شبکه عصبی پیشنهادی پروفسور هاپفیلد (hnn) در کاربردهای عملی بسیاری از جمله حافظه‎های به‎هم پیوسته آدرس‎پذیر، تشخیص الگو و چهره و حل مسائل بهینه‎سازی با درجه سختی np مانند مسئله فروشنده دوره‎گرد به کار گرفته شده است. به‎علاوه hnn ابزار بهینه‎ساز مناسبی برای مدل‎سازی و حل مسائل مسیریابی در شبکه‎های ارتباطی نوری و بی‎سیم به شمار می‏رود. شبکه عصبی هاپفیلد از تعدادی واحد پردازش‎گر به نام نرون که همه به‎طور هم‎زمان ورودی‎های خود را پردازش می‎کنند تشکیل شده است؛ بنابراین تراشه‎های fpgas با ساختار موازی محیط‎های مناسبی برای پیاده‎سازی شبکه‎های عصبی دیجیتال هاپفیلد به‎شمار می‎روند. در این تحقیق معماری‎های سخت‎افزاری جدیدی برای شبکه عصبی هاپفیلد به منظور حل مسئله کوتاهترین مسیر در شبکه‎های ارتباطی ارائه شده است. معماری‎های ارائه شده برای پیاده‎سازی بر روی تراشه‎های fpga مناسب هستند. با توجه به معادلات دینامیکی توصیف کننده رفتار نرون‎ها، چهار معماری مختلف برای شبکه عصبی هاپفیلد دیجیتال مورد بررسی قرار گرفته است. نرون‎های معماری اول ساختار معمولی دارند و با توجه به وزن‎های سیناپسی و مقدار بایاس نرون،‎ ولتاژ محلی خود را هم‎زمان می‎کنند. در معماری دوم با استفاده از آرایه سیستولیک، تعداد ضرب کننده و سطح تراشه معماری اول بهبود یافته است. نرون‎های معماری سوم ولتاژ محلی خود را با استفاده از میزان تغییرات انرژی شبکه هم‎زمان می‎کنند و سر انجام در معماری چهارم با استفاده از تکنیک خط‎لوله سرعت معماری سوم افزایش داده شده است. شبکه‎های عصبی دیجیتال مورد بررسی با زبان vhdl توصیف شده‎اند و پس از سنتز، میزان سطح تراشه مورد نیاز، توان مصرفی، فرکانس کاری و سرعت آن‎ها با هم مقایسه شده است. در پایان با پیاده‎سازی نمونه کوچکی از شبکه‎های عصبی دیجیتال هاپفیلد بر روی تراشه در دسترس spartan3، صحت عملکرد الگوریتم‎های پیشنهادی در محیط آزمایشگاهی مورد بررسی قرار گرفته است. نتایج پیاده‎سازی نشان داده‎اند که الگوریتم‎های ارائه شده در محیط سخت‎افزاری دارای عملکردی صحیح هستند.

چکیده ندارد.