FPGA დაფუძნებული ნერვული ქსელის ამაჩქარებელი უკეთესია GPU– ებზე

ეს აჩვენეს, როგორც GoogLeNet Inception-v1 CNN, რვა ბიტიანი მთელი რიცხვის რეზოლუციის გამოყენებით. მან მიაღწია 16.8 ტერრა ოპერაციას წამში (TOPS) და შეუძლია დაასვას 5,300 სურათი წამში Xilinx Virtex UltraScale + XCVU9P-3 fpga. მოდულარული, მასშტაბური მიდგომა შესაძლებელს ხდის ობიექტის გამოვლენისა და ვიდეო დამუშავების პროგრამებს ზღვარზე და ღრუბელში, განმარტა ფავეტმა, ასევე მონაცემთა ცენტრებში და ინტელექტუალურ კამერებში დასკვნისთვის.

DPU შეიძლება იყოს კონფიგურირებული, რომ უზრუნველყოს ნერვული ქსელის ტოპოლოგიებისთვის ოპტიმალური გამოთვლითი მოქმედება მანქანაში სწავლის პროგრამებში, პარალელურად DSP არქიტექტურის გამოყენებით, განაწილებული მეხსიერების და ლოგიკისა და დაკავშირების სხვადასხვა ალგორითმისთვის.

DPU აღწევს 50% -ით მეტ ეფექტურობას ვიდრე ყველა კონკურენტი CNN და ასრულებს GPU- ს მოცემული ენერგიის ან ხარჯის ბიუჯეტისთვის, აცხადებენ კომპანიაში. ”Fpga არის მსოფლიოში ცემის პლატფორმა და არქიტექტურა, რომელიც ძალიან მოქნილია მომავლის კორექტირებისთვის და შეუძლია გააუმჯობესოს GPU- ები AI- ში, უფრო დაბალი ლატენტობით”, - დასძინა ფავეტმა.

კომპანიამ ასევე გამოაცხადა, რომ იგი აფინანსებს DPhil (PhD0 ოქსფორდის უნივერსიტეტში), რათა შეისწავლოს fpgas– ზე ღრმა სწავლის აჩქარების განხორციელების ტექნიკა. ეს ნამუშევარი იქნება თანამშრომლობით Omnitek– ის მიერ ჩატარებულ კვლევაში, რომელიც ითვალისწინებს AI გამოთვლილ ძრავებსა და ალგორითმებს.