Maskinlæring og partiell rekonfigurering - Elektronikknett
FPGA Forum 2017 utstillingsområde

Maskinlæring og partiell rekonfigurering

FPGA Forum 2017 er i full gang. Årets program har overraskende mye fokus på maskinlæring og partiell rekonfigurering.

Dynamisk partiell rekonfigurering, der en del av FPGAen kan endre funksjon samtidig som andre deler av komponenten utfører rutineoppgaver, var mye omtalt for noen år siden, men ble i stor grad betraktet som en  akademisk øvelse.

FPGA-Jan-Anders-DSCF8279 Jan Anders Mathisen ønsker mer fokus på partiell rekonfigurering. Her også med demonstrasjon.

Flere foredragsholdere og utstillere på FPGA Forum i Trondheim (15.-16. Februar) har imidlertid trukket teknologien frem igjen. Jan Anders Mathisen fra Avnet Silica (Xilinx) er en av dem som ønsker å gi partiell rekonfigurering et puff fremover.

– Det er ikke lenger snakk om ”eksotiske” design. Partiell rekonfigurering har mange fordeler. I tillegg har vi nå full støtte for denne metoden i utviklingsverktøyet Vivado, sier han.

Blant annet Kongsberg Defence Systems delte sine erfaringer med bruk av partiell rekonfigurering under konferansen.

Maskinlæring og nevrale nettverk er et annet gjennomgående tema. – FPGA er godt egnet for massiv parallellprosessering. Nå ser vi også fremveksten av en ”killer app” å bruke dette til – nemlig maskinlæring, sa Xilinx-guruen Liam Madden i sitt innledningsforedrag. Behovet for regnekraft i fremtidige applikasjoner innen for eksempel 5G og virtuell virkelighet kan drive dette. Nye fremskritt innen bygging av nevrale nettverk og ”dyp læring” er interessante aspekter i FPGA-verdenen.

FPGA-Per-Arne-DSCF8269 Per Arne Kristiansen fra Arrow kunne vise frem "monsteret" Stratix 10 MX, her avkledd kapslingen så man ser de karakteristiske "tiles" som kan skiftes ut.

– IoT, autonome systemer som selvkjørende biler osv. genererer enorme mengder data som skal brukes som beslutningsgrunnlag i ulike situasjoner. Datamengden er et problem i den grad at mest mulig må håndteres ”lokalt”, nærmest mulig sensorer osv., sier Nikolay Rognlien i Arrow (Altera/Intel PSG).

– Skal man løse ting med maskinlæring og nevrale nettverk, vil  markedene kreve at løsningene er skalerbare. FPGA har tradisjonelt hatt en plass i hele kjeden fra sensor via nettverk og gateway til sky- og serverløsninger, og tilbyr denne skalerbarheten, sier han.

Kognitive nevrale nettverk (CNN) vil komme, og Intel PSG har strategier for å møte utfordringene dette vil innebære, hevder Rognlien.

Mer om FPGA Forum 2017, maskinlæring, partiell rekonfigurering og programmerbare teknologier i Elektronikk nr 3 (Mars) 2017.