year | 2018 |
author(s) | Alexander Kugele |
title | Solving the Constraint Satisfaction Problem Sudoku on Neuromorphic Hardware |
KIP-Nummer | HD-KIP 18-13 |
KIP-Gruppe(n) | F9 |
document type | Masterarbeit |
Keywords (shown) | brainscales, neuromorphic hardware, csp, sudoku, training, in-the-loop, tensorflow, snn, ann, calibration, wafer-scale |
Abstract (de) | Künstliche neuronale Netze werden heutzutage oft verwendet, zum Beispiel in den Fachrichtungen Bilderkennung und Entscheidungsfindung. Gepulste neuronale Netze, die das Funktionsprinzip des Gehirns nachahmen, sind in vielen Bereichen noch nicht konkurrenzfähig zu künstlichen neuronalen Netzen. Anwendungsspezifische Schaltungen wie die HICANN Chips des BrainScaleS System emulieren gepulste neuronale Netze schnell und effizient. In dieser Arbeit wird eine Methode realisiert, um das Bedingungserfüllungsproblem Sudoku auf diesem neuromorphen Hardwaresystem zu lösen. Die Leistung des Systems wird analysiert und mit Software-Simulationen verglichen. Das Netzwerk selbst ist ein stochastischer Löser mit festen Gewichten für alle Synapsen. Ein Trainingsalgorithmus wird entwickelt und umgesetzt, der die Leistung des Netzwerks für beliebige Sudokus erhöht. Diese Methode kann auf andere Bedingungserfüllungsprobleme verallgemeinert werden. Um Experimente auf mehreren HICANN Chips durchzuführen, wurde das vorhandene Kalibrations-Framework erweitert, um ganze Wafersysteme effizient zu kalibrieren. Das Training zusammen mit der gesteigerten Anzahl an kalibrierten HICANNs stellen einen wichtigen Schritt in Richtung großskaliger neuronaler Netzwerkemulationen auf dem BrainScaleS System dar. |
Abstract (en) | Artificial Neural Networks are nowadays widely used, e.g. to solve problems in the fields of image recognition and decision-making. Spiking Neural Networks, which mimic the functional principle of networks in the brain more closely, are often not yet competitive. However, application-specific circuits like the HICANN chips of the BrainScaleS system are able to emulate such Spiking Neural Network dynamics in a fast and efficient way. In this thesis a method to solve the Constraint Satisfaction Problem sudoku is implemented on this neuromorphic hardware system. The performance is analyzed and compared to simulation. The network itself is a stochastic solver with fixed weights for all synapses. A training algorithm is devised and implemented, increasing the performance of the network for arbitrary sudokus. This technique can be generalized to other CSPs. To conduct experiments using multiple HICANN chips, the existing calibration framework has been extended to efficiently calibrate full wafer systems. The training together with the increased number of available calibrated HICANNs denote an important step to large-scale neural network emulations on the BrainScaleS system. |
bibtex | @mastersthesis{kugele2018csp, author = {Alexander Kugele}, title = {Solving the Constraint Satisfaction Problem Sudoku on Neuromorphic Hardware}, school = {Universität Heidelberg}, year = {2018}, type = {Masterarbeit} } |
Datei |