Tez Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Mühendislik Fakültesi, Elektrik- Elektronik Mühendisliği, Türkiye
Tez Danışmanı: Recai Kılıç
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Desteklendiği Program: Diğer
Özet:
Canlı vücudundaki nöronlar
arası haberleşme ve koordinasyon sinaps yapıları aracılığı ile
gerçekleşmektedir. Bu sinaps yapılarının modellenmesi için literatürde birçok
farklı yaklaşım mevcuttur. Bu tez çalışmasında sinaps yapılarını modellemek
için önerilen ve literatürde mevcut yaklaşımlardan biri olan Ani Zamana Bağımlı
Plastisite (Spike-Time-Dependent-Plasticity, ‘STDP’) öğrenme kuralı ile
memristör sinaps yapılarının benzerliklerinin incelenmesi amaçlanmıştır. Ardından,
STDP öğrenme kuralını ve memristör sinaps yapılarını ilişkilendiren nöromorfik
sistemlerin gerçek zamanlı uygulamaları için donanım gerçekleştirimleri konusu
üzerine yapılan çalışmalar irdelenmiş ve alternatif bir donanım gerçekleştirimi
yapılmıştır.
Bu kapsamda; öncelikle
memristor elemanının tanımı, tarihçesi, genel uygulama alanları gibi temel
bilgiler verilmiştir. Ardından memristör elemanının modellenmesi için
literatürde mevcut olan üç farklı voltaj kontrollü memristör modeli incelenmiş
ve bu modellerin temel karakteristikleri nümerik simülasyon sonuçlarından
yararlanılarak analiz edilmiştir.
Nöronların davranışlarını,
fizyolojik yapılarını ve bilgi transfer mekanizmalarını matematiksel
denklemlerle tanımlayan biyolojik nöron modelleri, nöral ağ yapıları oluşturmak
için sıklıkla tercih edilmektedir. Biyolojik nöron modellerinin her birinin
kendine özgü avantaj ve dezavantajı bulunmaktadır. Bu yüksek lisans tez
çalışması kapsamında ağ yapılarına geçiş sürecinde; basit matematiksel
tanımlamalara sahip olan ve nöron dinamiklerini başarılı bir şekilde taklit
eden FitzHugh-Nagumo (FHN) ve Hindmarsh-Rose (HR) nöron modellerinin kullanımı
tercih edilmiştir.
STDP öğrenme kuralı ve
memristör sinaps yapıları arasındaki benzerliğin incelenmesi amacıyla, öncelikle
FHN ve HR nöron çiftleri elektriksel sinaps tanımlaması kullanılarak
birleştirilmiş ve bu basit ağ yapısındaki kuplajlı nöronların cevapları nümerik
analizlerle elde edilmiştir. Ardından, bu nöron çiftleri elektriksel sinaps
tanımlaması yerine bir STDP plastisite modeli ile birleştirilmiş ve bu ağ
yapısındaki kuplajlı nöronların cevapları da nümerik analizlerle elde
edilmiştir. Daha sonra, memristör elemanının modellenmesi için literatürde
mevcut olan üç farklı matematiksel tanımlama sinaps ifadeleri yerine
kullanılmıştır. FHN ve HR nöron çiftleri bu üç farklı memristör ifadesi ile
birleştirilmiştir. Memristör tanımlamasının kullanıldığı bu kuplajlama işlemi
sonucunda elde edilen nümerik sonuçlar; klasik sinaps yapıları ile elde edilen
önceki sonuçlarla karşılaştırılarak yorumlanmıştır. Bahsedilen bu kuplajlama
işlemleri sonrasında nöronların hücre zarı potansiyel cevaplarının birbirleri
ile uyumlu olduğu gözlemlenmiştir. Son olarak, bir memristör modeli
kullanılarak kuplajlanan HR nöron çiftinin, programlanabilirlik ve yeniden
yapılandırılabilirlik özelliği ile nöromorfik gerçekleştirim çalışmalarında
kullanılan Alan Programlanabilir Kapı Elemanı (Field Programmable Gate Array,
‘FPGA’) elemanı ile donanım gerçekleştirimi yapılmıştır. Böylece nümerik simülasyon
çalışmaları ile ilişkilendirilen STDP öğrenme kuralı ve memristör tabanlı
sinaps yapıları kullanılarak kuplajlanan nöron çiftlerinin FPGA tabanlı donanım
doğrulaması da başarılı bir şekilde gerçeklenmiştir.