بررسي عملكرد و بهبود نورون مصنوعي و پياده‌سازي آن برروي FPGA

Evaluation, improvement and implementation of an artificial neuron on FPGA

در اين مقاله با هدف شبيه‌ سازي رفتارتك نورون، به پياده سازي سخت افزاري يك نورون زيستي طبق مدل Hodgkin-Huxley پرداخته شده است كه اين مدل بيشترين شباهت را به نورون واقعي دارد و پياده سازي آن بسيار دشوار است، ولي به كمك استفاده از قابليت پيكر‌بندي مجدد و اجراي دستورات بصورت موازي، طراحي سخت‌افزاري سيستم نوروني بهينه‌شده، مبتني بر FPGA انجام شده است.براي اين‌ منظور در پياده‌سازي تك نورون، از ايده‌هاي سخت افزاري متعددي، بهره گرفته‌ايم تا بهترين نوع از نورون كامل را بر اساس سرعت بالا، حجم‌كم، دقت بالا و قابليت توسعه‌پذيري، طراحي كنيم. برخي از ايده‌ها در طراحي و پياده‌سازي عبارتند از انجام محاسبات ديجيتال با بيت محدود، ساده سازي توابع رياضي و تبديل عمليات مميز شناور به مميز ثابت، كه علي‌رغم بهينه بودن و كاهش سخت‌افزار مصرفي، از ويژگي حداكثر موازي سازي و دقت كافي در توليد سيگنال خروجي نيز برخوردار باشد. مدل ارائه شده در اين مقاله براي بسياري از دانشمندان در حوزه علوم اعصاب شناختي، اهميت فراوان دارد.

In this paper, simulation the behavior of a single neuron, and the implementation of the hardware of a biochemical neuron according to the Hodgkin-Huxley model is investigated, that is closely resembles the real neuron, and its implementation is very difficult, But with the help of re-configuration and implementation on parallel, the FPGAbased hardware design of the optimized neuronal system was performed. For this purpose, we have been using a variety of hardware ideas for the implementation of single-neurons to design the best type of complete neuron based on high speed, compactness, high precision and expandability. Some of the ideas in design and implementation include doing limited digital calculations, simplifying mathematical functions, and converting floating-point operations to fixed-point, which have the optimization and reduction of consumable hardware, have the maximum parallelism and the precision of the production of the output signals. The model presented in this paper is very important for many scientists in the field of cognitive neuroscience.