FPGA设计人员转向云端机器学习

FPGA设计人员转向云端机器学习

　　即使所有的注意力都集中在移动设备应用程序上，从拼车和 Instagram 到音乐流媒体，半导体行业仍然为那些想要有所作为的热情工程师占据主导地位——即使该应用程序与消费者体验相去甚远。一个这样的例子涉及一些精明的工程师，他们认识到数据分析可以解决一些更棘手的 FPGA 设计挑战。

　　围绕 FPGA 日益增长的使用的一些趋势引起了他们的注意。一方面，工程团队对 FPGA 重新产生了兴趣，英特尔收购 Altera 就凸显了这一点。虽然越来越多的软件开发人员意识到 FPGA 是实现其算法的理想选择，但他们发现设计起来并不容易。数据中心内 FPGA、GPU 和定制加速之间的持续角力进一步说明了 FPGA 在高性能异构计算平台中的重要性。

　　这些问题与复杂 IC 设计的时序和性能有关。随着 FPGA 和设计流程变得越来越复杂，关键时序和性能问题的数量和难度呈指数级增长。

　　由于工程团队难以实现其设计的时序目标，无法实现时序收敛可能会延迟产品的上市时间。额外的要求往往是迟来的，需要更多的逻辑，增加可能对时序产生负面影响的逻辑密度。在最坏的情况下，必须使用更大的设备或更快的速度等级来实现关闭，从而影响产品的盈利能力，尤其是在大批量生产时。

　　也许更有趣的是越来越多地使用 FPGA 将硬件设计推向云端，因为半导体公司没有可用的硬件资源来管理新的 FPGA 设计。一个例子是 Intel 的 Quartus Prime 或 Xilinx 的 Vivado 内存规格，它们使台式计算机或工作站上的编译时间变得不可能。相反，工程经理正在转向云计算服务以获得更快的结果并减少资本支出。

　　最后的趋势是支持 FPGA 和 ASIC 设计的人工智能和机器学习应用范围。显而易见的结论是解决时序收敛。这种性能可以使数据中心以外的各种市场受益，例如高级驾驶辅助系统 （ADAS） 和高频交易 （HFT）。

　　Plunify 工程师设计了一种解决方案来解决性能和时序挑战，使用机器学习技术来关闭时序并优化 FPGA 设计，分析过去的编译结果以预测最佳综合/布局布线参数和布局位置。而且，当然，该工具驻留在云中或用户的服务器上。

　　像这样的工具可以学习和推断最适合设计的工具参数，例如综合选项、布局布线选项和布局位置。他们使用统计建模和机器学习从数据中汲取见解，以提高结果的质量。这些工具的学习能力确保工程团队使用它们的次数越多，学习数据库就会变得越智能，从而加快设计收敛时间。

　　审核编辑：郭婷