FPGA Based Implementation of Distributed Minority and Majority Voting Based Redundancy for Mission and Safety-Critical Applications
在任务和安全关键应用中使用的电子电路和系统通常在设计中采用冗余,以克服任意故障或故障并保证正确操作。在这种情况下,分布式的基于少数和多数表决的冗余(DMMR)方案通过显著地最小化它们的重量和设计成本以及它们的设计度量,同时提供类似程度的容错,形成了对用于实现任务和安全关键电路和系统的常规N模块冗余(NMR)方案的有效替代。本文介绍了第一个基于FPGA的实施例DMMR电路,并比较它与对应的NMR电路的面积占用率和关键路线延迟的基础上,即面积延迟产品(ADP)。示例性DMMR电路和对应的NMR电路能够适应2、3和4功能模块的故障或失效状态。对于物理合成,两个商业Xilinx FPGA,即Spartan 3E和Virtex 5对应于90 nm和65 nm CMOS工艺,以及两个耐辐射和军用级Xilinx FPGA,即QPro Virtex 2和QPro Virtex E对应于150 nm和180 nm CMOS工艺,被认为是NMR和DMMR电路实现,采用4 × 4阵列乘法器作为代表性的功能模块。为了实现2个功能模块的容错,DMMR和NMR方案在所有4个FPGA上提供接近相似的平均ADP。但是,在实现3个功能模块的容错的同时,DMMR功能与NMR相比平均将ADP降低了44.5%,并且在实现4个功能模块的容错时,DMMR报告与所考虑的所有4个FPGA相比平均将ADP降低了56.5%。
2016-11-29 cs.AR
Evaluating Built-in ECC of FPGA on-chip Memories for the Mitigation of Undervolting Faults
Barcelona Supercomputing Center (BSC)(巴塞罗那超级计算中心);IIIA - Artificial Intelligence Research Institute CSIC - Spanish National Research Council(西班牙国家研究委员会IIIA人工智能研究所);Georgia Institute of Technology(佐治亚理工学院);Twentieth Century Fox(二十世纪福克斯公司);Starfleet Academy(星际舰队学院)
低于标称电平的电压欠缩放是用于提高数字电路中的能量效率的有效解决方案,例如,现场可编程门阵列(FPGA)。然而,在安全电压电平以下并且没有伴随频率缩放的进一步欠伏导致定时相关的故障,潜在地破坏能量节省。通过对商用FPGA的实验电压欠标度研究,我们观察到这些故障的发生率在片上存储器或块RAM(BRAM)中呈指数级增加。为了减轻这些故障,我们评估了内置的【形】纠错码(ECC)的效率,并观察到超过90%的故障是可纠正的,还有7%是可检测的(但不可纠正)。这种效率是这些故障的单比特类型的结果,然后通过内置的【形】ECC的单错误校正和双错误检测(SECDED)设计有效地覆盖这些故障。最后,受上述实验观察的启发,我们评估了基于FPGA的神经网络(NN)加速器在低电压操作下的性能,同时利用内置的【形】ECC来减轻欠转故障,从而防止NN显著的精度损失。因此,我们通过低于最小安全电压电平的欠电压实现了40%的BRAM省电,由于内置的【形】ECC的大量故障覆盖,NN精度损失可以忽略不计。
2019-03-29 cs.AR cs.LG
Analyzing the Single Event Upset Vulnerability of Binarized Neural Networks on SRAM FPGAs
本文通过统计故障注入实验,系统分析了SRAM FPGA上二值化全连接神经网络加速器对单粒子翻转的脆弱性,发现BNN对软错误具有固有弹性,仅少量SEU会导致系统崩溃或误分类。
2024-04-02 cs.AR
Power and Accuracy of Multi-Layer Perceptrons (MLPs) under Reduced-voltage FPGA BRAMs Operation
在本文中,我们利用现场可编程门阵列(FPGA)的块RAM(BRAM)的积极电源电压降阶技术,以提高多层感知器(MLP)的能源效率。此外,我们还评估和改进了这种加速器的弹性。通过在几个代表性FPGA结构上的实验,我们观察到,直到最小安全电压电平,即,Vmin时,MLP精度不受影响。该安全区域涉及大的电压保护带。此外,它涉及一个较窄的电压区域,其中由于电路延迟的增加,故障开始出现在存储器中,但这些故障被MLP掩盖,因此,其精度不受影响。然而,由于快速增加的高故障率,进一步的欠转会导致显著的精度损失。基于这些欠转故障的特征,我们提出了故障缓解技术,可以有效地提高这种加速器的弹性行为。我们的评估是基于四个FPGA平台。平均而言,我们实现了90%以上的节能,精度损失可忽略不计,最高为0.1%。
2020-05-10 cs.AR eess.SP
Reliability-Aware Overlay Architectures for FPGAs: Features and Design Challenges
