VLSI — Compatible Implementations for Artificial Neural Networks

این کتاب چندین پیاده سازی پیشرفته VLSI از شبکه های عصبی مصنوعی (ANN) را معرفی می کند. رویکردهای سخت افزاری مختلف برای پیاده سازی ANN را بررسی می کند: آنالوگ، دیجیتال و کد پالسی. رویکرد آنالوگ به عنوان رویکرد اصلی در فصول بعدی کتاب مورد تاکید قرار گرفته است. حوزه اجرای VLSI شبکه های عصبی مصنوعی در 15 سال گذشته پیشرفت کرده است، اما نه با سرعتی که در ابتدا پیش بینی شده بود. دلایل متعددی به کندی پیشرفت کمک کرده است، یکی از اصلی‌ترین آنها این است که اجرای VLSI شبکه‌های عصبی مصنوعی یک حوزه بین رشته‌ای است که تنها تعداد کمی از محققان، دانشگاهیان و دانشجویان فارغ‌التحصیل مایل به سرمایه‌گذاری هستند. کار پروفسور فخرایی و اسمیت که در این کتاب ارائه شده است، افزوده‌ای به پیشرفته‌ترین هنر است و برای محققان و دانشجویانی که در این زمینه کار می‌کنند بسیار سودمند خواهد بود. استفاده از نتایج تجربی برای تهیه نسخه پشتیبان از شبیه‌سازی‌های گسترده و مدل‌سازی عمیق از ارزش ویژه‌ای برخوردار است. معرفی دستگاه سیناپس-MOS جدید است. این کتاب این مفهوم را برای تعدادی از کاربردها به کار می‌برد و خواننده را از طریق کاربردهای احتمالی بیشتر برای کارهای آینده راهنمایی می‌کند. من مطمئن هستم که این کتاب برای خوانندگان بالقوه گسترده ای مفید خواهد بود. M. I. الماسری دانشگاه واترلو واترلو، انتاریو کانادا، شبکه‌های عصبی مقدماتی (NN)، که عموماً به عنوان شبکه‌های موازی تعریف می‌شوند که از تعداد زیادی از عناصر پردازش ساده برای انجام محاسبات به صورت توزیع‌شده استفاده می‌کنند، در پنجاه سال گذشته توجه زیادی را به خود جلب کرده‌اند. در نتیجه. بسیاری از اکتشافات جدید انجام شده است.

This book introduces several state-of-the-art VLSI implementations of artificial neural networks (ANNs). It reviews various hardware approaches to ANN implementations: analog, digital and pulse-coded. The analog approach is emphasized as the main one taken in the later chapters of the book. The area of VLSI implementation of ANNs has been progressing for the last 15 years, but not at the fast pace originally predicted. Several reasons have contributed to the slow progress, with the main one being that VLSI implementation of ANNs is an interdisciplinaly area where only a few researchers, academics and graduate students are willing to venture. The work of Professors Fakhraie and Smith, presented in this book, is a welcome addition to the state-of-the-art and will greatly benefit researchers and students working in this area. Of particular value is the use of experimental results to backup extensive simulations and in-depth modeling. The introduction of a synapse-MOS device is novel. The book applies the concept to a number of applications and guides the reader through more possible applications for future work. I am confident that the book will benefit a potentially wide readership. M. I. Elmasry University of Waterloo Waterloo, Ontario Canada Preface Neural Networks (NNs), generally defined as parallel networks that employ a large number of simple processing elements to perform computation in a distributed fashion, have attracted a lot of attention in the past fifty years. As the result. many new discoveries have been made.