Prestanda för ML-baserad bandbreddskompression på FPGA

Aleko Lilius ()

Sammanfattning

Detta examensarbete undersöker integrationen av maskininlärningsbaserad kompression på Field-Programmable Gate Arrays (FPGAs) för att förbättra bandbreddskompressionen av data vilket är en avgörande aspekt inom vetenskaplig forskning där stora mängder data produceras i realtid. Kompressionsverktyget Baler, som använder autoenkodare för maskininlärningsbaserad kompression, är utformat för att hantera vetenskapliga data effektivt. Genom att kombinera maskininlärningsmodellernas anpassningsförmåga med en FPGAs beräkningskapacitet syftar detta examensarbete till att utvärdera Baler's prestanda för bandbreddskompression. Avhandlingsarbetet visar att mindre modeller effektivt kan implementeras i en FPGA och gav en genomströmning av data som är 16,9 gånger högre jämfört med en mjukvarubaserad implementation på en stationär dator. Denna betydande förbättring visar på potentialen hos FPGA-accelererade maskininlärningslösningar. Vidare identifierades och optimerades ett antal viktiga faktorer som påverkar prestandan hos FPGA implementationen som tex. modellstorlek, precision och klockperiod. Detta examensarbete lägger grunden för vidare utveckling av hårdvaruimplementationen av Baler-algoritmen och visar på att användningen av FPGA-teknologi i dessa sammanhang har stor potential för att möjliggöra mer effektiva hårdvaruaccelererade maskininlärningslösningar.