Nöromorfik Hesaplama Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, beynin olay güdümlü ve enerji verimli çalışma ilkelerinden esinlenen nöromorfik hesaplama yaklaşımlarını araştırma ve ürün geliştirme bağlamında öğrenmek isteyen ekipler için hazırlanmış ileri düzey bir programdır. Katılımcılar diken sinir ağlarını eğitir, olay kamerası verisiyle çalışır ve nöromorfik donanım ekosistemini enerji-doğruluk ödünleşimi üzerinden değerlendirir.

Neden Bu Eğitim?

Enerji Verimli Zeka. Olay güdümlü ve seyrek hesaplamayla uç cihazlarda miliwatt düzeyinde çalışan algılama çözümlerini keşfedin.

Biyolojiden Mühendisliğe. Nöron modelleri ve sinaptik plastisiteden vekil gradyanla eğitilen üretime yakın SNN modellerine ilerleyin.

Donanım ve Yazılım Bütünü. Loihi 2, SpiNNaker 2 ve Akida gibi platformları Lava ve NIR gibi araç zincirleriyle birlikte değerlendirin.

“Beyin yalnızca birkaç on watt ile düşünür; nöromorfik hesaplama bu verimliliği makinelere taşımanın en umut verici yollarından biridir.”

Ön Koşullar

Derin Öğrenme — Evrişimli ve tekrarlayan ağlar, geri yayılım ve PyTorch ile model eğitimi deneyimi.
Python Yetkinliği — NumPy, Matplotlib ve Jupyter ile veri işleme ve deney betikleri yazabilmek.
Matematik Temeli — Diferansiyel denklemler, doğrusal cebir ve olasılık konularında lisans düzeyinde bilgi.
Çalışma Ortamı — CUDA destekli GPU'ya erişimli bir bilgisayar veya bulut not defteri ve paket kurulum yetkisi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiNöromorfik hesaplamanın motivasyonunu kavramak, biyolojik nöron ve sinaps modellerini simüle etmek, sinirsel kodlama yöntemlerini ve STDP tabanlı öğrenmeyi uygulamak.

Modül 1

Nöromorfik Hesaplamaya Giriş

Von Neumann darboğazı ve enerji verimliliği sorunu
Olay güdümlü, paralel ve asenkron işlem prensibi
Bellekte hesaplama (in-memory computing) yaklaşımı
Derin öğrenme ile nöromorfik sistemlerin farkları
Uygulama alanları: uç cihazlar, robotik ve algılayıcılar
Vaka: Düşük güçlü sürekli açık (always-on) algılama

Modül 2

Biyolojik Nöron ve Sinaps Modelleri

Nöron, aksiyon potansiyeli ve sinaptik iletim
Hodgkin-Huxley modeli ve biyofiziksel ayrıntı düzeyi
Sızıntılı bütünleştir-ateşle (LIF) nöron modeli
Izhikevich modeli ve farklı ateşleme örüntüleri
Sinaptik dinamikler, gecikme ve refrakter dönem
Laboratuvar: Brian2 ile LIF nöron simülasyonu

Modül 3

Sinirsel Kodlama Yöntemleri

Frekans (rate) kodlaması ve sınırları
Zamansal kodlama: ilk ateşleme süresi (TTFS)
Popülasyon kodlaması ve seyrek temsil
Delta modülasyonu ile sürekli sinyali dikene çevirme
Kodlama seçiminin doğruluk ve enerjiye etkisi
Laboratuvar: snnTorch ile görüntüyü diken dizisine kodlama

Modül 4

Sinaptik Plastisite ve Biyolojik Öğrenme

Hebb kuralı ve korelasyona dayalı öğrenme
Diken zamanlamasına bağlı plastisite (STDP)
Ödül modülasyonlu STDP ve üç faktörlü öğrenme
Homeostaz ve yanal inhibisyon mekanizmaları
Laboratuvar: STDP ile denetimsiz örüntü öğrenimi
Günün değerlendirmesi ve SNN eğitimi gününe köprü

Günün hedefiSNN mimarilerini PyTorch tabanlı kütüphanelerle kurmak, vekil gradyan ve ANN-SNN dönüşümüyle modeller eğitmek ve çip üzerinde öğrenmeye uygun yerel kuralları incelemek.

