지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 조경록
- 발행연도
- 2020
- 저작권
- 충북대학교 논문은 저작권에 의해 보호받습니다.
이용수5
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
멤리스터 크로스바 기반의 인공신경망 하드웨어 구현에 대한 연구가 지속되고 있다. 다양한 저항 상태 값을 저장하여 인공신경망의 가중치를 표현하는 multi-bit 멤리스터는 저항 값의 의도하지 않은 변화로 인해 연산의 신뢰도가 떨어질 수 있다. 이 문제 보완을 위한 방법으로 High Resistance States (HRS)와 LOW Resistance States (LRS)를 저장하여 “0”과 “1”값 만을 표현할 수 있는 1-bit 멤리스터를 기반의 Binary CNN 모델 등이 있다. 하지만 이진 가중치를 사용한 모델은 학습 성능의 저하가 불가피하다. 본 연구는 회로의 신뢰성과 CNN의 성능저하를 최소화하기 위한 병렬-멤리스터 크로스바 구조와 Radix-5 CNN 모델을 제안한다. Tensorflow와 FPGA를 사용하여 동작을 검증한 결과 실수 가중치 기반의 CNN과 유사하고, BCNN보다 약 5.5% 높은 학습결과를 확인 하였다. 제안된 방법들은 하드웨어의 면적, 메모리 용량, 동작속도 면에서 유리한 Edge-AI 플랫폼 구현에 기여 할 수 있다.
목차
요약 ⅱAbstract ⅲ그림 차례 ⅳ표 차례 ⅵⅠ. Introduction 1Ⅱ. Background 32.1 멤리스터 32.2 Convolutional Neural Network(CNN) 62.3 멤리스터 크로스바 어레이 9Ⅲ. 제안하는 Radix-5 CNN 모델과 하드웨어 253.1 Radix-5 CNN 알고리즘 273.2 멤리스터 크로스바 기반의 Radix-5 CNN 회로 293.3 음수 가중치 표현회로 293.4 FPGA기반 Radix-5 CNN 구현 33Ⅳ. Simulation Results 364.1 dynamic reference signal 274.2 Radix-5 CNN 및 FPGA 동작 27Ⅴ. Conclusion 44참고문헌 45
최근 본 자료
댓글(0)
0