Resumen de Desarrollo de técnicas hardware no-convencionales para su aplicación al aprendizaje automático
- español
Nuestro cerebro realiza de forma diaria tareas complejas basadas en el reconocimiento de patrones tales como el procesamiento de im´agenes y el reconocimiento de voz con aparente facilidad. Inspirados por c´omo el cerebro logra ejecutar dichas tareas, diferentes modelos de aprendizaje autom´atico, especialmente los basados en Redes Neuronales Artificiales o ANNs, han sido intensamente estudiados en los ´ultimos a˜nos. Los modelos ANNs intentan imitar el comportamiento biol´ogico del sistema nervioso a partir del modelado de los elementos de procesamiento simples llamados neuronas y sus interconexiones. Con un entrenamiento espec´ıfico, las ANNs tienen la capacidad de aprender relaciones complejas a partir de la informaci´on de entrada mediante el ajuste apropiado de sus pesos. Las SNNs, la ´ultima generaci´on de ANNs, se caracterizan tanto por su naturaleza bioinspirada como por una mayor capacidad computacional respecto a otros modelos de redes neuronales. Sin embargo, a pesar de que muchos enfoques hardware logran mejoras significativas en t´erminos de rendimiento y consumo de energ´ıa, su implementaci´on sigue requiriendo grandes cantidades de recursos de hardware que, a su vez, impiden explotar plenamente los beneficios del hardware. Por lo tanto, las implementaciones hardware eficientes de SNNs se vuelven cruciales para explotar el paralelismo inherente de las redes neuronales. A diferencia de las t´ecnicas de computaci´on convencionales, la SC permite realizar c´alculos aritm´eticos complejos utilizando un bajo n´umero de puertas l´ogicas. Por ejemplo, una simple puerta l´ogica XOR puede realizar una multiplicaci´on en el dominio estoc´astico. Adem´as de su simplicidad, los circuitos SC son tolerantes a los errores debido a su naturaleza probabil´ıstica inherente. En esta tesis se proponen diferentes t´ecnicas de computaci´on no convencionales para una implementaci´on hardware eficiente de ANNs. Se proponen y analizan varias metodolog´ıas para la implementaci´on digital de ANNs convencionales utilizando un nuevo esquema de codificaci´on acu˜nado como ESL (Extended Stochastic Logic). Tambi´en se proponen dos nuevos modelos neuronales de hardware bioinspirados que imitan a las neuronas pulsantes tradicionales. Finalmente, como prueba de concep- to, se describen y estudian en detalle los diferentes enfoques propuestos junto con aplicaciones reales sobre FPGAs de alta gama incluida su aplicaci´on masiva sobre grandes bases de datos.
- català
El nostre cervell realitza de manera di`aria tasques complexes basades en el reconeixement de patrons com puguin ser el processament d’imatges i el reconeixement de veu amb aparent facilitat. Inspirats per com el cervell aconsegueix executar aquestes tasques, diferents models d’aprenentatge autom`atic, especialment els basats en Xarxes Neuronals Artificials (ANNs), han estat intensament estudiats durant els darrers anys. Els models ANNs intenten imitar el comportament biol`ogic del sistema nervi´os a partir del modelatge dels elements de processament simples anomenats neurones i les seves interconnexions. Amb un entrenament espec´ıfic, les ANNs tenen la capacitat d’aprendre relacions complexes a partir de la informaci´o d’entrada mitjan¸cant l’ajust apropiat dels seus pesos. Les SNNs s´on l’´ultima generaci´o d’ANNs i es caracteritzen tant per la seva naturalesa bioinspirada com per una major capacitat computacional respecte a altres models de xarxes neuronals. No obstant aix`o, encara que molts enfocaments hardware aconsegueixen millores significatives en termes de rendiment i consum d’energia, la seva implementaci´o encara requereix grans quantitats de recursos, fet que, alhora, impedeix explotar plenament els seus avantatges. Per tant, les implementacions eficients en hardware del tipus SNNs esdevenen crucials a l’hora d’explotar el paral·lelisme inherent de les xarxes neuronals. A difer`encia de les t`ecniques de computaci´o convencionals, la computaci´o estoc`astica SC permet realitzar c`alculs aritm`etics complexos utilitzant un baix nombre de portes l`ogiques. Per exemple, una simple porta l`ogica XOR pot realitzar una multiplicaci´o en el domini estoc`astic. A m´es de la seva simplicitat, els circuits dissenyats amb t`ecniques SC s´on tolerants als errors degut a la seva inherent naturalesa probabil´ıstica. En aquesta tesis es proposen diferents t`ecniques de computaci´o no convencionals per a una implementaci´o hardware eficient de les ANNs. Es proposen i analitzen diverses metodologies per a la implementaci´o digital de ANNs convencionals utilitzant un nou esquema de codificaci´o encunyat com ESL (del acr`onim en angl´es, Extended Stochastic Logic). Tamb´e es proposen dos nous models neuronals en hardware bioinspirats que imiten a les neurones pulsantes tradicionals. Finalment, com a prova de concepte, es descriuen i estudien detalladament les diferents propostes amb aplicacions reals sobre FPGAs d’alta gamma inclosa la seva aplicaci´o massiva sobre grans base de dades.
- English
Our brain performs complex pattern recognition tasks such as image processing and voice recognition with apparent ease everyday. Inspired by how brain accomplish those tasks, different machine learning models, especially the Artifical Neural Networks (ANNs), have been intensively studied in recent years. ANNs models attempt to mimic the biological nervous system network composed of simple processing elements called neurons that are interconnected using different connectivities and weights. With specific training, ANNs have the ability to learn complex relationships considering the inputs patterns by adjusting their weights. Spiking Neural Networks (SNNs), the last generation of ANNs, are characterized by both its bioinspired nature and by a higher computational capacity with respect to other neural networks models. However, even though many hardware approaches achieve significant improvements in terms of performance and power consumption, their implementation still requires large amounts of hardware resources which, in turn, impede to fully exploit the hardware benefits. Therefore, efficient hardware implementations of SNNs become crucial to exploit the inherent Neural Network parallelism. Unlike conventional computing techniques, Stochastic Computing (SC) allows to perform complex arithmetic computations by using low gate counts. For instance, a simple logic XOR gate can perform a multiplication in the stochastic domain. In addition to their simplicity, SC circuits are error-tolerant due to their inherent probabilistic nature. This thesis is devoted to develop different unconventional computing techniques for an efficient hardware implementation of ANNs. Several methodologies for digital implementation of conventional ANNs using a novel encoding scheme, the so-called Extended Stochastic Logic (ESL), are proposed and analyzed. Also two new bioinspired hardware neural models that mimic traditional spiking neurons are proposed. Finally, as a proof of concept, the proposed approaches are described and studied in detail along with real-life applications over high-end Field Programmable Gate Arrays (FPGAs) including their massive application on huge databases.
