Kursplan för

Minnesteknologi för maskininlärning
Memory Technology for Machine Learning

EITP25, 7,5 högskolepoäng, A (Avancerad nivå)

Gäller för: Läsåret 2019/20
Beslutad av: Programledning C/D
Beslutsdatum: 2019-04-01

Allmänna uppgifter

Valfri för: E4, F4, F4-hn, F4-mai, N4-hn
Undervisningsspråk: Kursen ges på engelska

Syfte

Målet med denna kurs är att ge djup förståelse för fysiken bakom de vanligaste minneskomponentteknologierna med stort fokus på icke-volatila minnen. Vidare behandlas hur dessa kan integreras för att skapa neuromorf hårdvara för tillämpning inom maskininlärning och artificiell intelligens. Slutligen ger kursen även en introduktion till de arkitekturer och algoritmer som används inom maskininlärning för att ge en grundläggande förståelse för vilka behov minneskomponenter och dess kopplingar behöver uppfylla för denna tillämpning.

Mål

Kunskap och förståelse
För godkänd kurs skall studenten

 

 

Färdighet och förmåga
För godkänd kurs skall studenten

 

Värderingsförmåga och förhållningssätt
För godkänd kurs skall studenten

 

 

Kursinnehåll

Minneskomponenter i datorn: SRAM, DRAM, NAND

Icke-volatila minneskomponenter: Memristorn, resistiva minnen (RRAM), fas-ändringsminnen (PCM), ferroelektriska minnen (FeRAM), magnetiska minnen (MRAM).

Integration av minneskomponenter: 3D stackning för skalbarhet, crossbar-arkitekturen.

Neurala nätverksarkitekturer: framåtmatade neurala nätverk, rekursiva nätverk, tidsberoende nätverk.

Maskininlärningsalgoritmer: Bakåtpropagering, gradiell nedstigning, jämlöpande nätverk, oövervakad inlärning

 

Kursens examination

Betygsskala: TH - (U,3,4,5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning: Skriftlig examen, projektarbete, laboration med rapport, frivilliga övningsuppgifter.

Om så krävs för att en student med varaktig funktionsnedsättning ska ges ett likvärdigt examinationsalternativ jämfört med en student utan funktionsnedsättning, så kan examinator efter samråd med universitetets avdelning för pedagogiskt stöd fatta beslut om alternativ examinationsform för berörd student.

Delmoment
Kod: 0119. Benämning: Skriftlig tentamen.
Antal högskolepoäng: 4. Betygsskala: TH. Prestationsbedömning: Prov Delmomentet omfattar: Skriftlig examen vars omfattning ska täcka alla kursens ämnen.
Kod: 0219. Benämning: Laboration.
Antal högskolepoäng: 1. Betygsskala: UG. Prestationsbedömning: Godkänt moment vid närvaro vid laborationen samt godkänd labbrapport. Delmomentet omfattar: Praktisk laboration med efterföljande labbrapport. Övrig information: Labbarbete och rapportskrivande kan genomföras självständigt eller i grupper om två personer.
Kod: 0319. Benämning: Projektuppgift.
Antal högskolepoäng: 2,5. Betygsskala: UG. Prestationsbedömning: Förståelsenivån i den skriftliga rapporten, samt kontroll av programkod avgör huruvida godkänt resultat har erhållits. Delmomentet omfattar: Projektet består i att designa samt träna upp ett neuralt nätverk för att kunna känna igen över 90% av bilderna från en fördefinierad datorbas. Projektet ska utföras enskilt eller i par. Projektet ska redovisas med en skriftlig rapport och fungerande MATLAB-kod.

Antagningsuppgifter

Förutsatta förkunskaper: Grundläggande kunskaper om komponentfysik, ESSF20 (E) eller FFFF10 (F/N).
Begränsat antal platser: Nej

Kurslitteratur

Kontaktinfo och övrigt

Kursansvarig: Mattias Borg, mattias.borg@eit.lth.se
Hemsida: http://www.eit.lth.se/kurs/eitp25