field-programmable gate array
PulseAugur coverage of field-programmable gate array — every cluster mentioning field-programmable gate array across labs, papers, and developer communities, ranked by signal.
- developed by Spiking neural networks 90%
- used by Spiking neural networks 90%
- used by lookup table 90%
- used by hls4ml 80%
- developed Spiking neural networks 70%
- developed by hls4ml 70%
- used by Vitis HLS 70%
- used by CNN 70%
- instance of CNN 70%
- used by Large Hadron Collider 70%
- developed hls4ml 70%
- used by application-specific integrated circuit 70%
9 天有情绪数据
-
新的成本模型加速分布式数字伊辛机
研究人员开发了一个校准的成本模型,用于分析分布式数字伊辛机的性能,数字伊辛机是组合优化和概率采样的专用加速器。该模型将计算时间分解为计算、内存、同步和设备间通信的项。基于该模型,团队提出了一些加速技术,包括数据放置策略、多速率和有界陈旧调度以及相位偏移流数据流,这些技术共同提高了求解时间。
-
注意力神经网络转换为可解释的硬逻辑电路
研究人员开发了一种将训练好的注意力神经网络转换为可解释的硬逻辑谓词电路的方法。该过程涉及提取真值表谓词,并在“忒修斯之船”替换策略下进行合并,其中软部分适应冻结的电路替换。由此产生的电路提供了显著的加速,在GPU上比原始网络快得多地对推文进行分类,尽管准确性略有下降。
-
新型神经形态Ising机通过可编程转换强制执行约束
研究人员开发了一种新型神经形态Ising机,它通过可编程转换而非能量惩罚来强制执行约束。这种受自动编码器启发的创新架构使用内层神经元来表示将可行状态映射到其他可行状态的移动。编译器将约束转换为这种布线,对于常见的约束类型,辅助子句仅呈多项式增长。与现有的基于惩罚的神经形态机器相比,这种方法显著减少了约束处理,并在图匹配问题和表面码解码方面表现出卓越的性能。
-
新系统结合云端GPU和边缘FPGA进行大语言模型推理
研究人员开发了HyCoInfer,一个用于大语言模型(LLMs)协同推理的新型系统,该系统结合了云端GPU和边缘FPGA。该方法旨在通过将部分推理过程卸载到更高效的边缘硬件来克服仅云端LLM服务的局限性。HyCoInfer解决了异构加速器之间的容量平衡、在有限网络带宽上管理大型KV缓存以及最小化分布式执行引入的延迟等挑战。
-
Silinx 提供基于浏览器的 FPGA 设计平台用于教育
一个名为 Silinx 的新开源平台已被开发出来,旨在提供一个基于浏览器的替代方案,用于在 FPGA 板上教授数字系统设计。该平台旨在克服使用过时供应商工具(如 Xilinx ISE)的挑战,这些工具难以在现代设备上安装。Silinx 支持通过 VHDL、Verilog、C/C++(通过其与 AMD 的 Vitis HLS 的高层次综合 (HLS) 兼容性)以及各种图形表示(如原理图和状态图)进行设计输入。整个设计流程,包括综合和布局…
-
新工具链支持在AWS云FPGA上进行ML模型开发
研究人员开发了一种新的工具链,使用高级语言在AWS云FPGA基础设施上促进机器学习模型的开发。该系统将Vitis HLS与AFI工作流连接起来,填补了关于AWS FPGA可用性学术文献中的空白。该方法包括从FP32 PyTorch到物理FPGA实现的四个开发级别,以帮助精确定位错误。虽然与CPU/GPU相比,由于权重从主机DRAM流式传输,当前实现显示出性能限制,但未来的工作旨在改进这一点。
-
工程师打造支持卡带导出和HDMI的FPGA Game Boy游戏机
电子工程师Thomas Sanfourche开发了SGBC,一款采用现场可编程门阵列(FPGA)技术、可原生运行初代Game Boy卡带的新游戏机。该设备支持HDMI输出、USB-C接口,并配备Game Link线缆接口以实现多人游戏功能。其一项关键功能是可以将游戏ROM直接导出至SD卡,让用户能够数字化其游戏收藏。
-
光学AI的进步旨在提高数据中心效率并降低功耗
正在探索两种不同的方法来提高AI数据中心的效率。一种名为Halley,是一种面向光学AI数据中心网络的预测性控制平面,可预测故障并管理资源,以提高有效吞吐量并减少容量需求。另一种是Lumai的Iris Nova服务器,它使用光学AI加速来执行推理预填充的矩阵乘法,旨在通过将此计算转移出传统GPU来降低功耗。Lumai的系统是混合式的,光学负责核心数学运算,电子元件负责内存和控制,目前正在英国的一家实验室进行测试。
-
前微软工程师用AI为老式PDP-11构建定制RAM
一位前微软工程师Dave Plummer成功为一台老式1970年代的PDP-11计算机构建了一块定制RAM板。面对原装内存模块过高的价格,Plummer利用了ChatGPT和EasyEDA等AI工具来辅助设计。他设计了一个解决方案,使用现场可编程门阵列(FPGA)作为内存控制器,连接到现代内存芯片,以规避老式组件的稀缺性和高成本。
-
