| KEYWORD |
Sviluppo di un modulo hardware per l’apprendimento online su reti neurali spiking con riconfigurazione parziale su FPGA.
Parole chiave ACCELERATORI HARDWARE, ACCELERATORI NEUROMORFICI, ACCELERAZIONE FPGA, APPRENDIMENTO ONLINE, EDGE COMPUTING, INTELLIGENZA ARTIFICIALE, NEUROMORPHIC COMPUTING, RETI NEURALI, RETI NEURALI SPIKING, RICONFIGURAZIONE PARZIALE
Riferimenti STEFANO DI CARLO, ALESSANDRO SAVINO
Riferimenti esterni Alessio Carpegna
Gruppi di ricerca DAUIN - GR-24 - SMILIES - reSilient coMputer archItectures and LIfE Sci
Tipo tesi RICERCA, RICERCA APPLICATA, SPERIMENTALE
Descrizione Le reti neurali spiking (Spiking Nerual Networks, SNN) sono un particolare tipo di rete neurale direttamente ispirato dal funzionamento di un cervello biologico, in cui i neuroni si scambiano informazioni in forma di impulsi di corrente (spike) di breve durata. Con un design opportuno queste reti possono essere particolarmente adatte ad un’implementazione su circuiti hardware dedicati, con un consumo di potenza e un’occupazione di area molto contenuti rispetto ad altri tipi di rete neurale.
Uno dei vantaggi delle reti di tipo spiking è la possibilità di imparare durante il loro impiego, così come avviene in un cervello biologico. Tale approccio, detto apprendimento online, è molto diverso da quello generalmente impiegato, in cui la rete neurale viene allenata e poi successivamente utilizzata per l’inferenza.
I vantaggi sono molteplici: prima di tutto il processo di allenamento viene effettuato direttamente sul circuito hardware, ottimizzato per l’esecuzione della rete e quindi molto più veloce rispetto a macchine general-purpose. In secondo luogo, le SNN possono essere utilizzate in applicazioni ad apprendimento continuo, dove la rete evolve, impara e si adatta agli stimoli esterni durante tutto il suo utilizzo. Un approccio di questo tipo permetterebbe di superare la necessità di raccogliere e classificare manualmente le moli enormi di dati necessari per allenare un modello di machine learning, permettendo alla rete di imparare in modo non supervisionato attraverso l’esperienza diretta.
Lo scopo della tesi è quello di sviluppare un modulo hardware per l’apprendimento online, dedicato ad un acceleratore per rete neurale spiking già esistente. Il lavoro consisterà prima di tutto nel trovare un metodo di allenamento adatto alle reti spiking e soprattutto compatibile con un’implementazione hardware (ad esempio Spike Timing Dependent Plasticity); successivamente si richiederà di sviluppare il modulo hardware che implementi tale metodo e di affiancarlo all’acceleratore. Uno degli obiettivi infine è quello di sfruttare la programmabilità della FPGA per effettuare una riconfigurazione parziale, rimuovendo il modulo se questo non è necessario, al fine di liberare spazio utile. In altre parole, se l’applicazione non richiede un apprendimento continuo, dopo avere eseguito l’allenamento della rete direttamente sull’acceleratore, questo può essere alleggerito rimuovendo la parte di apprendimento, non più necessaria.
Extra
Generalizzazione del metodo di apprendimento e sviluppo di un framework di configurazione automatica per il modulo.
I metodi di allenamento adatti ad un’applicazione di questo tipo sono molteplici, generalmente non supervisionati e ispirati da comportamenti biologici. Una volta completato il modulo, sarebbe interessante ripetere il procedimento con diversi tipi di apprendimento, confrontarli e dare la possibilità all’utente di scegliere quello che preferisce mediante un’interfaccia software, ad esempio sviluppata in python.
Conoscenze richieste Tecniche di progettazione hardware, VHDL.
Scadenza validita proposta 08/11/2023
PROPONI LA TUA CANDIDATURA