KI und FPGA: Gemeinsam stark? Hyperparameter-Optimierung für Deep Learning mit FPGAs

Der Einsatz neuronaler Netze in eingebetteten Systemen ist aufgrund von Energie-, Ressourcen- und Laufzeitanforderungen herausfordernd. FPGas bieten durch ihre Konfigurierbarkeit mehr Freiheiten als GPUs, ohne mehr Energie zu benötigen – gezielte Optimierung vorausgesetzt.

Neuronale Netze in Embedded-Systeme zu implementieren ist aufgrund von Einschränkungen wie Energielimitierungen, Verfügbarkeit von Rechenressourcen und Anforderungen an die Laufzeit eine Herausforderung. So muss etwa für eine energieautarke und KI-gestützte Sensorplattform zur lokalen Datenverarbeitung ein Batteriebetrieb gewährleistet sein und das System in Echtzeit arbeiten. Zum einen hängt die Qualität und Effizienz der Inferenz von der Aufgabe und von dem verwendeten neuronalen Netz ab, zum anderen spielt auch die verwendete Hardware eine wesentliche Rolle.

FPGAs sind als Hardware-Ansatz hier interessant, da durch ihre Konfigurierbarkeit die Hardware zur Berechnung der Inferenz speziell an die Anforderungen angepasst werden kann.