ابزار زنجیره‌ای برای توسعهٔ FPGAهای ابری AWS با Vitis HLS معرفی شد

در مقاله‌ای پیش‌چاپ در arXiv، پژوهشگران زنجیره‌ابزاری برای توسعهٔ مدل‌های یادگیری ماشین روی زیرساخت FPGA ابری AWS EC2 F2 معرفی کرده‌اند. این زنجیره، جریان کاری Vitis HLS تا HDK و ساخت AFI را پوشش می‌دهد؛ فرایندی که به‌گفتهٔ نویسندگان، با وجود هشت سال در دسترس بودن FPGAهای AWS، پیش‌تر در ادبیات دانشگاهی مستند نشده بود.

روش پیشنهادی چهار مرحله برای یافتن خطاها دارد: مدل PyTorch با دقت FP32، نسخهٔ Python با کوانتیزه‌سازی دقیق از نظر بیت، شبیه‌سازی C در HLS و اجرای فیزیکی روی FPGA. این مراحل برای تشخیص خطاهای معمول و خطاهای ویژهٔ مدار FPGA طراحی شده‌اند. مقاله همچنین گردش کار استقرار، راهبردهای بستن زمان‌بندی و تصمیم‌های مهندسی HLS را شرح می‌دهد؛ ابزارهایی که نویسندگان می‌گویند می‌توانند به عامل‌های کدنویس در پیاده‌سازی، آزمون و اشکال‌زدایی طرح‌های FPGA بر اساس دستور کاربر کمک کنند.

پژوهشگران روش را با TinyBERT که برای تشخیص موجودیت نام‌دارِ نشانی‌ها تنظیم دقیق شده بود، ارزیابی کردند. پیاده‌سازی آن‌ها لایهٔ embedding و نخستین لایه از چهار لایهٔ encoder را روی FPGA اجرا می‌کند. وزن‌ها از حافظهٔ DRAM میزبان به‌صورت جریانی خوانده می‌شوند؛ روشی که در این پیاده‌سازی به کارایی پایین‌تر از نمونه‌های CPU و GPU انجامیده است. نویسندگان مسیرهای احتمالی بهبود را نیز بررسی می‌کنند.