FPGA覆盖结构主要是为了提高设计效率、电路可移植性和系统调试能力而提出的。在本文中,我们解决了使用覆盖架构构建容错SRAM为基础的FPGA系统,并讨论了可靠性感知的覆盖架构的主要特点和设计挑战。
2016-06-21 cs.AR
Platform-Aware FPGA System Architecture Generation based on MLIR
本文提出基于MLIR的Olympus方言及Olympus-opt分析与转换遍,实现平台感知的系统级FPGA架构自动生成与优化,减少人工集成工作并提升可扩展性与可复用性。
2023-09-22 cs.AR
A Novel Method for Soft Error Mitigation in FPGA using Adaptive Cross Parity Code
与专用集成电路(ASIC)相比,现场可编程门阵列(FPGA)在存在辐射和其他环境危害的情况下更容易受到瞬态故障的影响。因此,错误缓解和恢复技术是绝对必要的,以保护FPGA硬件从软错误所产生的,由于这种瞬态故障。提出了一种基于自适应交叉奇偶检验(ACPC)码的FPGA多位纠错方法。ACPC易于实现,所需的解码电路也很简单。在所提出的方案中,总的配置存储器分为两部分。一部分将包含ACPC硬件,它是静态的,并假定不受任何错误的影响。其他部分将存储用于逻辑的二进制文件,其将被保护免受瞬时错误,并且被假定为是动态可重配置的(部分可重配置区域)。来自辅助存储器的二进制文件通过ACPC硬件,并且在进入可重配置部分之前计算用于前向纠错(FEC)字段的位。在运行时场景中,来自配置存储器的动态可重配置部分的数据将被读回并通过ACPC硬件传递。ACPC硬件将在数据进入动态配置存储器之前纠正错误。我们提出了第一种新的瞬态故障校正方法,使用ACPC代码的FPGA。为了验证设计,我们用Kintex FPGA测试了所提出的方法。我们还测量了不同的参数,如关键路线,功耗,开销资源和纠错效率来估计我们提出的方法的性能。
2015-09-23 cs.AR
A Benchmarking Platform for DDR4 Memory Performance in Data-Center-Class FPGAs
本文提出一种新颖的基准测试平台,通过运行时定义复杂访问模式和灵活实例化支持多通道与多速率,有效评估数据中心级FPGA中的DDR4内存性能。
2025-07-01 cs.AR
Techniques for Fast Transient Fault Grading Based on Autonomous Emulation
极深亚微米和纳米技术显著提高了集成电路(IC)对辐射的敏感性。软错误是目前工作在地表的集成电路中普遍存在的问题。目前,在许多应用中需要硬化电路,而在这些应用中,容错(FT)在不久的过去并不是一个要求。使用平台FPGA进行单粒子翻转效应(SEU)的仿真,以加快FT评估的关注。在这项工作中,提出了一种新的仿真系统FT评估方面的SEU效应,提供更短的评估时间,在FPGA中执行所有的评估过程,避免仿真器主机通信瓶颈。
2007-10-25 cs.AR
High speed fault tolerant secure communication for muon chamber using fpga based gbt emulator
压缩重子物质(CBM)实验是位于达姆施塔特的GSI反质子和离子研究设施(FAIR)的一部分。CBM实验将利用核-核碰撞研究高度压缩的核物质。该实验将研究固定靶几何中的重离子碰撞,并将能够测量强子、电子和μ子。CBM需要精确的时间同步、紧凑的硬件、辐射耐受性、自触发的前端电子设备、有效的数据聚合方案和处理高数据率(高达几TB/s)的能力。作为在印度实现MUCH读出链的一部分,我们尝试在印度实现基于FPGA的GBTx仿真器。GBTx是一种耐辐射ASIC,可用于实现高能物理(HEP)实验的多用途高速双向光链路,由CERN开发。GBTx将用于高辐射地区,更容易受到多比特错误的影响。为了减轻这种影响,而不是单比特纠错RS码,我们使用了两个比特纠错(15,7)BCH码。这将增加冗余,这反过来又增加了编码数据的可靠性。因此,编码后的数据将不太容易受到辐射噪声的影响。数据将通过通信通道通过多个节点从探测器传输到PC。为了使数据通信安全,在信道编码之后使用高级加密标准(AES -对称密钥加密)和RSA(非对称密钥加密)。
2015-05-18 cs.AR
Testing and Fault Tolerance Techniques for CNT-Based FPGAs
Beihang University(北京航空航天大学);Technical University of Munich (TUM)(慕尼黑工业大学);Shenzhen Institute of Beihang University(北京航空航天大学深圳研究院)
本文针对碳纳米管FPGA中MWCNT互连延迟故障和m-CNT相关故障,提出基于环形振荡器的测试技术、进位链测试方法、LUT改进设计、m-CNT检测算法及冗余备用行共享架构,实现测试时间减少35.49%并有效提升良率。
2025-09-18 cs.AR cs.SY eess.SY
