https://virgool.ir/feed/@zoyadlove1fa2026-11-11 14:59:35https://virgool.ir/images/default-avatar.jpghttps://virgool.ir/@zoyadlove1https://virgool.ir/@zoyadlove1/شبکه-های-عصبی-عمیق-afmgqvwxte6jبسم الله سبا قدیمیاستاد مریم حاجی اسماعیلی شبکه عصبی چیست؟شبکه عصبی توسط ورودی ها آموزش داده می شود و شامل سه لایه ورودی و پنهان و خروجی است و هر کدام از عصب ها دارای مقدار آستانه و تابع فعال سازی میباشند که به ما خروجی می دهند نتیجه ای که به دست می اوریم با خروجی که انتظار داریم مقایسه می شود که این دو مقدار باید نزدیک به هم باشند مدل یاد میگیرد که وزن ها و مقدار آستانه را طوری تنظیم کند که خروجی درست دریافت کند.شبکه عصبی مصنوعی در واقع دسته ای الگوریتم است که برای شناسایی و تشخیص الگوها به کار می رود. این شبکه های عصبی مصنوعی (ANN ها)میتوانند در طرح های سرمایه گذاری برای افزایش بازده ، برای پیش بینی قیمت خانه ها براساس ویژگی های اصلی تعریف کننده قیمت خانه ها (موقعیت مکانی،متراژو…)و دسته بندی تصاویر و… استفاده شود.شبکه های عمیق(deep learning)دیپ لرنینگ نوعی شبکه ی عصبی مصنوعی است که با استفاده از تیکنیک های ریاضی ساختاری مشابه با ساختار مغز انسان به ما می دهد و از طرفی پیشرفت تکنولوژی باعث شده تا الگوریتم هایی برای بهینه سازی شبکه های عصبی معمولی داشته باشیم تا بتوانیم تعداد لایه های نورونی شبکه های عصبی را از چند لایه به هزاران لایه و هزاران نورون در هر لایه برسانیم که تا چند سال پیش امکان ایجاد چنین ساختاری وجود نداشت.به این نوع شبکه ی عصبی ،شبکه ی عصبی عمیق(deep learning) گویند.معمولا شبکه های عمیق طوری طراحی می شوند که در ساختار خود از نوع یادگیری بدون نظارت (unsupervised learning) استفاده کنند زیرا داده های امروزی که برای پردازش آن ها از هوش مصنوعی استفاده می کنند بسیار زیاد و شامل میلیون ها داده است و تهیه ی این داده ها به صورت دستی عملا غیر ممکن است .از این رو شبکه های عمیق خود داده های ورودی را پردازش کرده و شروع به تعلیم خود میکنند و هر چه داده های بیشتری در اختیار آن قرار بگیرد قدرتمند تر می شود و به راحتی بسیار هوشمند تر از انسان عمل می کند.اما پس از آماده شدن شبکه ی عمیق (deep learning) شبکه ای در دست داریم داریم بسیار قدرتمند که هوش مصنوعی آن به مراتب قدرتمند تر از انسان عمل کرده و سرعت پاسخگویی بسیار بالایی دارد ،به این صورت که ابتدا ساختار های ابتدایی داده های ورودی را دریافت کرده سپس با ترکیب توابع خطی و غیر خطی بسیار ساختار هایی پیچیده و سطح بالا از داده های ورودی تولید کرده و پردازش می کند.مثلا برای یک عکس ورودی ابتدا پیکسل های عکس ورودی را پردازش کرده و در شبکه های کانولوشنال(Convolutional neural network) خود داده های سطح بالاتر همچون لبه ها،تاریکی ها،و مفهومی کلی از عکس ایجاد کرده و یاد میگیرد که عکس مرتبط با چه دسته ای می باشد.انواع شبکه های عصبی جزئی از دیپ لرنینگ هستند که در مورد آنها توضیح داده شد.شبکه های عصبی در یادگیری عمیق شامل شبکه های عصبی کانولوشن و شبکه های عصبی بازگشتی می شوند که برای تشخیص گفتار و پردازش زبان طبیعی و شناسایی چهره ها و … کاربرد دارند که یادگیری عمیق به کمک الگوریتم های شبکه ی عصبی مصنوعی مسائل را حل می کند.Saba GhadimiSaba GhadimiThu, 10 Mar 2022 02:15:12 +0330https://virgool.ir/@zoyadlove1/رویکرد-کد-گذاری-در-اتصال-های-سه-بعدی-کم-مصرف-ebk8kj88mtpaبسم اللهسبا قدیمینام استاد : مریم حاجی اسماعیلیرویکرد کد گذاری در اتصال های سه بعدی کم مصرفبرای شروع اشاره ای به رابط های سیلیکانی در اتصالات سه بعدی مصرف قدرت بالایی دارند میکنیم ، که می توان این میزان مصرف را با راهبردهای کدگذاری کاهش داد. این مقاله رویکردی را مطرح می کند که مصرف قدرت رابط های سیلکانی را از طریق تعیین بیت آگاه به سیگنال کاهش می دهد که شامل تبدیل هایی می باشد تا از تاثیر میدان نیمه هادی فلز اکسید بهره گرفت.این رویکرد هزینه مازادی را تحمیل نمی کند و منجر به کاهش تضمینی مصرف برق و قدرت می گردد. تحلیل راهبرد ما نشان می دهد که کاهش مصرف قدرت در رابط های سیلیکانی تا میزان 48% به ازای جریان داده های واقعی متناسب (همانند حس گر تصویری) و 11% به ازای جریان داده های کدگذاری شده تصادفی کم قدرت امکان پذیر است.ترکیب سه بعدی راه حل مطلوبی برای غلبه بر چالش هایی است که با محدوده قانون مور پدید می آیند. برای اتصال قطعات سیستم سه بعدی در تراشه، ردیف های رابط سیلیکانی معمولا به کار می روند چون میزان تاخیر در آنها کم است و اعتبار بالایی دارند. مطالعات قبلی نشان می دهند که تغییر از ترکیب 2 بعدی به 3 بعدی با استفاده از رابط های سیلیکانی امکان کاهش عمده تاخیر در مدار را فراهم می کند، اما اغلب موارد مصرف قدرت را افزایش می دهد.مصرف قدرت سیستم به طور عمده تحت تاثیر رابط های سیلیکانی می باشد. در ردیف های رابط های سیلیکانی ظرفیت های خازنی دوتایی بزرگ اند که به خاطر ابعاد نسبتا بالا و زیرلایه هدایتی می باشد. لذا این اتصال های دوتایی مسئله عمده در طرحی مدارهای ترکیبی 3 بعدی به شمار می روند و در زمینه های علم و صنعت توجه زیادی به خود جلب نموده اند.این اثر رویکردی برای کاهش مصرف نیرو و قدرت رابط سیلیکانی با چیدمان هوشمند، آگاه به تاثیر فیزیکی، بیت به رابط سیلیکانی محلی مطرح می کند که از ویژگی های احتمالی بیت داده های انتقالی بهره می برد.تحلیل های مجموعه عمده جریان داده های ترکیبی و حقیقی اهمیت و کارایی رویکرد کم مصرف تاکید دارد که می تواند مصرف قدرت و نیرو رابط های سیلیکانی مدرن را تا 40% کاهش دهد، بدون اینکه هزینه های مازاد چشمگیر تحمیل کند.Saba GhadimiSaba GhadimiWed, 09 Mar 2022 23:40:55 +0330