Σκοπός της συγκεκριμένης διπλωματικής εργασίας θα είναι η καταγραφή της προόδου που έχει γίνει μέχρι στιγμής στα spiking νευρωνικά δίκυτα αλλά και η παροχή προτάσεων για τροποποιήσεις και συνδυασμό των σύγχρονων δομών. Πιο συγκεκριμένα, θα γίνει αναλυτική περιγραφή του τρόπου λειτουργίας ενός spiking νευρωνικού δικτύου τόσο σε επίπεδο νευρώνα όσο και σε επίπεδο δικτύου, ενώ θα αναλυθεί και η spiking κωδικοποίηση των πληροφοριών. Επιπλέον, θα παρουσιαστούν όλες οι σύγχρονες υλοποιηθέντες δομές (ηλεκτρονικών, ηλεκτροπτικών και αμιγώς οπτικών δομών) που προσομοιώνουν τη λειτουργία των spiking νευρωνικών δικτύων, τονίζωντας τα πλεονεκτήματα και τα μειονεκτήματα αυτών. Στη συνέχεια, θα παρουσιαστούν πιθανές τροποποιήσεις και εφαρμογές των υλοποιηθέντων δομών με σκοπό την βελτίωση των χαρακτηριστικών λειτουργίας τους, δίνοντας έμφαση στη δυνατότητα εφαρμογής τους (implementation level). Τέλος, θα παρατεθούν προτάσεις για συνδυασμό των υπάρχουσων δομών με σκοπό την υλοποίηση πολυπλοκότερων δομών επεξεργασίας, οι οποίες θα παρέχουν μεγαλύτερη ποικιλία λειτουργιών, τροφοδοτώντας την επιστημονική κοινότητα με νέες ερευνητικές προτάσεις.

Τα τελευταία χρόνια πραγματοποείται μια αλματώδης πρόοδος στον τομέα της επεξεργασίας των πληροφοριών. Από το 1971, χρονιά που η Intel παρουσίασε τον πρώτο μικροεπεξεργαστή (Intel 4004), παρατηρείται μια συνεχής τάση αύξησης της ταχύτητας επεξεργασίας των μικροεπεξεργαστών, με ταυτόχρονη μείωση τόσο του όγκου, όσο και της ενεργειακής κατανάλωσης τους. Καθοριστικοί παράγοντες στην ανοδική αυτή πορεία ήταν η ανάδειξη νέων τεχνικών μαζικής παραγωγής ημιαγωγικών διατάξεων, οι οποίες επέτρεψαν την παραγωγή ποιοτικότερων μικροηλετκρονικών στοιχείων (μικρότερος αριθμός ατελειών, μείωση των διαστάσεων της δομής) με καλύτερα χαρακτηριστικά λειτουργίας (μικρότερα ρεύματα και τάσης πόλωσης). Ταυτόχρονα, βελτιστοποιήσεις στη Von-Neuman αρχιτεκτονική (παραλληλισμός, πολλαπλοί πυρήνες επεξεργασίας) αύξησαν ακόμα περισσότερο τις επιδόσεις των μικροηλεκτρονικών επεξεργαστών.

Η αύξηση της ταχύτητας επεξεργασίας ανέδειξε νέες εφαρμογές και ανάγκες όπως η αναλογική επεξεργασία σήματος, η αναγνώριση σχεδίων (pattern recognition), η ταξινόμιση εικόνων (classification of images), οι εφαρμογές τεχνητής πραγματικότητας (virtual reality), ανιχνευτές κίνησης (motion sensors) αλλά και οι εφαρμογές τεχνητής νοημοσύνης (artificial intelligence). Οι νεοαναδειχθείσες αυτές εφαρμογές έχουν εξαιρετικά μεγάλες απαιτήσεις τόσο σε εύρος ζώνης (Bandwidth) όσο και σε ταχύτητα επεξεργασίας. Δυστυχώς οι υπάρχοντες επεξεραστές δεν μπορούν να ανταποκριθούν στις νέες απαιτήσεις λόγω της ενδογενούς σειριακής επεξεργασίας των Von-Neuman επεξεργαστών αλλά και του περιορισμένου Bandwidth που διαθέτουν. Επιπλέον, η περαιτέρω σμίκρυνση των μικροηλεκτρονικών στοιχείων είναι αδύνατη λόγω της δραματικής αύξησης της εκλυόμενης θερμότητας αλλά και της εισαγωγής απροσδιόριστων-στοχαστικών κβαντομηχανικών φαινομένων (φαινόμενα σήραγγας, Αρχή απροσδιοριστίας του Heisenberg).

Για τους προαναφερθείς λόγους η επιστημονική κοινότητα στρέφεται στη μελέτη επεξεργαστών που βασίζονται σε διαφορετικές τεχνικές επεξεργασίες (non Von-Neuman architectures), η λειτουργία των οποίων βασίζεται στα βιολογικά νευρωνικά δίκτυα. Κάθε νευρωνικό δίκτυο αποτελείται από νευρώνες και συνάψεις. Ο νευρώνας έχει έναν πεπερασμένο αριθμό εισόδων και μια έξοδο, η οποία αποτελεί είσοδο των επόμενων νευρώνων. Οι νευρώνες συνδέονται μεταξύ τους με συνάψεις, τα βάρη των οποίων είναι μεταβλητά. Ο κάθε νευρώνας ολοκληρώνει ενα γραμμικό συνδυασμό των εισόδων του. Μετά την ολοκλήρωση των εισόδων, αν η τιμή ολοκλήρωσης είναι πάνω από μια συγεκριμένη στάθμη (κατώφλι), τότε ο νευρώνας παράγει έναν παλμό (Spike) στην έξοδο του. Διαφορετικά παραμένει αδρανής. Οι έξοδοι των νευρώνων διαδίδονται στους επόμενους νευρώνες μέχρι να υπολογιστούν οι έξοδοι του συστήματος, επαναλμαβάνοντας την προαναφερθείσα διαδικασία μέχρις ότου παραχθεί η έξοδος του νευρωνικού δικτύου. Οι νέες αυτές αρχιτεκτονικές αίρουν τους περιορισμούς του εύρους ζώνης λόγω της ενδογενούς παραλληλοποίησης των εισόδων (όλες οι είσοδοι εισάγονται ταυτόχρονα στο συστημα επεξεργασίας), αυξάνουν τις δυνατότητες επεξεργασίας (αναλογική επεξεργασία σημάτων), μειώνων το ενεργειακό αποτύπωμα των δομών, παρουσιάζουν εξαιρετική απόδοση σε θορυβικά περιβάλλοντα ενώ οι ενδογενείς μη-γραμμικότητες τους ανοίγουν νέους ορίζοντες στον τρόπο επεξεργασίας των πληροφοριών.

Θεωρία κυκλωμάτων, φυσική 

νευρωνικά δίκτυα, γραμμική άλγεβρα, ηλεκτρονική

1.     Prucnal, P. R., & Shastri, B. J. (2017). Neuromorphic photonics. CRC Press.

2.     Shastri, Bhavin J., et al. "Principles of neuromorphic photonics." Unconventional Computing: A Volume in the Encyclopedia of Complexity and Systems Science, Second Edιtion (2018): 83-118. 

3.      Mesaritakis et al, “Artificial Neuron based on Quantum Dot Mode Locked Laser” Nature: Scientific Reports, 6, 39317 (2016)