Towards Power Efficient DNN Accelerator Design on Reconfigurable Platform
现场可编程门阵列(FPGA)的指数级出现加速了深度神经网络(DNN)硬件实现的研究。在所有DNN处理器中,特定领域的架构,例如Google的张量处理器单元(TPU),已经超过了传统的GPU。然而,在可重构硬件中实现TPU应该强调节能以满足绿色计算的要求。电压缩放是一种流行的节能方法,在FPGA中可能有点关键,因为如果不以适当的方式进行,它可能会导致时序故障。在这项工作中,我们提出了一个超低功耗FPGA实现的TPU边缘应用。我们将TPU的收缩阵列划分为不同的FPGA分区,其中每个分区使用不同的近阈值(NTC)偏置电压来运行其FPGA内核。每个分区的偏置电压粗略计算所提出的静态计划。然而,偏置电压的进一步校准是通过所提出的运行时间方案来完成的。基于乘法累加器(MAC)不同设计路径的最小松弛值的四种聚类算法研究了FPGA的划分。为了克服由NTC引起的定时故障,具有较高最小松弛的MAC被放置在较低电压分区中,并且具有较低最小松弛路径的MAC被放置在较高电压分区中。该架构在商业平台Vivado和学术平台VTR中进行了仿真,Vivado采用Xilinx Artix-7 FPGA,VTR采用22 nm、45 nm、130 nm FPGA。仿真结果证实了电压缩放TPU在FPGA中的实现,也证明了其功率效率。
2022-02-14 cs.AR
FPGA-based real-time 105-channel data acquisition platform for imaging system
本文针对毫米波成像系统,设计了一种基于FPGA的105通道实时的【形】成像数据采集平台。并实现了PC平台对成像结果的监控。毫米波成像通过让我们在能见度差的条件下看到事物来扩展我们的视野。有了这种扩展的视觉能力,广泛的军事成像任务将受益,如监视,精确定位,导航和救援。本项目将在前期设计的成像仪模块的基础上,继续完成以下信号处理系统的PCB设计(包括原理图和布局),包括可编程增益放大器(PGA)(每个ADC 4个PGA)和16通道模数转换器(ADC)(共7个ADC)。然后在Artix-7 35 T Arty FPGA上进行系统验证,开发适当的控制代码,配置ADC,实现FPGA与PC机之间的通信(通过以太网和以太网)。对于验证部分,将首先在具有简单模拟输入(由电阻分压器生成)的试验板上执行简单测试。PCB设计完成后,整个系统将再次测试与精确的参考和模拟输入。
2017-02-08 cs.AR
Improving Reliability, Security, and Efficiency of Reconfigurable Hardware Systems
在这篇论文中,我研究的方法,以提高效率,可靠性和安全性的可重构硬件系统,即,介绍了FPGA通过局部动态重构的方法。可重构系统的效率可以通过在FPGA结构上动态加载优化的数据路径来提高。该技术被应用于大型数据库应用程序以及图像和信号处理应用程序的SQL查询加速。重点不仅是性能改进和资源效率,而且能源效率也得到了显著提高。在可靠性方面,研究了针对长任务时间辐射引起的故障和老化效应的对策,并将其应用于基于SRAM-FPGA的卫星系统。最后,为了提高基于FPGA的加密实现的安全性,以防止物理攻击,即,侧通道和故障注入分析以及逆向工程的基础上,提出了利用动态部分重构将静态电路结构转化为动态电路结构的方法。
2018-09-28 cs.AR
BearingPGA-Net: A Lightweight and Deployable Bearing Fault Diagnosis Network via Decoupled Knowledge Distillation and FPGA Acceleration
Harbin Institute of Technology(哈尔滨工业大学);The Hong Kong Polytechnic University(香港理工大学);Analog Devices, Inc.(亚德诺公司);The Chinese University of Hong Kong(香港中文大学)
本文提出轻量级可部署的轴承故障诊断模型BearingPGA-Net,通过解耦知识蒸馏训练并使用Verilog设计FPGA加速方案,首次在FPGA上部署基于CNN的此类模型,诊断速度较CPU提升超200倍且性能下降低于0.4%。
2023-07-31 cs.AI cs.AR cs.LG
JackHammer: Efficient Rowhammer on Heterogeneous FPGA-CPU Platforms
