资料下载
赛灵思AI引擎及其应用的详细资料说明
分享资料个
对于 5G 蜂窝和机器学习 DNN/CNN这 样的计算密集型应用，赛灵思的新型向量处理器 AI 引擎由一系列 VLIW SIMD高性能处理器构成，可提供高达 8 倍的芯片计算密度，功耗却比传统可编程逻辑解决方案低 50％。
本白皮书探讨了将赛灵思新 AI 引擎用于计算密集型应用（如 5G 蜂窝和机器学习 DNN/CNN）的架构、应用和优势。
与前几代相比，5G 的计算密度要高 5 到 10倍；AI 引擎已针对 DSP 进行了优化，可满足吞吐量和计算要求，从而提供无线连接所需的高带宽和加速速度。
许多产品中机器学习的采用（通常采用 DNN/CNN 网络的形式）大大增加了计算密度要求。AI 引擎针对线性代数进行了优化，可提供满足这些要求的计算密度，同时与可编程逻辑中执行的类似功能相比，功耗也降低了50％。
AI 引擎使用了许多程序员所熟悉的 C/C++ 范例进行编程。AI 引擎与赛灵思的自适应与标量引擎集成，可提供高度灵活且功能强大的整体解决方案。
赛灵思产品在计算密集型应用方面坐拥数十年的实施历史，该领域的开拓始于 90 年代初的高性能计算 （HPC） 和数字信号处理 （DSP）。FPGA的赛灵思 XC4000 系列 FPGA 已成为支持商用和航空航天与国防无线通信系统数字前端 （DFE） 解决方案的关键技术。这些早期实践者使用 LUT 和加法器 实现计算元素（例如乘法器），以构建 DSP 功能数、FIR 滤波器和 FFT。
2001 年为 Virtex-II 系列 FPGA 开发的第一个“DSP 片”。遵照摩尔定律，赛灵思将 LUT 数量从XC4000 FPGA 中的 400 个增加到现有器件中的 370 多万个 LUT 和超过 12，200 个 DSP 片，将可用资源增加了 9，500 多倍。随着计算资源的不断增加，赛灵思产品始终能够提供所需的计算密度和逻辑资源，紧跟新兴信号处理市场的步伐。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
