Design of Analog Spiking Neural Networks for Direct Signal Processing
In our modern world, the demand for electronic components is constantly increasing. Above all, the need for more and more sensors to monitor various functions in a wide range of applications has a central role in this context whether it is the goal of autonomous driving or the simple monitoring of gas tanks. The increased demand for sensor technology leads to two central problems. First, a larger number of sensors results in a much larger amount of data that needs to be processed. Second, the larger the number of electronics and the larger amounts of data that need to be processed, the much higher demand for energy is the consequence. This automatically raises the question of how to address these two issues. For efficient data processing, a trend has emerged in recent years to adopt so-called Artificial Neural Networks. These are inspired to a certain degree by the functioning of biological nervous systems. However, these often continue to have a large energy demand. In order to counteract this, a further trend is emerging to let the artificial neural networks orient themselves even more strongly to biology, as for example our human brain with millions of neurons only consumes 20W under full workload. These third-generation Artificial Neural Networks are called Spiking Neural Networks (SNN). These strongly attempt to mimic the biological nervous system in their functioning. Event-based processing of data can drastically reduce the energy demand of these networks. However, this potential can only be fully exploited when these networks are transferred to application-related hardware. In the shape of an integrated circuit, these networks can be embedded directly in the sensor. In this way, they can take over the task of other electronics and reduce their demand, thus lowering energy consumption in the long term.
Therefore, this work deals with the necessary design steps of Spiking Neural Networks for integration in analog hardware. In the thesis, artificial blocks of biological neurons and synapses are presented, optimized, and designed as integrated circuits. These are then transferred and evaluated in simple network architectures for specific applications. Finally, a first rudimentary investigation of possible mutual influence between Spiking Neural Networks and a selected sensor component is performed.
In unserer modernen Welt steigt die Nachfrage nach elektronischen Bauteilen. Vor allem spielen hierbei der Bedarf nach mehr Sensoren für die Überwachung verschiedener Funktionen in einer Vielzahl von Anwendungen eine zentrale Rolle. Die erhöhte Nachfrage von Sensorik führt zu zwei zentralen Problemen. Erstens, eine größere Anzahl von Sensoren führt zu einer wesentlich größeren Datenmenge, die verarbeitet werden muss. Zweitens, die höhere Anzahl von Elektronik und die größeren Mengen von Daten, die verarbeitet werden müssen, führen zu einem stark erhöhten Energiebedarf. Daraus stellt sich automatisch die Frage, wie man diesen beiden Problemen entgegentritt. Für eine effiziente Datenverarbeitung zeichnet sich in den letzten Jahren ein Trend ab, sich an künstlichen neuronalen Netzen zu orientieren. Diese inspirieren sich zu einem gewissen Grad an der Funktionsweise von biologischen Nervensystemen. Allerdings, haben diese häufig weiterhin einen großen Energiebedarf. Um auch diesem
entgegenzutreten, zeichnet sich ein weiterer Trend ab, die künstlichen neuronalen Netze sich noch stärker an der Biologie orientieren zu lassen, verbraucht beispielsweise unser menschliches Gehirn mit Millionen von Neuronen lediglich 20W unter Volllast. Diese künstlichen neuronalen Netze der dritten Generation werden als gepulste neuronale Netze bezeichnet. Diese versuchen in ihrer Funktionsweise stark das biologische Nervensystem nachzuahmen. Durch die eventbasierte Verarbeitung von Daten lässt sich der Energiebedarf dieser Netze drastisch reduzieren. Jedoch kann dieses Potenzial erst vollständig genutzt werden, wenn diese Netze in anwendungsbezogene Hardware übertragen werden. In der Form einer integrierten Schaltung können diese Netzwerke direkt mit in den Sensor integriert werden. Dadurch können diese die Aufgabe anderer Elektronik übernehmen und deren Bedarf reduzieren, wodurch langfristig der Energieverbrauch sinkt.
Diese Arbeit beschäftigt sich mit den notwendigen Designschritten von gepulsten neuronalen Netzen für die Integration in analoger Hardware. In der Arbeit werden künstliche Blöcke von biologischen Neuronen und Synapsen als integrierte Schaltungen vorgestellt, optimiert und designt. Diese werden anschließend in einfache Netzwerkarchitekturen für spezifische Anwendungen übertragen und evaluiert. Letztendlich erfolgt eine erste rudimentäre Untersuchung auf mögliche, gegenseitige Einflussnahme zwischen gepulsten neuronalen Netzen und einem ausgewählten Sensorbaustein.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