经过多年的发展,FPGA终于出现在多租户云服务器上。这些异构的FPGA-CPU架构打破了关于隔离和安全边界的常见假设。由于FPGA和CPU架构共享硬件资源,新的一类漏洞要求我们重新评估这些平台的安全性和可靠性。在这项工作中,我们分析了内存和高速缓存子系统,并研究Rowhammer和高速缓存攻击,使两个异构的FPGA-CPU平台由英特尔:Arria 10 GX与集成的FPGA-CPU平台,和Arria 10 GX PAC扩展卡,通过PCIe接口将FPGA连接到CPU。我们表明,虽然英特尔PAC目前是免疫从FPGA到CPU的高速缓存攻击,集成平台确实容易受到从FPGA到CPU的最后一级高速缓存的Prime和Probe风格的攻击。此外,我们展示了JackHammer,一种新颖而高效的Rowhammer从FPGA到主机的主存储器。我们的研究结果表明,恶意的FPGA可以执行两倍的速度从CPU在同一系统上的典型Rowhammer攻击,并导致约四倍的CPU攻击位翻转。我们通过对WolfSSL RSA签名实现的实际故障攻击证明了FPGA的JackHammer的有效性,该攻击在平均58个RSA签名后可靠地导致故障,比CPU rowhammer攻击快25%。在某些情况下,我们的JackHammer攻击产生错误签名的频率是传统CPU Rowhammer攻击的三倍以上,速度几乎是传统CPU Rowhamm…
2020-04-04 cs.AR cs.CR
An Implementation of a Dual-Processor System on FPGA
本文提出并实现了一种基于FPGA的紧耦合双处理器平台,采用Nios II 32位软核架构,优化资源利用并研究缓存设计等问题,通过对比单双处理器配置及行业标准CPU平台验证了其性能。
2023-05-21 cs.AR
Error Detection Schemes for Barrett Reduction of CT-BU on FPGA in Post Quantum Cryptography
针对后量子密码Kyber硬件实现易受故障注入攻击的问题,提出三种基于重计算的Barrett约简故障检测方法,其中新算法RESWO延迟更低且三者检测效率均接近100%。
2025-09-04 cs.AR cs.CR
HitGNN: High-throughput GNN Training Framework on CPU+Multi-FPGA Heterogeneous Platform
随着真实世界图形的大小增加,训练图神经网络(GNN)变得非常耗时,并且需要加速。虽然以前的工作已经证明了利用FPGA加速GNN训练的潜力,但由于硬件专业知识和大量开发工作的必要性,很少有工作可以用多个FPGA加速GNN训练。为此,我们提出了HitGNN,这是一个框架,使用户能够轻松地将GNN训练工作负载映射到CPU-Multi-FPGA平台上以进行加速。特别是,HitGNN将用户定义的同步GNN训练算法、GNN模型和平台元数据作为输入,基于平台元数据确定设计参数,并自动执行到CPU+Multi-FPGA平台的硬件映射。HitGNN由以下构建块组成:(1)高级应用编程接口(API),允许用户仅用几行代码指定各种同步GNN训练算法和GNN模型;(2)软件生成器,生成执行小批量采样的主机程序,管理CPU-FPGA通信,并处理FPGA之间的工作负载平衡;(3)加速器生成器,其生成具有优化的数据路径和存储器组织的GNN内核。我们表明,现有的同步GNN训练算法,如DistDGL和PaGraph,可以很容易地部署在一个CPU+多FPGA平台上使用我们的框架,同时实现高训练吞吐量。与在多GPU平台上加速同步GNN训练的最先进框架相比,HitGNN实现了高达27.21倍的带宽效率,以及高达4.26倍的加速比,使用比GPU少得多的计算能力和内存带宽。此外,HitGNN在CPU+Multi-FPGA平台…
2023-03-02 cs.AR cs.DC
Blink: Fast Automated Design of Run-Time Power Monitors on FPGA-Based Computing Platforms
本文提出可扩展框架Blink,通过用行为仿真和直接功耗轨迹测量替代耗时的门级仿真,实现了基于FPGA计算平台的运行时功耗监控基础设施的快速自动化设计,在保证估计质量的同时将求解时间平均加速18倍。
2025-01-29 cs.AR
Combining Fault Tolerance Techniques and COTS SoC Accelerators for Payload Processing in Space
面向空间载荷处理,本文研究 Zynq FPGA 与 Myriad VPU 两类 COTS 加速器的容错方案,并设计基于 CIF/LCD 与自定义 CRC 的可靠协同接口。
2025-06-15 cs.AR
FpgaHub: Fpga-centric Hyper-heterogeneous Computing Platform for Big Data Analytics
FpgaHub提出以FPGA为中心的超异构计算平台,利用可重构计算和丰富IO接口作为数据与控制枢纽,协同CPU、GPU、DPU等处理器,以突破专用硬件IO限制并提升大数据分析性能。
2025-03-12 cs.AR cs.DC
RISCBench: Benchmarking RISC-V Orchestration Efficiency in FPGA and FPGA-Like Computing Engines
University of Florida(佛罗里达大学);Flapmax;NSF Center for Space, High-Performance & Resilient Computing(美国国家科学基金会太空、高性能与弹性计算中心)
RISCBench提出了一种量化RISC-V编排效率的基准测试方法,通过持续即时吞吐量指标评估异构系统和AI推理中的编排效率。