Modül 1

Diken Sinir Ağı Mimarileri

İleri beslemeli, evrişimli ve tekrarlayan SNN yapıları
Zaman adımı, simülasyon süresi ve durum değişkenleri
snnTorch ve Norse ile PyTorch tabanlı SNN kurma
SpikingJelly ile GPU hızlandırmalı SNN modelleri
Seyreklik, diken sayısı ve hesaplama maliyeti
Laboratuvar: snnTorch ile ilk SNN sınıflandırıcı

Modül 2

Vekil Gradyan ile Doğrudan Eğitim

Diken fonksiyonunun türevlenemezlik problemi
Vekil gradyan (surrogate gradient) yöntemi
Zaman içinde geri yayılım (BPTT) ve bellek maliyeti
Kayıp fonksiyonları: diken sayısı ve membran potansiyeli
Öğrenilebilir zaman sabitleri ve eşik parametreleri
Laboratuvar: Vekil gradyanla Fashion-MNIST eğitimi

Modül 3

Yapay Sinir Ağından SNN'ye Dönüşüm

Dönüşüm prensibi: ReLU aktivasyonu ve ateşleme oranı
Ağırlık ve eşik normalizasyonu teknikleri
Dönüşüm hatası, gecikme ve zaman adımı ödünleşimi
Batch normalization ve havuzlama katmanlarının dönüşümü
Dönüşüm ile doğrudan eğitimin karşılaştırılması
Laboratuvar: Eğitilmiş CNN modelinin SNN'ye dönüşümü

Modül 4

Yerel ve Çevrimiçi Öğrenme Kuralları

Geri yayılımın biyolojik olarak makul alternatifleri
E-prop ve uygunluk izleri (eligibility traces)
Çip üzerinde öğrenme (on-chip learning) gereksinimleri
Sürekli öğrenme ve felaket unutma sorununa yaklaşımlar
Tartışma: Doğruluk ve enerji arasındaki tasarım dengesi
Günün özeti ve olay tabanlı algılama gününe hazırlık

Günün hedefiOlay kameraları ve nöromorfik algılayıcıların ilkelerini öğrenmek, standart veri setleri ve metriklerle deney yapmak ve olay tabanlı görü uygulamalarını incelemek.

Modül 1

Olay Kameraları ve Dinamik Görü Sensörleri

Dinamik görü sensörü (DVS) çalışma prensibi
Olay akışı: zaman damgası, piksel konumu ve polarite
Yüksek dinamik aralık ve düşük gecikme avantajları
Prophesee ve iniVation gibi olay kamerası üreticileri
Olay verisinin çerçeve, voksel ve zaman yüzeyi temsilleri
Laboratuvar: Tonic ile olay verisi yükleme ve dönüştürme

Modül 2

Nöromorfik Veri Setleri ve Kıyaslama

N-MNIST, DVS Gesture ve N-Caltech101 veri setleri
İşitsel veri seti: Spiking Heidelberg Digits (SHD)
NeuroBench çerçevesi ile standart kıyaslama
Enerji, gecikme ve sinaptik işlem sayısı metrikleri
Olay verisinde veri artırma ve gürültü filtreleme
Laboratuvar: DVS Gesture üzerinde SNN eğitimi

Modül 3

Nöromorfik İşitme ve Diğer Algılayıcılar

Koklea esinli işitsel sensörler ve ses olayları
Düşük güçlü anahtar kelime tespiti (keyword spotting)
Dokunsal ve radar sinyallerinin diken kodlaması
EMG ve EKG sinyallerinde düşük güçlü sınıflandırma
Çok duyulu olay tabanlı füzyon yaklaşımları
Laboratuvar: SHD ile konuşulan rakamların tanınması

Modül 4

Olay Tabanlı Görü Uygulamaları

Olay tabanlı optik akış ve hareket kestirimi
Yüksek hızlı nesne takibi ve engel algılama
Olay kamerası ile görsel odometri ve SLAM
Drone ve robot navigasyonunda düşük gecikmeli algı
Vaka: Olay kamerasıyla yüksek hızlı engelden kaçınma
Günün değerlendirmesi ve donanım gününe köprü

Günün hedefiDijital ve analog nöromorfik donanım yaklaşımlarını karşılaştırmak, Lava ve NIR gibi araç zincirleriyle model taşımak ve enerji-performans analizini doğru yöntemle yapmak.

