Memristor tabanlı yapay sinir ağı tasarımı ve optimizasyonu
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: BAKİ GÖKGÖZ
Asıl Danışman (Eş Danışmanlı Tezler İçin): Tolga Aydın
Eş Danışman: Fatih Gül
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı, titanyum dioksit (TiO₂) tabanlı nano-sinaptik cihazların yapay sinir ağı (YSA) uygulamalarında kullanılabilirliğini bilgisayar ortamında simüle etmek ve bu cihazların performansını detaylı bir şekilde değerlendirmektir. Simülasyon çalışmaları, cihazların doğruluk, enerji verimliliği, eğitim süresi, donanım kapasitesi ve ölçeklenebilirlik gibi kritik performans kriterleri açısından sağladığı katkıları ortaya koymayı hedeflemektedir. Bunun yanı sıra, bu cihazlar üzerinde kullanılan optimizasyon yöntemlerinin etkinliği ve bu yöntemlerin performans üzerinde oluşturduğu iyileştirmeler incelenecektir. Çalışmanın, hem yeni nesil sinaptik cihazların geliştirilmesine hem de yapay sinir ağı uygulamalarında optimizasyon yöntemlerinin rolünün daha iyi anlaşılmasına katkı sağlaması amaçlanmaktadır. Yöntem: Bu çalışmada, TiO₂ tabanlı nano-sinaptik cihazlar kullanılarak sinir ağlarının donanım üzerinde uygulanabilirliği incelenmiş ve bu yöntem çeşitli optimizasyon algoritmaları yardımıyla doğruluk, alan kullanımı ve enerji tüketimi açısından değerlendirilmiştir. Önerilen donanım tabanlı model, özellik tanıma ve sınıflandırma yeteneklerine sahip olup, elle yazılmış ve bilgisayar tarafından üretilmiş rakamların tanınmasında kullanılmaktadır. Model, ileri besleme (FF) ve geri yayılma (BP) süreçlerini entegre ederek giriş verilerini çıkışlarla eşleştiren bir yapı sunmaktadır. Eğitim süreci, FF ve BP olmak üzere iki aşamadan oluşmaktadır. İleri besleme aşamasında, girdi verileri sinir ağının giriş katmanına alınır, ardından ağırlıklı toplamlar ve aktivasyon fonksiyonları aracılığıyla gizli katmanlardan geçirilerek çıktı katmanına iletilir. Çıktılar, doğru etiketlerle karşılaştırılarak tahmin hatası hesaplanır. Geri yayılma aşamasında ise bu hata, sinir ağı boyunca geriye doğru yayılır ve ağırlıklar optimizasyon yöntemleri kullanılarak ayarlanır. Optimizasyonun temel amacı, modelin hem eğitim hem de test verilerinde yüksek doğruluk elde etmesini sağlamak, genelleme yeteneğini artırarak farklı veri setlerinde başarılı olmasını mümkün kılmak ve tüm bunları hesaplama maliyetlerini minimize ederek en verimli şekilde gerçekleştirecek en uygun yapılandırmayı bulmaktır. Bulgular: Bu çalışma, TiO₂ tabanlı memristörlerin nöromorfik uygulamalarda yüksek doğruluk, enerji verimliliği ve genelleme kapasitesi sunduğunu ortaya koymaktadır. CMOS uyumlu yapıları ve biyolojik sinapsları taklit edebilme özellikleri sayesinde, bu cihazlar enerji verimli donanımlar için önemli avantajlar sağlamaktadır. Optimizasyon algoritmaları arasında AdaDelta, doğruluk ve enerji verimliliği açısından en iyi performansı sergilemiştir. Modelin farklı veri kümelerindeki genelleme kapasitesi, TiO₂ tabanlı cihazların geniş bir makine öğrenimi yelpazesinde etkili bir şekilde kullanılabileceğini göstermektedir. Sonuç: TiO₂ tabanlı sinaptik cihazlara dayalı sinir ağının performansı, MNIST ve CIFAR veri kümeleri üzerinde farklı optimizasyon yöntemleri kullanılarak kapsamlı bir şekilde değerlendirilmiştir. %90 doğruluk oranına ulaşan model, optimizasyon algoritmaları arasında sağlamlık ve genelleme kapasitesi sergilemiştir. Elde edilen sonuçlar, TiO₂ tabanlı cihazların nöromorfik hesaplama ve donanım tabanlı yapay zekâ uygulamalarında, çeşitli optimizasyon yöntemleriyle birleştirildiğinde etkin bir çözüm sunduğunu ortaya koymaktadır. Bu çalışma, gelecekte daha enerji verimli ve hassas sinir ağı modellerinin geliştirilmesine katkıda bulunacak önemli bulgular sağlamaktadır