FPGA implementation of LISSOM bioalgorithmFPGA implementation of LISSOM bioalgorithmΥλοποίηση σε αναδιατασσόμενη λογική του αλγορίθμου βιοπληροφορικής LISSOM Διπλωματική Εργασία Diploma Work 2017-10-022017elΗ ανάπτυξη βιολογικών νευρωνικών μοντέλων αποτελεί ενδιαφέρον των ερευνητών εδώ και πολλά χρόνια. Στόχος είναι η καλύτερη κατανόηση του εγκεφάλου και των λειτουργιών του ώστε να μπορέσει να προσομοιωθεί με αρκετή ακρίβεια. Για αυτό τον λόγο αρκετά βιολογικά νευρωνικά μοντέλα έχουν αναπτυχθεί τα οποία καταφέρνουν να προσομοιώσουν σε μεγάλο βαθμό τον τρόπο επεξεργασίας και διάδοσης της πληροφορίας στα νευρωνικά δίκτυα. Η συγκεκριμένη διπλωματική εργασία στοχεύει στην μελέτη του βιο-αλγορίθμου LISSOM. Το συγκεκριμένο μοντέλο βασίζεται στην λειτουργία των αυτο-οργανωτικών χαρτών για να προσομοιώσει τις λειτουργίες των νευρώνων και συγκεκριμένα την περιοχή V1 του οπτικού φλοιού. Λόγο του μεγάλου όγκου δεδομένων που χαρακτηρίζει το συγκεκριμένο μοντέλο αποφασίσαμε να χρησιμοποιήσουμε τον υβριδικό υπερ-υπολογιστή της Convey ο οποίος βασίζεται σε αναδιατασσόμενη λογική. Με αυτό τον τρόπο ήταν δυνατό να αποθηκευτούν τα δεδομένα μας στην εξωτερική μνήμη που μας παρέχει το σύστημα με υψηλό εύρος ζώνης των ελεγκτών της. Ταυτόχρονα εποφελούμαστε και από την αναδιατασσόμενη λογική για την ταχύτερη επεξεργασία των δεδομένων μας. Συγκεκριμένα η σχεδίαση μας μπορεί να προσομοιώσει νευρωνικά δίκτυα μεγέθους μέχρι 192x192 νευρώνων. Το δίκτυο αποτελείται από δυο επίπεδα, την επιφάνεια του αμφιβληστροειδή, που λειτουργεί σαν είσοδος, και την περιοχή V1 και στηρίζεται σε δυο βασικές υποθέσεις: πως οι πλευρικές συνδέσεις είναι κυρίως ανασταλτικές σε μεγάλες αποστάσεις και διεγερτικές στις κοντινές και πως οι πλευρικές και οι εισάγων συνδέσεις προσαρμόζονται από τον ίδιο μηχανισμό Hebbian. Τέλος τα αποτελέσματα στις πειραματικές μετρήσεις που έγιναν σε μία Virtex-6 LX760 έδειξαν πως η σχεδίαση μας μπορεί να τρέξει 2 φορές γρηγορότερα από μια συμβατική GPU προσομοιώνοντας μάλιστα μεγαλύτερου μεγέθους νευρωνικά δίκτυα και 3 φορές γρηγορότερα από την υλοποίηση στο Software. Όμως δεν καταφέρνει να ξεπεράσει τις επιδόσεις μιας πολύ καλής GPU όπως η GTX980 που χρησιμοποιήθηκε για τις συγκεκριμένες μετρήσεις.Διπλωματική Εργασίαhttp://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνKontos_Nikolaos_Dip_2017.pdfChania [Greece]Library of TUC2017-10-02application/pdf2.3 MBfree Kontos Nikolaos Κοντος Νικολαος Papaefstathiou Ioannis Παπαευσταθιου Ιωαννης Dollas Apostolos Δολλας Αποστολος Manousaki Dafni Μανουσακη Δαφνη Πολυτεχνείο Κρήτης Technical University of Crete Βιολογικά νευρωνικά μοντέλα FPGA