Rekonfigurierbare approximative Beschleuniger

Rekonfigurierbare approximative Beschleuniger

Umfeld:

Hardwareplattformen für die Berechnung von neuronalen Netzen brauchen besonders viel Rechenleistung. Die Leistung von einzelnen Prozessorkernen wird allerdings zunehmend durch den Dark Silicon Effekt begrenzt. Deshalb werden spezielle Hardwarebeschleuniger eingesetzt, die stärker auf ihren Einsatzzweck wie z.B. KNNs optimiert sind. Ein Ansatz in der Forschung zur Verringerung der Leistungsaufnahme, aber Verbesserung von Chipfläche und Rechenzeit, ist das approximative Rechnen. Oft sind auch angenäherte Ergebnisse ausreichend, deren Berechnung weniger Energie verbraucht.

Aufgabe:

Ziel der Arbeit ist die Implementierung von Beschleunigern in einem rekonfigurierbaren Container. Verschiedene Varianten dieses Beschleunigers mit verschieden stark approximierter Logik sollen durch Rekonfiguration ausgetauscht werden können. Anhand einer Beispielimplementierung mit einem Bildverarbeitungs- oder KI-Use-Case werden abschließend die Vor-/Nachteile der Rekonfiguration analysiert und beurteilt.

Voraussetzungen:

  • Spaß an Hardwareentwicklung in VHDL/Verilog
  • Interesse an der Funktion von Prozessorkernen und Bussystemen
  • Motivation und Interesse am selbstständigen Lösen von technischen Problemen