2025-12-27 cs.AR
Emulated Integrity Replica: Enabling Self-Healing on FPGA SoCs via Hierarchical Twins
North Carolina State University(北卡罗来纳州立大学);George Washington University(乔治华盛顿大学)
研究在FPGA SoC上实现容错的难题,提出分层数字孪生框架EIR,利用处理系统空闲周期承载互补孪生实现自主故障检测和恢复,实验表明其在故障覆盖率、能量和面积方面优于DMR基线,为弹性边缘AI部署提供实用途径。
2026-07-15 cs.AR cs.CY
Low-latency Mini-batch GNN Inference on CPU-FPGA Heterogeneous Platform
图神经网络的小批量推理是许多实际应用中的关键问题。最近,GNN的设计原则,模型深度-感受野解耦已被提出来解决众所周知的问题的邻域爆炸。解耦的GNN模型比原始模型实现了更高的准确性,并表现出出色的小批量推理可扩展性。我们将解耦的GNN映射到CPU-FPGA异构平台上,以实现低延迟的小批量推理。在FPGA平台上,我们设计了一种新的GNN硬件加速器,具有自适应数据路径,称为自适应计算内核(ACK),可以低延迟执行GNN的各种计算内核:(1)对于表示为矩阵乘法的密集计算内核,ACK作为具有完全局部连接的脉动阵列工作,(2)对于稀疏计算内核,ACK遵循分散-聚集范式,并作为多个并行管道来支持图的不规则连接。所提出的任务调度隐藏了CPU-FPGA数据通信开销,以减少推理延迟。我们开发了一个快速的设计空间探索算法,为多个目标GNN模型生成一个加速器。我们实现了我们的加速器在一个国家的最先进的CPU-FPGA平台,并使用三个代表性的模型(GCN,GraphSAGE,和GAT)的性能进行评估。结果表明,我们的CPU-FPGA实现了$21.4-50.8\times$,$2.9-21.6\times$,$4.7\times$延迟减少相比,最先进的实现在CPU的唯一,CPU-GPU和CPU-FPGA平台。
2022-06-17 cs.AR cs.DC
The Feasibility of Implementing Large-Scale Transformers on Multi-FPGA Platforms
University of Toronto(多伦多大学)
本文探讨了在多FPGA平台上实现大规模Transformer的可行性,通过开发可扩展的多FPGA平台和映射工具,成功以6个FPGA实现I-BERT编码器作为概念验证,证明FPGA在大型机器学习应用中具潜力。
2024-04-24 cs.AR cs.DC cs.LG
A Survey of FPGA-Based Neural Network Accelerator
最近的研究表明,神经网络在机器学习中比传统的基于手工特征和模型的算法具有显著的优势。神经网络在图像、语音和视频识别等领域得到了广泛的应用。但神经网络推理的高计算和存储复杂性给其应用带来了很大困难。CPU平台很难提供足够的计算能力。GPU平台以其高计算能力和易用的开发框架成为神经网络处理的首选平台。另一方面,基于FPGA的神经网络推理加速器也成为一个研究课题。通过专门设计的硬件,FPGA是下一个可能在速度和能效方面超越GPU的解决方案。已经提出了各种基于FPGA的加速器设计,其具有软件和硬件优化技术以实现高速和能量效率。本文综述了基于FPGA的神经网络推理加速器的研究进展,并对其中的主要技术进行了总结。从软件到硬件,从电路级到系统级,对基于FPGA的神经网络推理加速器的设计进行了全面的分析,为以后的工作提供了指导。
2018-12-06 cs.AR
A Reconfigurable Vector Instruction Processor for Accelerating a Convection Parametrization Model on FPGAs
高性能计算(HPC)平台使科学家能够对计算密集型算法进行建模。HPC集群越来越多地使用通用图形处理单元(GPGPU)作为加速器; FPGA提供了GPGPU作为协处理器的有吸引力的替代方案,但由于使用基于FPGA的平台时面临的许多挑战,它们仍然远未成为主流。我们的研究旨在使基于FPGA的高性能计算更容易为科学界所接受。在这项工作中,我们提出了一个特定的大气模型,Flexpart,在FPGA上的加速调查的结果。我们专注于加速这个模型中计算最密集的内核。我们工作的关键贡献是我们进行的架构探索,以达到一个解决方案,最好地利用遗留代码中可用的并行性,也方便编程,以便最终将高级遗留代码编译到我们的架构中可以完全自动化。我们提出了三种不同类型的架构,比较它们的资源利用率和性能,并提出一个架构,其中有一些计算核心,每个构建沿着一个向量指令处理器的线路,在这个特定的情况下工作得最好,是一个有前途的候选人的通用的基于FPGA的平台,用于科学计算。我们还提出了所提出的架构的各种配置参数的实验结果,以显示其实用性,在适应一系列的科学应用。
2015-04-17 cs.AR
Makinote: An FPGA-Based HW/SW Platform for Pre-Silicon Emulation of RISC-V Designs
