Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17167
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΜαγκανάρης, Ιωάννης-
dc.date.accessioned2018-12-07T08:26:57Z-
dc.date.available2018-12-07T08:26:57Z-
dc.date.issued2018-12-04-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17167-
dc.description.abstractNeuroscience studies the human brain, the nervous system and how it functions and organizes itself. The main focus of these studies are the human brain and how it defines each person's consciousness and behavior. While in the past most of the experiments were done in labs studying small amounts of neurons or the brain itself, nowadays neuroscientists use computers to simulate neuronal networks in great detail, complexity and size. Those simulations also help them keep track of more variables and grant them the ability to visualize large networks, aiding them further in their research. The ever more complex and large neuron networks that neuroscientists want to simulate has generated a need to accelerate neuron simulations in different platforms and architectures. While there are a lot of universal simulators that cover neuroscientists’ basic needs, most of them are not optimized for modern computer systems and consequently don’t achieve the best performance possible, causing the simulations to demand hours or days in execution time, delaying research. This diploma thesis attempts to appease the need for accelerated simulation by utilizing the Maxeler Data Flow Engine platform to accelerate an Adaptive Exponential Integrate-and-Fire neuron model with Spike-timing Dependent Plasticity which is widely used by neuroscientists. The simulation was firstly imported from Brian Simulator to C programing language and then developed for the DFEs. Maxeler DFE platform is built with FPGAs and uses a dataflow graph to process data, decoupling logic from memory. In the DFEs the computation in time is transformed into a computation in space. This implementation was able to accelerate neuron simulation up to x8 times in comparison to the Brian Simulator and is able to simulate networks of more than 20000 neurons, while keeping the same functionality of synapses with the Brian Simulator. However, there was observed a variation in the acceleration rates of the DFEs in comparison to the C and Brian Simulator due to the event-driven architecture of the simulation and the deterministic runtime of the FPGAs. This fact constitutes a point of interest and is investigated further in this diploma thesis.en_US
dc.languageenen_US
dc.subjectMaxeler, DFE, Dataflow Programming, Neuron Simulation, Brian, FPGA, paralleliza-tion, Adaptive Exponential Integrate-and-Fire model, STDP, in-silico experimenten_US
dc.titleAcceleration of Neuron Simulation in FPGAsen_US
dc.description.pages103en_US
dc.contributor.supervisorΣούντρης Δημήτριοςen_US
dc.departmentΤομέας Τεχνολογίας Πληροφορικής και Υπολογιστώνen_US
dc.description.notesΗ Νευροεπιστήμη μελετά τον ανθρώπινο εγκέφαλο, το νευρικό σύστημα και πως αυτό λειτουργεί και οργανώνεται. Αυτή η μελέτη εστιάζεται κυρίως στον ανθρώπινο εγκέφαλο και πως αυτός καθορίζει την συνείδηση και την συμπεριφορά του. Ενώ στο παρελθόν τα σχετικά πειράματα εκτελούνταν σε εργαστήρια με μικρό αριθμό νευρώνων ή τον ίδιο τον εγκέφαλο, σήμερα οι νευροεπιστήμονες χρησιμοποιούν υπολογιστές για να προσομοιώσουν δίκτυα νευρώνων με μεγάλη ακρίβεια, πολυπλοκότητα και μέγεθος. Επιπλέον, αυτά τα πειράματα τους βοηθάνε να παρακολουθούν περισσότερες μεταβλητές και τους παρέχουν την δυνατότητα να οπτικοποιούν μεγάλα δίκτυα, βοηθώντας τους περαιτέρω στην έρευνα τους. Τα όλο και πιο σύνθετα και μεγάλα δίκτυα νευρώνων που θέλουν να προσομοιώσουν οι νευροεπιστήμονες δημιούργησαν την ανάγκη για επιτάχυνσή τους σε διάφορες πλατφόρμες και αρχιτεκτονικές. Ενώ υπάρχουν διάφοροι γενικοί προσομοιωτές που καλύπτουν τις βασικές ανάγκες των επιστημόνων, οι περισσότεροι από αυτούς δεν είναι βελτιστοποιημένοι για τα σύγχρονα υπολογιστικά συστήματα και επομένως δεν πετυχαίνουν την καλύτερη δυνατή απόδοση με αποτέλεσμα οι προσομοιώσεις να χρειάζονται ώρες ή ακόμα και μέρες για να ολοκληρωθούν, καθυστερώντας την έρευνα. Η διπλωματική αυτή προσπαθεί να καλύψει την ανάγκη για επιταχυνόμενες προσομοιώσεις χρησιμοποιώντας την πλατφόρμα Μηχανών Ροής Δεδομένων της Maxeler για να επιταχύνει μια προσομοίωση ενός Προσαρμοστικού Εκθετικού μοντέλου Νευρώνα Συσόρευσης-και-Πυροδότησης σε ένα δίκτυο με Πλαστικότητα εξαρτώμενη από τις χρονικές στιγμές Πυροδότησης των Νευρώνων. Η προσομοίωση αρχικά μεταφράστηκε από τον προσομοιωτή Brian σε ένα πρόγραμμα γραμμένο στη γλώσσα προγραμματισμού C και στη συνέχεια εξελίχθηκε για τις Μηχανές Ροής Δεδομένων. H πλατφόρμα της Maxeler βασίζεται σε FPGA και χρησιμοποιεί έναν γράφο ροής δεδομένων για να επεξεργαστεί τα δεδομένα, αποσυνδέοντας την λογική από την μνήμη που βρίσκονται τα δεδομένα. Στις Μηχανές Ροής Δεδομένων ο χρόνος των υπολογισμών μετατρέπεται σε υπολογισμούς στον χώρο. Αυτή η υλοποίηση κατάφερε να επιταχύνει την προσομοίωση μέχρι και 8 φορές σε σχέση με τον Προσομοιωτή Brian και είναι ικανή να προσομοιώσει δίκτυα με πάνω από 20000 νευρώνες, κρατώντας την ίδια λειτουργικότητα των Συνάψεων με τον Brian. Στις μετρήσεις των προσομοιώσεων παρατηρήθηκαν μεγάλες μεταβολές στους λόγους της επιτάχυνσης των Μηχανών Ροών Δεδομένων σε σχέση με την προσομοίωση σε C εξαιτίας της εξαρτώμενης από γεγονότα φύσης της προσομοίωσης και του ντετερμινιστικού χρόνου εκτέλεσης που απαιτούν τα FPGA. Αυτό το γεγονός αποτελεί σημείο ιδιαίτερου ενδιαφέροντος και αναλύεται περισσότερο στην διπλωματική.en_US
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Acceleration of Neuron Simulation in FPGAs Ioannis Magkanaris.pdfDiploma Thesis2.88 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.