Проект «Реализация на микросхемах программируемой логики нейронных сетей реального времени, использующих алгоритм обратного распространения ошибки» ориентирован на исследование и разработку методов эффективного разворачивания и обучения нейронных сетей на ПЛИС. Это важно потому, что подобные устройства часто используются там, где необходима высокая скорость обработки информации в режиме реального времени: системы контроля и управления технологическими процессами, медицинские приложения, беспилотники, видеонаблюдение и другие области.
При работе с такими устройствами критически важным фактором становится производительность — способность обрабатывать сигналы не позднее, чем за допустимый интервал времени. Одним из основных препятствий к достижению высокой производительности во встраиваемых системах являются ограничения вычислительных мощностей аппаратных платформ (ПЛИС, процессоров и др.). В случае ПЛИС производительность зависит еще и от способа реализации и размещения устройства на кристалле – необходимо учесть особенности её внутренней структуры и способ организации связей между компонентами (так называемую трассировку).
«Поставленные в проекте задачи необходимо решать на нескольких уровнях: на уровне выбора методов вычислений в нейронных сетях, на уровне архитектуры нейронной сети с возможностью настройки ее параметров, и затем – на уровне размещения архитектуры на кристалле, сопровождаемого временным анализом ее блоков, – говорит к.т.н, доцент кафедры «Программирование» Инна Владимировна Ушенина».
Автор проекта выделила следующие проблемы:
1. Зависимость производительности от трассировки:
Реализация сложных структур нейронных сетей требует использования большого количества программируемых соединений между элементами схемы. Чем сложнее схема и больше число соединений, тем сильнее снижается максимальная рабочая частота системы, поскольку увеличивается задержка сигнала на пути следования. Поэтому задача анализа влияния трассировки на производительность — одна из центральных проблем.
2. Факторы, влияющие на производительность:
Помимо ограничений трассировки, на производительность влияют и другие факторы, такие как размер сети, способ представления чисел (например, фиксированная точка против плавающей точки), типы используемых арифметических операций и логика компонентов сети. Все эти элементы требуют отдельного рассмотрения и оценки их влияния на общую эффективность системы.
3. Разработка решений с минимальной потерей производительности:
Цель проекта заключается в создании архитектурных и схемотехнических решений, позволяющих минимизировать потери производительности вследствие указанных факторов. Например, оптимизация структуры подключения, выбор наиболее эффективных способов представления данных и операции, повышение быстродействия путем оптимизации отдельных блоков.
4. Создание временного моделирования:
Важной частью работы станет создание моделей, которые позволят оценить производительность нейронных сетей заранее, до физического воплощения. Эти временные модели будут учитывать задержки передачи сигналов и другие характеристики схем, позволяя предсказывать рабочие частоты и оптимизировать конструкцию сети ещё на этапе проектирования.
5. Реализация практических модулей:
Итоговым результатом станут готовые к применению схемы нейронов и нейронных сетей, представленные в форме так называемых «IP-модулей» — интеллектуальной собственности, которую можно легко внедрить в реальные проекты на разных платформах.
Что нового в проекте и что даст его реализации в дальнейшем? Ученый уверена, что разработка оригинальных подходов к трассировке и соединениям между элементами нейронных сетей, минимизирующих потерю производительности, создание новых схемотехнических решений для повышения скорости работы нейронных сетей, моделирование временных характеристик нейронных сетей и нейронов для точного прогнозирования производительности перед реализацией приведут к созданию готовых практических схем базовых элементов нейронных сетей и нейронов, способных функционировать в режиме реального времени.
Практическим результатом работы над проектом будут являться «мягкие» модули нейронов и нейронных сетей с возможностью настройки ряда параметров (количество слоев, узлов, формат представления чисел), готовые к встраиванию в устройства различного назначения.
Ознакомиться с материалами проекта можно здесь:
1. I. V. Ushenina and E. A. Danilov, "Implementation of the Sigmoid Function on Current FPGAs Using the Bit-Level Mapping Method," 2024 International Russian Automation Conference (RusAutoCon), Sochi, Russian Federation, 2024, pp. 295-300, doi: 10.1109/RusAutoCon61949.2024.10694668.
2. Ушенина И.В. Реализация на ПЛИС и сравнительный анализ вычислителей сигмоида, работающих с полным диапазоном аргумента с учетом симметрии // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2025. № 71. С. 120–129. doi: 10.17223/19988605/71/12
3. Ушенина И.В. Реализация на современных ПЛИС вычислителя сигмоидной функции активации нейронных сетей табличным методом // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2024. № 69. С. 124–133. doi: 10.17223/19988605/69/13
4. Ушенина И.В., Данилов Е.А. Реализация на ПЛИС модуля искусственного нейрона для последовательно-параллельных архитектур нейронных сетей с прямой связью // Цифровая обработка сигналов. 2025. №1. С. 78-84