本文介绍基于FPGA的Makinote平台,用于RISC-V设计硅前仿真,通过96个FPGA集群和FPGA外壳工具,实现大规模RTL仿真,性能较单FPGA提升8倍。
2024-02-05 cs.AR cs.PF
Neuromorphic Processor Employing FPGA Technology with Universal Interconnections
Oak Ridge National Laboratory(橡树岭国家实验室)
本文提出了一种基于FPGA的低成本神经形态处理器,支持全连接可配置连接和LIF神经元模型,通过开源方式为实时推理应用提供高效且灵活的解决方案。
2025-12-11 cs.AR
Network Function Virtualization based on FPGAs:A Framework for all-Programmable network devices
网络功能虚拟化(NFV)是指使用商用硬件资源作为基本平台来执行与专用硬件设备相对的专用网络功能。目前,NFV主要基于通用处理器或通用网络处理器来实现。在本文中,我们提出使用FPGA作为NFV的理想平台,可用于提供虚拟化的灵活性和专用硬件的高性能。我们提出了在网络处理应用中使用FPGA动态重新配置以提供灵活的网络功能的早期尝试,并提出了基于FPGA的NFV平台的机会。
2014-06-02 cs.AR cs.NI
Evaluating Computing Platforms for Sustainability: A Comparative Analysis of FPGAs against ASICs, GPUs, and CPUs
Arizona State University(亚利桑那州立大学)
本文通过GreenFPGA工具评估FPGA在不同计算平台下的可持续性,分析其在特定部署条件下比ASICs、GPU和CPU更环保的潜力。
2026-04-22 cs.AR cs.ET
Efficient Approaches for GEMM Acceleration on Leading AI-Optimized FPGAs
针对两款主流AI优化型FPGA架构差异大的问题,本文提出适配各自架构特性的GEMM优化系统框架,在int8精度下实现了高吞吐量与能效,并给出优化指导与可编程性权衡分析。
2024-04-17 cs.AR
A Self-Reconfigurable Computing Platform Hardware Architecture
现场可编程门阵列(FPGA)近来越来越多地用于计算密集型任务的高度并行处理。本文介绍了一种基于PC的FPGA硬件平台架构,允许通过PCI总线快速重新配置,并保留了简单的物理硬件设计。首先讨论了设计考虑因素,然后说明了由此产生的系统架构设计。最后,实验结果的FPGA资源用于本设计。
2004-11-20 cs.AR cs.DC
GraVF-M: Graph Processing System Generation for Multi-FPGA Platforms
由于大多数图数据集中连接的不规则性,跨不共享公共存储器的多个计算节点划分图分析算法不可避免地导致大量互连流量。先前的研究表明,FPGA可以在共享内存环境中超越基于软件的图形处理,但这种优势是否可以在分布式系统中保持仍然是一个悬而未决的问题。在这项工作中,我们提出了GraVF-M,一个框架,旨在简化实现基于FPGA的图形处理加速器的多FPGA平台与分布式存储器。该框架基于对算法内核的轻量级描述,自动生成整个多FPGA设计的优化RTL代码。我们利用编程模型的一个方面,向用户提供一个熟悉的消息传递范例,同时在引擎盖下实现一个更有效的架构,可以减少必要的FPGA间网络流量的一个因素,等于输入图的平均度。基于对影响绩效的因素进行理论分析的绩效模型可以评估我们实施的效率。在4-FPGA系统上,吞吐量高达5.8 GTEPS(每秒遍历数十亿条边),GraVF-M生成的设计与文献中最先进的框架相比毫不逊色,达到了系统预计性能极限的94%。
2019-10-14 cs.AR cs.DC
HERO: Heterogeneous Embedded Research Platform for Exploring RISC-V Manycore Accelerators on FPGA
异构嵌入式片上系统(HESoCs)将标准主机处理器与可编程众核加速器(PMCAs)共同集成,以将通用计算与特定领域的高效处理能力相结合。虽然领先的公司成功地推进了他们的HESoC产品,但由于构建一个将行业标准主机处理器与开放式研究PMCA架构相结合的原型平台的挑战,研究滞后。在这项工作中,我们介绍了HERO,一个基于FPGA的研究平台,结合了PMCA组成的RISC-V内核集群,实现为FPGA结构上的软核,与硬ARM Cortex-A多核主机处理器。映射到FPGA上的PMCA架构是经过硅验证的、可扩展的、可配置的和完全可修改的。HERO包括一个完整的软件堆栈,其中包括一个支持OpenMP加速器编程的异构交叉编译工具链、一个Linux驱动程序以及用于主机和PMCA的运行时库。HERO旨在促进对所有软件和硬件层的快速探索:运行时行为可以通过跟踪事件进行准确分析,修改可以通过完全自动化的硬件和软件构建和执行测试进行验证。我们通过我们研究中的案例研究证明了HERO的有用性。