LLM智能体设计RISC-V CPU并进行FPGA评估,加速开发进程
研究人员开发了一个新的环境,使用LLM智能体和FPGA在环评估来设计RISC-V CPU。与传统的RTL仿真相比,这种方法显著加快了设计和决策过程。该系统被用于将一个单周期RV32I核开发成一个三宽乱序RV32IM核,在Artix-7 FPGA上以130 MHz实现了5.61 CoreMark/MHz。对于8000次CoreMark迭代运行,该FPGA评估比RTL仿真快9.6倍,并成功识别了较短诊断测试遗漏的性能下降。
-
专家称,售价 4,700 美元的发烧友级网络集线器并无音质提升
Aurender 推出了 NH10 网络集线器,这是一款专为发烧友设计的高端网络交换机,售价 4,700 美元。该设备拥有八个千兆端口,其中四个铜端口集成了七级电气滤波,两个 SFP 端口用于光纤或铜缆收发器。尽管价格昂贵且设计独特(如 FPGA 控制的振荡器),但文章认为,由于数字音频协议内置的纠错功能,此类网络硬件无法改善音质。
-
SpikeAD: Multiplication-Free Neuromorphic Architecture for Energy-Efficient Object Detection
研究人员开发了SpikeAD,这是一种新颖的神经形态架构,专为空中平台的能效型小目标检测而设计。该架构利用脉冲神经网络(SNN),采用一种独特的方法,其中稀疏脉冲充当无乘法推理的控制信号,从而消除了传统的乘加运算。SpikeAD在VisDrone和DOTA等基准数据集上展示了改进的性能,实现了更高的平均精度均值,并能泛化到定向边界框。该设计已通过FPGA和ASIC上的硬件实现验证,为超低功耗神经形态处理器铺平了道路。
-
折叠式FPGA语音增强器通过低精度存储和稀疏执行实现效率提升
研究人员开发了一种新颖的方法来优化现场可编程门阵列(FPGA)上的语音增强加速器,重点关注低精度存储和稀疏执行。他们的方法在Kria KV260上实现,展示了计算和能耗的显著降低。通过解耦精度、权重存储和调度工作,他们实现了卷积MACs减少47.3%,帧时间减少45%,从而提高了语音质量。
-
单FPGA模拟果蝇大脑连接组
研究人员开发了FPGAFly系统,能够在单个现场可编程门阵列(FPGA)上模拟整个16.7万神经元的果蝇(Drosophila)中枢神经系统。这通过新颖的技术实现,如保持顺序的延迟脉冲扩展和用于神经元状态的24位编码,显著减少了内存流量和片上内存使用。该系统成功模拟了果蝇中枢神经系统连接组,在Gowin GW5AST-LV138 FPGA上用不到94毫秒完成了100毫秒窗口的模拟,并且还测试了10,000次MNIST预测。
-
综述详述面向边缘设备的视觉Transformer压缩技术
一篇新发表在arXiv上的综述论文详细介绍了在边缘设备上部署视觉Transformer(ViTs)的模型压缩与加速策略。该论文系统地回顾了各种模型压缩技术和面向硬件的加速方法,解决了与传统卷积神经网络(CNNs)相比,ViTs在计算和内存方面带来的重大挑战。它旨在通过分析不同平台(如GPU、ASIC和FPGA)上准确性、效率和硬件适应性之间的权衡,为研究人员和开发人员提供一份全面的指南。
-
新研究探讨超高维计算分类器的水印技术
研究人员研究了用于超高维计算(HDC)分类器的模型水印技术,将基于后门的嵌入方法应用于三种不同的HDC模型。研究发现,像AdaptHD和OnlineHD这样的误差驱动分类器可以在准确性损失最小的情况下支持验证,而Vanilla HDC需要更多的暴露并且可能显著影响性能。水印在持续训练下表现出弹性,但容易被攻击者的水印提取和覆盖,尽管严重的覆盖也会导致准确性下降。在现场可编程门阵列(FPGA)上测试时,带水印的AdaptHD模型在存在大…
-
用于脉冲神经网络的FPGA加速器采用minifloat算术
研究人员开发了一种新的脉冲神经网络(SNNs)硬件加速器架构,该架构利用参数化minifloat算术。这种设计允许可配置的精度,从而在准确性、内存和功耗之间进行权衡。FPGA实现结果表明,降低minifloat精度可显著减少资源利用率和功耗,而硬件验证案例表明,在不牺牲有竞争力的推理准确性的情况下,可以实现大幅度的精度降低。
-
新型连续状态概率计算机硬件已演示
研究人员演示了一种新型连续状态概率计算机(CPC),它利用可编程能量定义采样来解决复杂问题。与传统的二进制系统不同,这种CPC处理连续变量,并可以利用具有不同分布的物理随机源。CPC的现场可编程门阵列(FPGA)原型在7位因式分解案例中,与现有软件实现相比,求解时间缩短了约33,000倍,实现了显著的加速。该系统还成功地以100%的准确率恢复了存储的MNIST模式,而无需预先训练的网络。
-
综述梳理了FPGA和IC上强化学习的实现
这篇综述论文回顾了100多项关于在现场可编程门阵列(FPGA)和集成电路(IC)上实现强化学习(RL)算法的研究。它按RL算法家族、硬件实现策略和应用领域对研究进行了分类,对RL如何映射到可重构和固定硬件进行了统一分析。该论文探讨了高效RL驱动硬件系统的架构模式、实际限制和未来研究方向,为研究人员提供了一个综合参考。
-
新的LEAF注意力机制为FPGA优化Transformer模型
研究人员开发了LEAF,一种新颖的、基于查找表(LUT)的高效注意力机制,专为FPGA设计。该方法通过将关键组件转换为FPGA原生层,解决了在FPGA上为实时系统部署大型、高性能Transformer模型的挑战。LEAF实现了超低延迟推理,在喷气机标记基准测试中将准确率提高了1.8个百分点,同时与先前最先进的方法相比,显著减少了LUT的使用。