Det har inom forskarvärlden sagts att neurala nätverk “simulerar den mänskliga hjärnan” och behandlar data på ett liknande sätt. Men naturligtvis är det i dagsläget knappast möjligt att bokstavligt talat simulera hjärnan, men rent arkitekturellt liknar teknologin den fysiska representationen vi idag har av hjärnan. Detta i sin tur öppnar för att nätverk kan används i en process inom ML, MaskininLärning, som kallas för djupinlärning. Sammankopplade noder används som om de vore neuroner i den mänskliga hjärnan för att återskapa förhållanden som möjliggör inlärning. Så, hur har man omsatt detta i verkligheten för elektronik-design inom Siemens Digital Industries Software?
Överbryggar ett gap
Så här har man resonerat: Allt eftersom runtime AI- och maskininlärnings-uppgifter migrerar från datacentret till allt från konsument-apparatur till medicinsk utrustning, finns det ett snabbt växande krav på ”rätt storlek” på AI-hårdvara för att minimera strömförbrukningen, lägre kostnad och maximera slutproduktsdifferentieringen.
– De flesta maskininlärningsexperter är dock mer bekväma att arbeta med verktyg som TensorFlow, PyTorch eller Keras, snarare än syntetiserbara C++, Verilog eller VHDL. Det har kort sagt traditionellt inte funnits någon enkel väg för AI-experter att accelerera sina maskininlärnings-applikationer i en ASIC- eller SoC-implementering av rätt storlek, konstaterar Mo Movahed och tillägger att hls4ml-initiativet är, ”avsett att hjälpa till att överbrygga detta gap genom att generera C++ från ett neuralt nätverk som beskrivs i AI-ramverk som TensorFlow, PyTorch eller Keras. C++ kan sedan distribueras för en FPGA-, ASIC- eller SoC-implementering.”
I detta hävdar Movahed att Catapult AI NN utökar kapaciteten hos hls4ml till ASIC- och SoC-design. Lösningen innehåller ett dedikerat bibliotek med specialiserade C++ maskininlärnings-funktioner som är skräddarsydda för ASIC-design. Med hjälp av dessa funktioner kan designers optimera PPA genom att göra latens- och resursavvägningar över alternativa implementeringar från C++-koden. Dessutom kan designers nu utvärdera effekten av olika neurala nätdesigner för att bestämma den bästa neurala nätverksstrukturen för hårdvara.
Utveckling på Fermilab
– Partikeldetektor-applikationer har extremt stränga AI-begränsningar, säger Panagiotis Spenzouris, Fermilab Associate Lab Director för Emerging Technologies. Genom vårt samarbete med Siemens kunde vi utveckla Catapult AI NN, ett syntesramverk som utnyttjar expertis hos våra forskare och AI-experter utan att kräva att de skulle bli ASIC-designers. Dessutom är detta kraftfulla nya ramverk också idealiskt för erfarna hårdvaruexperter.
Catapult AI NN är tillgänglig för tidiga användare nu och kommer att vara tillgänglig för alla användare under fjärde kvartalet 2024.