2017-12-18 cs.AR cs.DC
FPGA Implementation of a Reconfigurable Viterbi Decoder for WiMAX Receiver
现场可编程门阵列技术(FPGA)是一种高度可配置的选项,可用于在软件定义无线电(SDR)中实现许多复杂的信号处理任务。这些类型的无线电使用高度可配置的硬件平台来实现。卷积码广泛应用于各种数字通信系统中,而在无线通信中,卷积码的译码通常采用维特比算法。这样的解码器是复杂的并且消耗大量的功率。本文介绍了一种适用于WiMAX接收机的低功耗可重构Viterbi译码器,并给出了FPGA实现的VHDL代码。所提出的设计是在Xilinx Virtex-II Pro,XC 2 Vpx 30 FPGA上实现的,使用FPGA Advantage Pro软件包由Mentor Graphics提供,ISE 10.1由Xilinx提供。
2010-07-26 cs.AR
FPGAs (Can Get Some) SATisfaction
针对处理器/FPGA混合平台,本文提出通过运行时热插拔子句分配利用细粒度并行的开源硬件加速SAT求解器,公式规模仅受外部内存限制,并在Xilinx Zynq上取得最高6倍加速。
2023-12-18 cs.AR
A Foray into Efficient Mapping of Algorithms to Hardware Platforms on Heterogeneous Systems
与同质计算相比,异构计算可能会显着提高性能和每瓦性能,但问题是“算法到架构的理想映射是什么?””仍然是一个开放的。在过去的几年中,新型的计算设备,如FPGA,已经进入一般计算使用。在这项工作中,我们试图通过比较内核性能和性能每瓦的七个关键算法,根据伯克利的侏儒分类法添加到科学知识的身体。我们使用Rodinia基准测试套件对来自CPU、GPU和FPGA系列的三种不同高端硬件架构代表进行测试。我们发现的结果,支持架构和性能每瓦之间的一些不同的映射。也许最有趣的发现是,对于我们特定的硬件代表,FPGA应该被视为GPU和CPU在几个关键算法中的替代品:N体模拟,密集线性代数和结构化网格。
2016-05-23 cs.AR
EasyDRAM: An FPGA-based Infrastructure for Fast and Accurate End-to-End Evaluation of Emerging DRAM Techniques
EasyDRAM是一个基于FPGA的框架,通过支持C++高级语言和创新的时间缩放技术,实现快速准确的DRAM技术端到端评估,克服了硬件描述语言门槛和频率差异挑战。
2025-06-23 cs.AR
A Terabit Hybrid FPGA-ASIC Platform for Switch Virtualization
5G等技术的推出以及骨干网络对多太比特带宽的需求,要求网络公司进行大量投资,以满足不断增长的服务需求。为了降低资本支出和加快上市时间,公司可以求助于任何服务提供商来租赁虚拟资源。然而,现有的虚拟化技术仍然落后于下一代网络的需求。本文通过引入混合FPGA-ASIC架构来虚拟化可编程转发平面,打破了太比特障碍。与现有的解决方案相比,我们的架构涉及一个ASIC,该ASIC在能够完全和部分重新配置的FPGA中运行的可编程虚拟交换机之间多路复用网络流,从而实现虚拟交换机热插拔。我们的评估表明,交换机虚拟化架构的可行性,能够实现3.2 Tbps的综合吞吐量,具有高达26个虚拟交换机实例并行低资源占用开销。
2021-05-20 cs.AR cs.NI
Security Risks Due to Data Persistence in Cloud FPGA Platforms
本文针对云FPGA平台中DRAM数据残留的安全风险,研究OCT测试床中Alveo U280节点的DRAM数据持久性,发现用户登出后DDR4 DRAM未自动清零,后续用户17分钟后仍可获取数据,对多租户云FPGA系统安全具有重要警示意义。
2024-08-19 cs.AR cs.CR cs.DC
Recent Developments in Transformer Inference Deployment on FPGA Platforms: A Survey
University of Twente(特温特大学);Faculty of Engineering Technology, University of Twente(特温特大学工程技术学院)
该综述针对Transformer推理部署需求,分析FPGA平台的最新进展、设计选择与优化技术,为学术界和工业界研究人员提供指南。
2026-09-02 cs.AR cs.LG
Eventor: An Efficient Event-Based Monocular Multi-View Stereo Accelerator on FPGA Platform
Beihang University(北京航空航天大学);Xidian University(西安电子科技大学);Beijing Real Imaging Medical Technology Co., Ltd.(北京真实影像医疗科技有限公司);The Chinese University of Hong Kong(香港中文大学)
