Haber
Prof. Dr. Ali Ziya Alkar’ın Projesine TÜBİTAK 1001 Desteği: FPGA Tabanlı Deterministik Nöroplastisite
9 Ağustos 2026
Bölümümüz öğretim üyesi Prof. Dr. Ali Ziya Alkar'ın yürütücülüğünü üstlendiği "Deterministik Nöroplastisite: FPGA Üzerinde Gerçek Zamanlı ve İçsel Donanım Evrimi ile Adaptif Akustik Anomali Tespiti" başlıklı proje, TÜBİTAK ARDEB 1001 programı kapsamında desteklenmeye hak kazandı.
Proje, Endüstriyel Nesnelerin İnterneti (IIoT) ve uçta yapay zekâ (Edge AI) sistemlerinin değişen saha koşullarına uyum sağlayabilmesi için yeni bir donanım mimarisi geliştirmeyi amaçlıyor. Günümüzde yapay zekâ modelleri, laboratuvar ortamında eğitildikleri koşullar ile gerçek çalışma ortamları arasındaki farklılıklar nedeniyle zaman içinde doğruluk ve güvenilirlik kaybına uğrayabiliyor. Sensörlerin yaşlanması, ortamın akustik özelliklerinin değişmesi veya sisteme yeni makinelerin eklenmesi gibi nedenlerle ortaya çıkan ve “kavram kayması” olarak adlandırılan bu problem, özellikle sürekli ve güvenilir çalışması beklenen endüstriyel uygulamalar açısından önemli bir sorun oluşturuyor.
Proje kapsamında bu probleme çözüm olarak, IoT uyumlu FPGA platformlarında kısmi yeniden yapılandırma teknolojisinden yararlanan özgün bir “İçsel Donanım Evrimi” yaklaşımı geliştirilecek. Projenin temel yeniliklerinden biri olan “Deterministik Nöroplastisite” modeliyle, yapay zekâ donanımının değişen koşullara göre kendi yapısını yeniden düzenleyebilmesi hedefleniyor. Geleneksel evrimsel donanım yöntemlerinden farklı olarak sistem, önceden doğrulanmış CNN ve MLP yapıtaşlarını modüler biçimde bir araya getirerek güvenilir ve öngörülebilir yeni donanım topolojileri oluşturacak. Böylece donanımın yeni koşullara uyarlanma süresinin saniyeler düzeyine indirilmesi amaçlanıyor.
Geliştirilecek sistem, yapay zekâ modelinin güvenilirliğini sürekli izleyecek; performans düşüşü tespit edildiğinde ilgili yeni verileri güvenli biçimde toplayarak uygun yeni mimariyi belirleyecek. Aday modellerin enerji tüketimi ve gecikme gibi maliyetleri, her bir yapının fiziksel olarak ayrı ayrı test edilmesine gerek kalmadan önceden oluşturulmuş maliyet tabloları üzerinden değerlendirilecek. Yeni veriler aynı zamanda değişmeden korunan bir referans doğrulama veri setiyle birlikte ele alınarak, sistemin yeni koşullara uyum sağlarken daha önce öğrendiği temel yeteneklerini kaybetmemesi hedeflenecek.
Bulut bağlantısına ihtiyaç duymadan doğrudan uç cihaz üzerinde çalışacak mimarinin, GPU tabanlı çözümlere kıyasla yaklaşık %30 enerji verimliliği sağlaması öngörülüyor. Projenin; endüstriyel verilerin yerel olarak işlenmesi sayesinde veri gizliliğinin korunmasına, enerji verimli ve uyarlanabilir yapay zekâ sistemlerinin geliştirilmesine ve yüksek katma değerli yerli FPGA IP teknolojilerinin oluşturulmasına katkı sağlaması bekleniyor. Proje ekibi, çalışmanın akademik ve endüstriyel iş birlikleriyle geliştirilmesini ve donanım ile uçta yapay zekâ alanlarında çalışmak isteyen yeni araştırmacıların projeye katılımını da hedefliyor.
Prestijli projesi için öğretim üyemizi ve ekibini kutluyor, projede başarılar diliyoruz.
Proje kapsamında bu probleme çözüm olarak, IoT uyumlu FPGA platformlarında kısmi yeniden yapılandırma teknolojisinden yararlanan özgün bir “İçsel Donanım Evrimi” yaklaşımı geliştirilecek. Projenin temel yeniliklerinden biri olan “Deterministik Nöroplastisite” modeliyle, yapay zekâ donanımının değişen koşullara göre kendi yapısını yeniden düzenleyebilmesi hedefleniyor. Geleneksel evrimsel donanım yöntemlerinden farklı olarak sistem, önceden doğrulanmış CNN ve MLP yapıtaşlarını modüler biçimde bir araya getirerek güvenilir ve öngörülebilir yeni donanım topolojileri oluşturacak. Böylece donanımın yeni koşullara uyarlanma süresinin saniyeler düzeyine indirilmesi amaçlanıyor.
Geliştirilecek sistem, yapay zekâ modelinin güvenilirliğini sürekli izleyecek; performans düşüşü tespit edildiğinde ilgili yeni verileri güvenli biçimde toplayarak uygun yeni mimariyi belirleyecek. Aday modellerin enerji tüketimi ve gecikme gibi maliyetleri, her bir yapının fiziksel olarak ayrı ayrı test edilmesine gerek kalmadan önceden oluşturulmuş maliyet tabloları üzerinden değerlendirilecek. Yeni veriler aynı zamanda değişmeden korunan bir referans doğrulama veri setiyle birlikte ele alınarak, sistemin yeni koşullara uyum sağlarken daha önce öğrendiği temel yeteneklerini kaybetmemesi hedeflenecek.
Bulut bağlantısına ihtiyaç duymadan doğrudan uç cihaz üzerinde çalışacak mimarinin, GPU tabanlı çözümlere kıyasla yaklaşık %30 enerji verimliliği sağlaması öngörülüyor. Projenin; endüstriyel verilerin yerel olarak işlenmesi sayesinde veri gizliliğinin korunmasına, enerji verimli ve uyarlanabilir yapay zekâ sistemlerinin geliştirilmesine ve yüksek katma değerli yerli FPGA IP teknolojilerinin oluşturulmasına katkı sağlaması bekleniyor. Proje ekibi, çalışmanın akademik ve endüstriyel iş birlikleriyle geliştirilmesini ve donanım ile uçta yapay zekâ alanlarında çalışmak isteyen yeni araştırmacıların projeye katılımını da hedefliyor.
Prestijli projesi için öğretim üyemizi ve ekibini kutluyor, projede başarılar diliyoruz.
Diğer haberler
