Plně analogová umělá neuronová síť

Abstract

Tato disertační práce představuje koncept Plně Analogových Umělých Neuronových Sítí (FAANN), které jsou schopny zpracovávat signály přímo z elektrických senzorů. Jedním z motivů výzkumu je zlepšit přesnost měření s ohledem na degradaci senzorů a změny okolních podmínek. Druhý představuje možnost odvození neměřené fyzikální veličiny, která je závislá na těch měřených, což je obzvláště užitečné, když je velikost požadované veličiny obtížně zjistitelná, například kvůli dlouhému a nákladnému chemickému procesu. Tato práce proto přichází s novým návrhem plně analogového učícího se procesu založeného na algoritmu zpětného šíření pomocí gradientního sestupu, který stále zůstává otevřeným problémem. Jedná se o problém v poslední době velmi diskutovaný z důvodu paralelizace výpočtů a tím zvýšení rychlosti učení. Navrhovaná struktura obchází von Neumannův bottleneck a také se vyhýbá omezením spojeným se vzorkováním, synchronizačními signály a řízením hodinových signálů, což umožňuje učení v reálném čase i v případě velmi rychlých systémů. V poslední části se práce zaměřuje na praktické využití \ac{FAANN} a demonstruje tak jejich potenciál. Jedná se o plně analogový adaptivní vysokofrekvenční filtr využívající navrhovaných neuronových sítí v kombinaci s bankou filtrů. Následná validace a analýza vlastností tohoto filtru pomocí simulací \mbox{elektrického} modelu zkoumá efektivitu adaptace v reálném čase.

This dissertation introduces the concept of Fully Analog Artificial Neural Networks (FAANNs) capable of processing signals directly from electrical sensors. One of the research motives is to improve measurement accuracy with respect to sensor degradation and changes in environmental conditions. The second motive represents the ability to derive non-measured physical quantities dependent on measured ones, which is especially useful when the quantity is difficult to ascertain, for instance, due to a lengthy and costly chemical process. Therefore, this work introduces a new design of a fully analog learning process based on the backpropagation algorithm using gradient descent, which remains an open problem. It is a recently discussed problem due to the parallelization of computations which thus increases the learning speed. The proposed structure circumvents the von Neumann bottleneck and avoids limitations associated with sampling, synchronization signals, and clock signal control, enabling real-time learning even for high-speed systems. The last part of the work focuses on the practical application of FAANNs and thus demonstrates their potential. It is a fully analog adaptive high-frequency filter using the proposed neural networks in combination with a filter bank. Subsequent validation and analysis of the properties of this filter using electrical model behavior simulations explores the effectiveness of real-time adaptation.