Neuronale Netze haben sich in den letzten Jahren als Algorithmen erwiesen, die verschiedenste Probleme lösen können. Sie werden insbesondere dann benutzt, wenn viele Daten, aber keine formelle Beschreibung des Problems vorliegen. Wobei unser Fokus auf der Anwendung von Netzen im industriellen Umfeld liegt. Die mathematische Struktur von neuronalen Netzen lässt eine große Parallelisierung und das Ausnutzen von Bitbreiten-Optimierungen zu. Sie sind daher gut geeignet, um auf FPGAs implementiert zu werden. Somit kann man auch im Embedded-Bereich die Vorteile von KI nutzen.

Der Prozess zur Implementierung eines neuronalen Netzes im FPGA beinhaltet u.A.:

• Datenaufbereitung
• Prototyping und Netz-Design mit Python Machine Learning Frameworks
• offline-Training des Netzes mit Datensätzen
• Überführen der Architektur in ein FPGA-Design
• Schnittstellenspezifikation

Mit Hilfe von FPGAs können Sie Machine-Learning-Algorithmen auch dort nutzen, wo niedrige Latenzen und Leistungsbedarf gefordert sind.

Im Rahmen des Programms: "Digital Inovation" des Landes Sachsen-Anhalt konnten wir unsere Kompetenz zur Implementierung von KNN in FPGAs ausbauen. Bei Fragen und Wünschen von KNN auf FPGAs können Sie uns ansprechen. Gern auch über unser Kontaktformular.