Den fornyede interesse for FPGA’erne skyldes efter al sandsynlighed, at det på mange måder er oplagte komponenter til såvel udvikling af som brug i mindre, autonome systemer til IoT og industri 4.0, hvor FPGA’erne i mange tilfælde udgør en bedre løsning end de lidt simplere mikrocontrollere. Det gælder ikke mindst i de tilfælde, hvor der er grafiske applikationer involveret. Og netop de grafiske applikationer er spændende – ikke mindst, når systemerne vokser til niveauer, hvor de skal udføre dybe neurale netværksopgaver som eksempelvis trafik- og skiltegenkendelse i de kommende selvkørende biler.
– Convolutional Neural Networks ligner på mange måder traditionel signalbehandling, men der optræder en række trade-offs, hvor man skal afveje designtid mod ydelse, fixed versus floating point løsninger og meget mere. Den gode nyhed er, at der i dag findes en lang række værktøjer, som letter opgaverne og reducerer afstanden imellem de givne trade-offs, indleder Hans Holten-Lund, der er FPGA-ekspert hos Prevas.
Convolutional neural networks (convnet) emulerer på visse måder den måde hjernen fungerer på med simple- og komplekse informationsudvekslinger, og grundlaget stammer fra forskning i kattehjerner tilbage fra 1981. I realiteten er der tale om filterteknologier, der giver en række analoge beslutninger i det digitale domæne. Begrebet kan dårligt oversættes, men der er faktisk tale om en ”indkapsling” af data, der giver en indlæring i systemerne svarende til en statistisk betragtning, der er hjernens måde at anskue verden på.
Læs hele rapporten fra FPGA World Conference i Aktuel Elektronik nr. 13/2017, som udkommer 3. november.