Modül 1

Dijital Nöromorfik İşlemciler

Intel Loihi 2 mimarisi ve çekirdekler arası diken iletimi
SpiNNaker 2 ve büyük ölçekli sinir ağı simülasyonu
IBM TrueNorth ve NorthPole mimari yaklaşımları
BrainChip Akida ve SynSense ile uç cihaz çözümleri
Asenkron devre tasarımı ve olay güdümlü iletişim
Karşılaştırma: güç, ölçek ve programlanabilirlik

Modül 2

Analog ve Yeni Nesil Bileşenler

Memristörler ve dirençli bellek (RRAM) teknolojisi
Çapraz çubuk (crossbar) dizilerde bellekte hesaplama
Faz değişimli bellek (PCM) ve spintronik yaklaşımlar
Cihaz değişkenliği, gürültü ve iletkenlik kayması
Donanım farkındalıklı eğitim (hardware-aware training)
Vaka: Analog bellekte hesaplama çipinin değerlendirilmesi

Modül 3

Yazılım Çerçeveleri ve Birlikte Çalışabilirlik

Lava çerçevesi ile süreç tabanlı nöromorfik programlama
Nöromorfik Ara Temsil (NIR) ile model taşınabilirliği
Rockpool, Sinabs ve donanıma özgü araç zincirleri
Nicemleme (quantization) ve ağırlık bit genişliği
FPGA üzerinde SNN hızlandırma yaklaşımları
Laboratuvar: snnTorch modelini NIR formatına aktarma

Modül 4

Enerji ve Performans Analizi

Sinaptik işlem (SynOps) sayısı ve enerji tahmini
GPU ile nöromorfik donanımın adil karşılaştırılması
Gecikme, verim ve bellek erişimi profillemesi
Uç yapay zeka (TinyML) çözümleriyle kıyaslama
Laboratuvar: SNN ve CNN için enerji-doğruluk analizi
Günün özeti ve uygulama ile proje gününe hazırlık

Günün hedefiRobotik ve otonom sistemlerde nöromorfik kontrolü incelemek, güncel araştırma eğilimlerini değerlendirmek, kurumsal Ar-Ge stratejisi oluşturmak ve uçtan uca projeyi sunmak.

Modül 1

Robotik ve Otonom Sistemlerde Kontrol

Merkezi örüntü üreteçleri (CPG) ile hareket kontrolü
Diken tabanlı adaptif motor kontrol yaklaşımları
Olay tabanlı algılayıcı ve SNN ile kapalı döngü kontrol
ROS 2 ile nöromorfik algılayıcı entegrasyonu
Pekiştirmeli öğrenme ile SNN politikası eğitimi
Demo: Olay kamerasıyla nesne takip eden robot kolu

Modül 2

Nöromorfik Araştırmanın Sınırları

Büyük ölçekli SNN ve diken tabanlı transformer modelleri
Dendritik hesaplama ve çok bölmeli nöron modelleri
Rezervuar hesaplama ve sıvı durum makineleri
Seyrek ve olay güdümlü yöntemlerle model verimliliği
Biyolojik gerçekçilik ile mühendislik verimliliği dengesi
Makale incelemesi: Güncel nöromorfik araştırma sonuçları

Modül 3

Ar-Ge Stratejisi ve Teknoloji Değerlendirmesi

Nöromorfik çözüme uygun problem seçimi ölçütleri
Donanım erişimi: araştırma toplulukları ve geliştirme kitleri
Teknoloji olgunluğu ve ürünleştirme riskleri
Savunma, uzay ve endüstriyel IoT kullanım senaryoları
Fikri mülkiyet, ortak araştırma ve fon programları
Atölye: Kurum için nöromorfik Ar-Ge yol haritası

Modül 4

Uçtan Uca Ar-Ge Projesi ve Kapanış

Grup projesi: olay tabanlı veride uçtan uca SNN çözümü
Doğruluk, gecikme ve enerji metrikleriyle sonuç raporu
Proje sunumları ve teknik geri bildirim oturumu
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar materyallerinin teslimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

