عنوان پایان‌نامه
سیستمهای اتصال شبکه بر روی تراشه در محیطهای چند پردازشگر موازی با قابلیت بالا
- رشته تحصیلی
- مهندسی کامپیوتر-معماری کامپیوتر
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1387;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 37182
- تاریخ دفاع
- ۲۰ بهمن ۱۳۸۶
- دانشجو
- پویا سعیدی
- استاد راهنما
- سیامک محمدی
- چکیده
- امروزه برنامه های هوشمند کاربردی برای اجرای خود نیاز به یک سیستم بی درنگ با توان پردازشی بالا دارند. سیستم های سنتی مطرح شده برای اجرای برنامه های هوش مصنوعی غالبا" به صورت خاص برای یک کاربرد طراحی شده و امکان استفاده از آن برای دیگر کاربردهای هوش مصنوعی وجود ندارد در سیستم های سنتی اجرای برنامه هایی با نیاز محاسباتی بیشتر به طراحی مجدد سیستم از ابتدا می انجامید. از اینرو نیاز به یک سیستم با قدرت پردازشی بالا برای اجرای برنامه هایی که در آینده مطرح می شوند در جهت کاهش زمان ارائه محصول به بازار باعث شده است محققان, معماری های نوین را جایگزین سیستم های سنتی نمایند. در این پایان نامه با استفاده از مفاهیم شبکه بر روی تراشه معماری مقیاس پذیر نوینی برای اجرای برنامه های هوشمند با نیاز به قدرت محاسباتی بالا اداره می شود. این معماری با پشتیبانی از عملوند ارسال همگانی که در الگوریتم های ژنتیکی, شبکه های عصبی و PSO مشترک است در سه بخش شبکه اتصالات, واحدهای پردازشگر و کامپایلر می تواند برنامه های هوش مصنوعی را با قدرت با لا پردازش کند. ابزارهای پشتیبانی این معماری با دریافت تنظیمات و کد سطح بالا می تواند با استفاده از کتابخانه های مختلف مدلSystemC سیستم را برای شبیه سازی زمان دقیق تولید کند. نتایج شبیه سازی برای معماری خصوصی شده برای پردازش شبکه های عصبی نشان می دهد قدرت سیستم مقیاس پذیر نسبت به سیستم مبتنی بر باس اشتراکی برای تعداد پردازنده های بزرگتر از چهار بیشتر است. همچنین استفاده از ارسال همگانی در این کاربرد برای سیستم های بزرگ توانسته است زمان پردازش را بین 5تا10برابر کاهش دهد. قدرت پردازشی63.48GOPS برای سیستم مقیاس پذیر شبکه های عصبی با 256 پردازنده آنرا در رده بهترین پردازنده های موجود قرار می دهد.
- Abstract
- Today applied intelligent applications require a real-time system with hgih computational power. proposed conventional systems are designed for executing a specific intelligent application and cannot be rsed for other intelligent applications. executing new applications with higher computational power needs, results in designing a new architecture from the scratch , hence, researchers replace ninventional systems with novel architectures to increase the computational power for futire applicatios and reduce the time to market. in this thesis , we proposi a novel scalable architecture based on NoC principals, for executing intelligent applications with high computational power requirements. this architecture supports operand broadcasting that is used in neural networds, genetic algorithm and PSO.by implementing this feature in interconnection networks, processing units and compiler, interlligent applications can be executed on this architecture with lower execution time. the system support tools can generate a cycle-accuraty systemC code for simulation by getting high level system description codes. simulation results show that the architecture which is customized for neural networks have higher computation power comparing to its bus-based counterpart. using broadcasting in this architecture reduce the execution time within 5-10 times comparing to unicast architecture. 63.48GOPS computational power for scalable neural network processor with 256nodees makes it a distinmtive processor among other high performance processors
