Найти

Результаты поиска

• ПРОЕКТИРОВАНИЕ МОДУЛЕЙ НЕЙРОСЕТЕЙ MLP И CNN НА ПЛИС ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ

  Э. В. Мельник , Д.Е. Блох , А.И. Безмельцев , В.С. Панищев , С.Н. Полторацкий

  214-229

  2025-11-10

  Аннотация ▼

  Актуальность. Развитие методов машинного обучения и архитектур нейронных сетей, а также их распространение в различные сферы промышленности обуславливают актуальность решения задач по их аппаратной реализации. Использование программируемых логических интегральных схем в этой области позволит повысить скорость обработки данных и адаптивность реализуемых алгоритмов. Однако проектирование нейросетевых архитектур на программируемых логических интегральных схемах сопряжено с рядом методологических и технических сложностей, включая оптимизацию параллельных вычислений, управление аппаратными ресурсами и обеспечение работы в условиях ограниченных вычислительных ресурсов. Цель работы – анализ и сравнение двух архитектур нейронных сетей, многослойного перцептрона (MLP) и сверточной нейронной сети (CNN), в контексте их аппаратной реализации на программируемых логических интегральных схемах (ПЛИС). Особое внимание уделяется компромиссу между точностью классификации и эффективностью использования ограниченных аппаратных ресурсов ПЛИС. Методы исследования. Для достижения цели была проведена разработка и симуляция двух модулей на ПЛИС
  Virtex 7, перцептронного и сверточного. Использовался набор данных MNIST, уменьшенный до 20×20 пикселей. Реализация включала этапы квантования параметров до фиксированного формата 16:16, оптимизацию гиперпараметров, применение табличных вычислений для нелинейных функций и оценку использования ресурсов ПЛИС. Результаты и обсуждения. MLP достиг точности 93% при использовании 11% логических элементов, в то время как CNN обеспечила точность 98%, но потребовала существенно больше ресурсов. Использование внутренних буферов для хранения промежуточных данных в CNN привело к превышению допустимых ресурсов. Вынужденный переход к внешней памяти увеличил задержки и объем портов ввода-вывода. Выводы. Исследование показало, что выбор архитектуры зависит от приоритетов: CNN обеспечивает лучшую точность, но менее эффективна в ресурсах. Для embedded-систем с ограничениями по памяти и потреблению энергии предпочтительна упрощенная MLP-реализация. Основными проблемами остаются нехватка внутренней памяти и высокая ресурсоемкость операций, что требует дальнейших исследований в области аппаратной оптимизации и адаптивного управления вычислениями

• МЕТОД РЕШЕНИЯ ГРАФОВЫХ NP-ПОЛНЫХ ЗАДАЧ НА РЕКОНФИГУРИРУЕМЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМАХ НА ОСНОВЕ ПРИНЦИПА РАСПАРАЛЛЕЛИВАНИЯ ПО ИТЕРАЦИЯМ

  А. В. Касаркин

  2021-02-25

  Аннотация ▼

  При решении графовых NP-полных задач на многопроцессорных системах рост обо-
  рудования не приводит к пропорциональному росту производительности системы, поэто-
  му не всегда удается решить задачу за приемлемое время. Целью работы, описанной в
  статье, является минимизация времени решения задачи поиска максимальных клик графа с
  использованием реконфигурируемых вычислительных систем (РВС). При решении задачи
  на РВС методом распараллеливания по слоям рост производительности также замедля-
  ется, несмотря на лучшую степень масштабируемости по сравнению с многопроцессор-
  ными реализациями. В статье предложен метод создания параллельно-конвейерных про-
  грамм для реконфигурируемых вычислительных систем на основе распараллеливания по
  итерациям для решения графовых NP-полных задач. Рассмотрено, что использовать би-
  товый способ представления множеств (как в методе распараллеливания по слоям) для
  метода распараллеливания по итерациям не является эффективным. Новый метод отли-
  чается организацией вычислений, а именно – обработкой неупорядоченных множеств,
  доступ к элементам которых осуществляется не по адресам (как в массивах), а по значе-
  ниям (именам вершин и именам дуг графа). Показано, что новый метод на основе распа-
  раллеливания по итерациям, несмотря на более низкую удельную производительность, свя-
  занную с тем, что вычислительным подструктурам из-за символьного представления
  множеств необходимо обработать большее число промежуточных данных, обеспечивает
  практически линейный рост реальной производительности РВС при значительно большем
  количестве вычислительного ресурса по сравнению с методом распараллеливания по слоям.

• СПОСОБ ИСПОЛЬЗОВАНИЯ СРЕДСТВ БЫСТРОГО ПРОТОТИПИРОВАНИЯ ДЛЯ РЕАЛИЗАЦИИ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ НА ПЛИС

  В.В. Бахчевников , В. А. Деркачев , А. Н. Бакуменко

  2020-10-11

  Аннотация ▼

  Исследования в области искусственного интеллекта ведутся с возрастающим и н-
  тересом с каждым годом. Области применения искусственного интеллекта довольно
  обширны: автоматизация, анализ большого объема данных, технологии умного дома,
  машинное зрение и т.д. Технологии искусственного интеллекта базируются на использ о-
  вании искусственных нейронных сетей, имеющие в своей основе принципы нервной сис-
  темы животных. При этом актуальным вопросом является реализация искусственных
  нейронных сетей на различных программно-аппаратных платформах: программируемых
  логических интегральных схемах (ПЛИС) типа FPGA (Field Programmable Gate Array), на
  интегральных схемах специального назначения (Application-Specific Integrated Circuit,
  ASIC), GPU, CPU и т.д. ПЛИС наилучшим образом проявляют себя в маломощных мо-
  бильных системах. ASIC демонстрируют наибольшую производительность с н едостат-
  ком: высокая цена разработки. Проблема быстрого прототипирования проектов, осн о-
  ванных на использовании искусственных нейронных сетей, для ПЛИС привычными мет о-
  дами (c помощью HDL-языков, HDL-кодеров, графического программирования) заключа-
  ется в том, что либо такой проект сложен и длителен в отладке (HDL-языки), либо не
  оптимален получающийся код (HDL-кодеры), либо высока длительность разработки
  проекта и сложность реконфигурации нейронной сети (графическое программирование).
  Поэтому в рамках данной работы рассматривается эффективный метод проектирова-
  ния полносвязных и сверточноых нейронных сетей для их реализации на ПЛИС использ о-
  ванием пакета Xilinx System Generator for DSP и Matlab/Simulink. Генерируемые таким
  образом искусственные нейросети легко реконфигурируемы и позволяют решать сле-
  дующие задачи: распознавание изображений, оптимальная фильтрация (например, для
  задач подповерхностной радиолокации).