Nöron Modelleme — LIF, Izhikevich ve Hodgkin-Huxley modellerini amaca göre seçip Brian2 ile simüle edebileceksiniz.
Sinirsel Kodlama — Frekans, zamansal ve delta kodlama yöntemlerini veri türüne ve enerji hedefine göre uygulayabileceksiniz.
SNN Eğitimi — snnTorch ve SpikingJelly ile vekil gradyan ve ANN-SNN dönüşümü kullanarak doğru SNN modelleri eğitebileceksiniz.
Olay Tabanlı Algı — Olay kamerası ve nöromorfik işitsel verileri Tonic ile işleyip sınıflandırma modellerine aktarabileceksiniz.
Donanım Bilgisi — Loihi 2, SpiNNaker 2, Akida ve memristör tabanlı yaklaşımları güç ve ölçek açısından karşılaştırabileceksiniz.
Model Taşınabilirliği — NIR ve Lava gibi araçlarla modelleri farklı simülatör ve nöromorfik platformlar arasında taşıyabileceksiniz.
Enerji Analizi — SynOps ve gecikme metrikleriyle SNN ve klasik derin öğrenme çözümlerini adil biçimde kıyaslayabileceksiniz.
Ar-Ge Yol Haritası — Kurumunuzun uç yapay zeka ve robotik ihtiyaçlarına uygun, gerçekçi bir nöromorfik Ar-Ge planı oluşturacaksınız.

Kimler İçin Uygundur?

Ar-Ge mühendisleri
yapay zeka araştırmacıları
gömülü sistem ve donanım tasarımcıları
robotik ve otonom sistem geliştiricileri ile hesaplamalı sinirbilim ekipleri.

Sıkça Sorulan Sorular

Nöromorfik Hesaplama Eğitimi kimler için uygundur?

Program; Ar-Ge mühendisleri, yapay zeka araştırmacıları, gömülü sistem ve donanım tasarımcıları, robotik ve otonom sistem geliştiricileri ile hesaplamalı sinirbilim alanında çalışan ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 5 tam gün ve 20 modülden oluşur. Sırasıyla nöron modelleri ve kodlama, SNN eğitimi, olay tabanlı algılama, nöromorfik donanım ile yazılım ekosistemi ve son gün uygulamalar, Ar-Ge stratejisi ve proje sunumları işlenir.

Katılım için hangi ön bilgiler gerekiyor?

PyTorch ile derin öğrenme modeli eğitme deneyimi, Python yetkinliği ve diferansiyel denklemler ile doğrusal cebir konularında lisans düzeyinde bilgi beklenir. Sinirbilim geçmişi gerekmez; gerekli biyolojik kavramlar eğitimde anlatılır.

Laboratuvarlar için nöromorfik donanım gerekiyor mu?

Hayır. Laboratuvarlar snnTorch, SpikingJelly, Norse, Brian2, Tonic ve Lava gibi araçlarla GPU veya CPU üzerinde yürütülür. Donanım platformları mimari analiz, NIR ile model aktarımı ve enerji karşılaştırmaları üzerinden ele alınır.

Eğitim sonunda sertifika veriliyor mu, içerik kuruma uyarlanabilir mi?

Evet. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır. Kurumun savunma, robotik, endüstriyel IoT veya biyomedikal odaklı ihtiyaçlarına göre veri setleri ve proje senaryoları önceden uyarlanabilir.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

NÖROMORFİK HESAPLAMA EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Nöromorfik Hesaplamaya Giriş

Biyolojik Nöron ve Sinaps Modelleri

Sinirsel Kodlama Yöntemleri

Sinaptik Plastisite ve Biyolojik Öğrenme

Diken Sinir Ağı Mimarileri

Vekil Gradyan ile Doğrudan Eğitim

Yapay Sinir Ağından SNN'ye Dönüşüm

Yerel ve Çevrimiçi Öğrenme Kuralları

Olay Kameraları ve Dinamik Görü Sensörleri

Nöromorfik Veri Setleri ve Kıyaslama

Nöromorfik İşitme ve Diğer Algılayıcılar

Olay Tabanlı Görü Uygulamaları

Dijital Nöromorfik İşlemciler

Analog ve Yeni Nesil Bileşenler

Yazılım Çerçeveleri ve Birlikte Çalışabilirlik

Enerji ve Performans Analizi

Robotik ve Otonom Sistemlerde Kontrol

Nöromorfik Araştırmanın Sınırları

Ar-Ge Stratejisi ve Teknoloji Değerlendirmesi

Uçtan Uca Ar-Ge Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi