540f65333f57f89e2b954bc4_top_coatofarms_v2.png
540f65135b848513272c60bb_top_ornament_v2.png
2009
543aaffd1b4ea3f7344afcba_1st_prize.png
műszaki
Rák Ádám
Sztochasztikus bitfolyam alapú Celluláris Nemlineáris Hálózat és implementációja FPGA-án
Témavezető:
Dr. Cserey György
Összefoglaló
Az elmúlt 15 évben a Celluláris Neurális Hálózat (CNN) alapfelvetésétől számítva szá-
mos algoritmus lett publikálva és hardveres megvalósítás került piacra. A megvalósított
CNN implementációkra az jellemző, hogy csak az egymással szomszédos cellák kapcso-
lódnak egymáshoz. Ez a felépítés a legalkalmasabb képfeldolgozási műveletek végzésére,
például alakfelismerés és bináris morfológiák. Mivel ez a rendszer eredendően párhuza-
mos, ezért a jelenlegi implementációk futási sebessége egy bonyolultabb műveletsornál
is elérheti az 1000 kép / másodpercet. A jelentős sikeres kutatási eredmények mellett a
szilíciumon implementált csipek néhány olyan hátrányos tulajdonsággal is bírnak az elmé-
lettel szemben, ami limitálja a hardveren történő megvalósítás paramétereit. Ilyen lehet
például az analóg pontosság, nemlineáris templatek (utasítások) végzése, az adatátvitel
miatt keletkező időtöbblet, vagy a méret növelhetősége.
Az irodalom áttekintése alapján mondhatjuk, hogy bár léteznek digitális implementá-
ciók és sztochasztikus szimulációkat is készítettek CNN csipen, de sztochasztikus bitfolyam
alapú CNN implementáció (STCNN) eddig még nem készült. A sztochasztikus bitfolya-
mok egyik legfontosabb előnye, hogy az áramköri megvalósításuk kevés elemet igényel.
Megjegyzendő, hogy míg az analóg VLSI nem követi a Moore törvényt, addig a digitális
CNN implementációk és így az STCNN is ennek eleget tesz, azaz a technológia fejlődésé-
vel (méretcsökkenés) növekszik az áramkörsűrűség, nő a sebesség. Hátránya, hogy mivel
alapvetően véletlen mintákon alapszik a bitfolyam, nem kerülhető el a zaj. Az elméleti
eredményeinket FPGA rendszeren teszteltük, mely olyan eszköz, ami programozható logi-
kai egységeket és összeköttetéseket tartalmaz. A speciális szerkezete lehetővé teszi, hogy
bizonyos határon belül megfelelő programozással, bármilyen komplexitású logikai áramkör
megvalósítható legyen.
Ezzel a munkával az volt az elsődleges célunk, hogy egy olyan CNN architektúrát ter-
vezzünk, mely egyrészt hatékonyan megvalósítható FPGA-án illetve VLSI környezetben,
másrészt robosztus nemlineáris operációkat lehessen futtatni rajta. A kidolgozás során
igyekeztünk szem előtt tartani az univerzalitást és a sebességet. Az eredmények azt mu-
tatják, hogy mindkettő tartható az implementáció során. Fontos kérdés, hogy egy-egy
cella mekkora helyet igényel, de a méret növekedésével nemcsak egy cella méretével kell
számolni, hanem a huzalozás helyigényével is, mely elméleti határt szabhat a megvalósí-
tásnak. Ezekre általános választ adhat az FPGA-án történő, akár kisebb méretű imple-
mentáció eredménye is.
Rák Ádám
Rák Ádám
Mivel kezdettől célom volt, hogy doktoráljak, ezért tudatosan arra használtam a TDK adta lehetőséget, hogy ráhangolódjak a tudományos munkára. Több esetben a TDK dolgozat nálam előfutára volt a nemzetközi folyóirat cikknek az adott témában. Ekkor ismertem meg témavezetőmet, aki a TDK után a diploma és a doktori munkámban is témavezetőm lett. Így a TDK nagyban segített elindulni pályámon.
Curriculum Vitae
Gimnáziumi éveimet a Miskolci Fényi Gyula Jezsuita Gimnáziumban töltöttem 1996-2004-ig. Műszaki Informatika diplomámat a Pázmány Péter Katolikus Egyetem Információs Technológiai és Bionikai Karán szereztem 2009-ben. Ugyanebben az évben barátaimmal közösen megalapítottuk a StreamNovation Kft.-t egyetemi spin-off kereteken belül, a tématerületei a cégnek a párhuzamos rendszerek (főleg GPU) köré csoportosulnak. Azóta is ott dolgozom. 2014-ben doktori fokozatot szereztem a Pázmány Péter Katolikus Egyetem Multidiszciplináris Műszaki és Természettudományi Doktori Iskolában.
Dr. Cserey György
Dr. Cserey György
Adatok feltöltés alatt