10265

بررسي روشهاي پيادهسازي مبتني بر FPGA در معماريهاي مختلف شتابدهندههاي شبكههاي يادگيري عميق

جناب آقاي دكتر حاكم بيت الهي

با توجه به پيشرفت روزافزون فناوري به خصوص در حوزه يادگيري ماشين كه از زيرشاخههاي هوش مصنوعي ميباشد و همچنين افزايش نياز ما به اين فناوري، چالش پاسخگويي به اين نياز در سطح سختافزار افزايش يافته است. پردازندههاي گرافيكي به علت باال بودن پهناي باند حافظه، گذردهي مناسب خود و امكان اجراي موازي در پيادهسازي شبكههاي عصبي بسيار مورد استفاده قرار ميگيرند. اما چالش اصلي در اين پيادهسازي مصرف انرژي باالي پردازندههاي گرافيكي است كه باعث ميشود استفاده از اين روش پيادهسازي در سيستمهاي نهفته، سرورهاي بزرگ و در قطعات متصل به باتري بسيار دشوار شود. پردازندههاي خاصمنظوره انرژي را شايد بتوان هزينه ASIC1 مصرفي كمتري نسبت به پردازندههاي گرافيكي دارند اما چالش اصلي پيادهسازي معماري خاصمنظوره يا 2 باالي طراحي و توليد و همچنين عدم انعطافپذيري اين روش در مقايسه با پيادهسازي FPGA دانست. در پيادهسازي شبكههاي عصبيبر روي FPGAها، روشهاي مختلفي براي كاهش تاخير و افزايش بهرهوري انرژي ارائه شده است. برخي از اين روشها كه باعث افزايش كارايي، كاهش انرژي مصرفي و يا تسهيل پيادهسازي شبكههاي عصبي مبتني بر FPGA شدهاند، در اين پژوهش مورد بررسي قرار ميگيرند.

12/1/2021 12:00:00 AM

73424

1400/09/26

FPGA-based hardware accelerators for deep neural networks (DNN)

شبكه هاي عصبي مصنوعي , يادگيري عميق , پياده سازي مبتني بر FPGA

convolutional neural network , deep neural network , FPGA-based implementation