کاربرد خاص و یا در یک مقطع زمانی خاصی به کار رفته اند. با رشد سریع الکترونیک و کاهش ابعاد ترانزیستور و همچنین افزایش تعداد ترانزیستورها در یک تراشه، امیدها نیز روز به روز برای ساخت تراشه های عصبی بیشتر گردید اما افزایش تعداد ترانزیستورها در تراشه با کاهش ابعاد ترانزیستور تا حدی ممکن خواهد بود و پس از آن به دلیل مشکلات کوانتومی پدید آمده این امر دیگر امکان پذیر نخواهد بود به همین دلیل دانشمندان با رویکرد جدیدی مبتنی بر تکنولوژی نانوالکترونیک روند افزایش تعداد ترانزیستورها را همچنان ادامه می دهند]3و4[. ظهور تکنولوژی جدید در صنعت الکترونیک که به انقلاب نانو مشهور است موجب شد تحقیقات بر روی ساخت تراشه های عصبی با قاطعیت خاصی پیش رود، چرا که دیگر پتانسیل های لازم برای ساخت این تراشه ها فراهم بود و تنها دانشمندان بایستی بتوانند از این پتانسیل ها در جهت مناسب برای پیاده سازی استفاده نمایند به همین سبب تکنولوژی های مختلفی نیز برای این امر پیشنهاد گردیده است اما تاکنون هیچ یک به طور قاطع برای تکنولوژی نسل آینده انتخاب نشده اند. در این میان تکنولوژی نانوالکترونیک ترکیبی که از ترکیب فناوری نانوالکترونیک در کنار تکنولوژی cmos و از مزایای هر دو استفاده می کند، از شانس بیشتری برخوردار می باشد. در این نوشتار قصد داریم که درباره پیاده سازی شبکه های عصبی در تکنولوژی نانوالکترونیک ترکیبی nano/cmos صحبت نماییم و خواننده را با دو مبحث شبکه های عصبی و نانوالکترونیک ترکیبی آشنا نماییم و با معرفی یک ساختار جدید برای پیاده سازی شبکه های عصبی در نانوالکترونیک برخی مشکلات پیش روی آنرا رفع نموده و روشی جدید در آموزش شبکه های عصبی ارائه نماییم بدین جهت با مطالعه بر روی پروژه های مختلف کارشناسی ارشد و دکترا در دانشگاه های مختلف جهان و مقالات ارائه شده در این بخش، سعی شده است که مطالب به طور مختصر و قابل فهم تهیه و بیان شود. همچنین این مطلب قابل بیان است که این پروژه در تحقیقات جهانی به عنوان یکی از مباحث داغ روز بوده و شرکت های مختلف سخت افزاری و الکترونیکی بر روی این پروژه فعالیت می-نمایند. از فعالان نامدار این عرصه که نسبت به دیگر رقبای خود پیشتاز می باشد شرکت معروف hp می باشد که سرمایه گذاری هنگفتی را نیز در این بخش انجام داده است]2[. 1-2 ساختار پروژه بدین جهت در ابتدا، در فصل دوم با مرور شبکه های عصبی مختلف و طرق مختلف آموزش آنها آشنا می شویم. در فصل سوم ابتدا به معرفی تکنولوژی های مورد بحث برای نانوالکترونیک می پردازد و سپس درباره تکنولوژی نانوالکترونیک ترکیبی به عنوان یکی از تکنولوژی های پرامید برای نسل آینده صحبت خواهیم نمود و برخی ساختارهایی که برای تکنولوژی نسل بعد تاکنون پیشنهاد گردیده، همچون ساختار cmol و fpni را معرفی خواهیم نمود و در مورد هر یک از المان های موجود در این ساختارها صحبت خواهیم نمود. در فصل چهارم ترکیب شبکه های عصبی مصنوعی و تکنولوژی نانوالکترونیک ترکیبی را بررسی خواهیم کرد و روش های مختلف پیاده سازی شبکه های عصبی را برای خواننده شرح خواهیم داد و ساختارهای پیشنهادی مورد بحث در این پروژه را به طور کامل معرفی خواهیم نمود. در نهایت در فصل پنجم با ارائه مدارهای مختلف به عنوان بدنه نرون یا سوما و ادغام آنها با مدارهای ممریستوری به عنوان سیناپس، ساختارهایی معرفی می شوند که به بررسی هر یک خواهیم پرداخت و مقدار نزدیکی آنها را به مدلی که برای نرون سیلیکونی مفید باشد، تحقیق می کنیم.