Year: 2020
Type: dissertation
Abstract: En aquests darrers anys, l’arquitectura hardware i el disseny de nous sistemes s’han convertit en àrees de recerca predominants en el món de la intel·ligència artificial en termes d’innovació i eficiència. Aquest increment de popularitat es tradueix en un interès creixent per l’àmbit de les Xarxes Neuronals Convolucionals (l’acrònim anglès és CNN), a causa de la seva alta precisió i aplicabilitat, que varia des del reconeixement facial i de veu a la classificació i segmentació d'imatges. La intensa demanda computacional de les CNNs requereix la implementació d'acceleradors hardware per augmentar el seu rendiment. Les matrius de portes programables (l’acrònim anglès és FPGA) representen una solució interessant per afrontar les limitacions de consum d’energia i petjada de memòria en les CNNs. L'objectiu d'aquest projecte és el disseny d’un accelerador de xarxes neuronals convolucionals basat en una matriu de portes programables. El treball presentat en aquest informe està centrat en la implementació d'una unitat de convolució bidimensional de 16 bits amb representació de coma fixa, que compta amb la capacitat de calcular convolucions bidimensional de mides arbitràries i de realitzar operacions de multiplicació-i-acumulació en un únic cicle de rellotge. Amb l’objectiu de dissenyar i implementar la unitat de convolució, la proposta plantejada es basa en una estratègia per extreure finestres de píxels a partir d’un únic flux de dades. L'estudi inclou l'ús de diferents famílies de FPGAs de Xilinx, entre les quals es realitza un anàlisi de la portabilitat del disseny en dispositius amb diferents mides i prestacions. Els resultats obtinguts mitjançant l’optimització del model original i la comparació amb altres dissenys de referència són molt favorables.
Author: Noelia Cívico Dorado
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W3164963217