Um acelerador para treinamento de redes neurais convolucionais profundas implementado em FPGA

• Processo: 17/13520-3
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de setembro de 2017
• Vigência (Término): 01 de janeiro de 2019
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Ricardo Menotti
• Beneficiário: Leonardo Tavares Oliveira
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 18/00096-1 - Implementação de uma camada de convolução usando multiplicadores aproximados em FPGA para redes neurais convolucionais, BE.EP.IC
• Assunto(s): Inteligência artificial Redes neurais (computação) Computação de alto desempenho Computação heterogênea Computação reconfigurável
• Palavra(s)-Chave do Pesquisador: aceleradores | Computação Reconfigurável | Fpga | Inteligência Artificial | Rede Neural Convolucional Profunda | Computação Heterogênea

Resumo

Com a evolução da computação de alto desempenho (HPC) houve a popularização de diversos programas e algoritmos que necessitam intensamente de recursos computacionais, como as redes neurais convolucionais profundas (RNCP). As RNCP, que são utilizadas principalmente para a classificação e reconhecimento de imagens, obtiveram grande aumento de popularidade com o destaque da AlexNet na ImageNet Large Scale Visual Recognition Competition de 2010, obtendo classificação correta de 17.0% das imagens em Top 5. Além disso, o uso de FPGAs para a aceleração de programas altamente paralelizáveis se tornou parte fundamental da HPC, permitindo a criação de hardware específico para o programa (maior performance) com alta economia de energia. Desta forma, este projeto busca utilizar da alta capacidade de paralelização das redes neurais convolucionais profundas para implementar etapas fundamentais da mesma em FPGA, criando para isto uma arquitetura que permita o treinamento e uso em hardware. (AU)