Pemecut rangkaian saraf berasaskan FPGA mengatasi GPU

Ia telah ditunjukkan sebagai CNN GoogLeNet Inception-v1, menggunakan resolusi integer lapan bit. Ia mencapai operasi 16.8 terra per saat (TOPS) dan boleh menyimpulkan lebih daripada 5,300 imej sesaat pada fpga Xilinx Virtex UltraScale + XCVU9P-3. Pendekatan modular, berskala, menjadikannya sesuai untuk pengesanan objek dan aplikasi pemprosesan video di pinggir dan di awan, jelas Fawcett, serta kesimpulan dalam pusat data dan kamera pintar.

DPU boleh dikonfigurasikan untuk memberikan prestasi pengiraan yang optimum untuk topologi rangkaian saraf dalam aplikasi pembelajaran mesin, menggunakan seni bina DSP selari, memori yang diedarkan dan rekonfigurasi semula logik dan sambungan untuk algoritma yang berbeza.

DPU mencapai lebih daripada 50% prestasi yang lebih tinggi daripada mana-mana CNN yang bersaing dan melaksanakan GPU untuk anggaran kuasa atau kos tertentu, tuntutan syarikat itu. "FPGA adalah platform dan seni bina yang mengalahkan dunia, yang sangat fleksibel untuk pemeriksaan masa depan dan boleh mengalahkan GPU di AI, dengan kependaman yang lebih rendah," tambah Fawcett.

Syarikat itu juga telah mengumumkan ia menaja DPhil (PhD0 di Oxford University untuk mengkaji teknik-teknik untuk melaksanakan percepatan pembelajaran mendalam pada fpgas. Kerja ini akan bekerjasama dengan penyelidikan Omnitek sendiri ke dalam enjin dan algoritma AI compute.