Uma Arquitetura Reconfigurável para Processamento In Situ Utilizando Redes Neurais Sem Pesos
Autores
|
6517 |
2941,131,2102
|
|
|
6518 |
2941,131,2102
|
|
|
6519 |
2941,131,2102
|
Informações:
Publicações do PESC
Há alguns anos atrás, limitações em energia e espaço entre transistores começou a mover a industria de circuitos integrados para uma nova fronteira que envolvia arquiteturas heterogêneas de computadores e designs voltados para um menor consumo de energia. Hoje em dia, Field Programmable Gate Arrays (FPGAs) são de enorme importância para estes sistema por conta de sua alta exibilidade para programação e baixo consumo de energia. Porém, por conta do aumento do número de aceleradores e dispositivos paralelos, existe um grande aumento na movimentação de dados na rede. Este aumento no trafego pode resultar em problemas na performance do sistema. Uma forma de minimizar a movimentação de dados é processar ele in-situ, isto é, mais próximo de onde o dado se encontra. Com este conceito em mente, este trabalho desenvolveu e avaliou um sistema de disco inteligente que realiza reconhecimento facial através de um rede neural sem peso implementada em uma FPGA através da ferramenta High-Level Synthesis (HLS). Resultados preliminares em performance, área de circuito e consumo de energia demonstram que o co-processador desenvolvido pode aprender e reconhecer faces mais rápido do que o microprocessador ARM da mesma FPGA, enquanto reduz significativamente o trafego na rede.
A couple years ago, limitations in power and transistor area began to charge the integrated circuit industry into a new frontier that involved heterogeneous computer architectures and energy-eficient designs. Now-a-days, Field Programmable Gate Arrays (FPGAs) play an important role on these systems due to their high exibility and energy-eficient processing capabilities. However, due to the increasing number of accelerators and new devices embedded with parallel capabilities there is an increase in data movement through the network. This increase in trafic may result in overall system performance depreciation. One way to decrease the data movement is to process the data in-situ, which means processing the data near it's location. With this concept in mind, this work aims at designing and evaluating a smart disk system for in-situ face recognition through a Weightless artificial Neural Network (WNN) co-processor designed in High-Level Synthesis (HLS) and implemented in the system's FPGA. Preliminaries results in performance, circuit-area and energy consumption results shows that the co-processor can eficiently learn and recognize faces faster than the system's embedded ARM processor, while also significantly reducing network trafic.