事件摄像机是生物启发的视觉传感器,它异步地将像素级亮度变化表示为事件流。基于事件的单目多视图立体视觉(EMVS)是一种利用事件流来估计具有已知轨迹的半密集3D结构的技术。这是基于事件的单目SLAM的关键任务。然而,所需的密集的计算工作量使得它具有挑战性的实时部署在嵌入式平台上。在本文中,Eventor被提出作为一个快速和有效的EMVS加速器,通过实现最关键和最耗时的阶段,包括事件反投影和体积射线计数在FPGA上。通过FPGA专门设计了高度可扩展和完全流水线的处理单元,并将其与嵌入式ARM集成为异构系统,以提高吞吐量并减少内存占用。同时,通过重新调度、近似计算和混合数据量化等方法,对EMVS算法进行了改进。在DAVIS数据集上的评估结果表明,Eventor与Intel i5 CPU平台相比,在能效方面实现了高达$24\times$的提升。
2022-06-07 cs.AR cs.CV
FastFlow in FPGA Stacks of Data Centers
针对数据中心 FPGA 堆栈并行编程复杂的问题,本文扩展 FastFlow 并结合 Vitis,通过 csv 参数自动生成主机端代码,显著提升可扩展性并减少 96% 编码工作量。
2024-09-30 cs.AR
FsimNNs: An Open-Source Graph Neural Network Platform for SEU Simulation-based Fault Injection
University of Potsdam(波茨坦大学)
针对基于仿真的SEU故障注入因电路复杂度提升导致计算成本激增的问题,本工作提出开源平台FsimNNs,利用含ASPP和注意力机制的三种STGNN架构加速仿真,构建多复杂度电路数据集并开源,提升SEU故障仿真效率与基准支持。
2025-11-12 cs.AR
Real Time FPGA Based CNNs for Detection, Classification, and Tracking in Autonomous Systems: State of the Art Designs and Optimizations
本文全面综述了FPGA上部署CNN实现视觉任务的最新进展,涵盖算法优化、硬件平台、开发工具、混合加速架构及软硬件协同设计,为边缘嵌入式低功耗高性能视觉系统开发提供参考。
2025-09-04 cs.AR
Design and implementation of real time AES-128 on real time operating system for multiple FPGA communication
安全性是数据通信系统中最重要的组成部分,密钥的随机性增加了密码算法的复杂性和安全性。因此,在最近的日期,这些算法正在补偿与巨大的存储空间和大量的硬件平台上的执行时间。现场可编程门阵列(FPGA)由于其可重构性、低价格和快速上市等优点,成为硬件平台的主要选择之一。在基于FPGA的嵌入式系统中,我们可以使用嵌入式处理器来执行特定的算法,并包含一个实时的操作系统(RTOS),其中线程可以减少资源利用率和时间消耗。该方法将运行时的进程划分为不同的小任务,由调度器执行,以满足实时操作系统的实时的截止时间。在Xilkernel实时操作系统Xilinx Spartan- 3E(XC 3S 500 E-FG 320)上,设计并实现了一个128位的高级加密标准(AES)对称密钥加密和解密算法,并通过了测试,优化了系统的执行速度和硬件利用率。
2012-05-10 cs.AR
An Infrastructure to Functionally Test Designs Generated by Compilers Targeting FPGAs
本文提出了一种测试的基础设施,由一个高层次的编译器针对动态可重构硬件输出的特定体系结构的功能。它的结果在一个合适的计划,以验证编译器生成的架构,每次新的优化技术被包括或在编译器中的变化被执行。我们相信,这种基础设施是重要的验证,功能仿真,进一步研究技术,就编译到现场可编程门阵列(FPGA)平台而言。
2007-10-25 cs.AR
HALF: Holistic Auto Machine Learning for FPGAs
University of Kaiserslautern(凯泽斯劳滕大学);Fraunhofer ITWM(弗劳恩霍夫工业数学研究所)
深度神经网络(DNN)能够解决与嵌入式系统相关的领域中的复杂问题,例如图像和自然语言处理。为了针对给定的成本标准(例如,能量效率)在特定的FPGA平台上有效地实现DNN,从拓扑结构到最终的硬件实现,必须考虑大量的设计参数。必须考虑并有效探索不同设计层之间的相互依赖性,这使得手动找到优化解决方案变得几乎不可能。自动化、整体化的设计方法可以显著提高DNN在FPGA上的实现质量。为此,我们提出了一个跨层的设计空间探索方法。它包括从DNN的硬件感知拓扑搜索开始到给定FPGA平台的最终优化实现的优化。该方法在我们的FPGA整体自动机器学习(HALF)框架中实现,该框架结合了进化搜索算法,各种优化步骤和可参数化硬件DNN模块库。HALF可在目标FPGA平台上针对各种应用自动执行探索过程和优化解决方案的实施。我们在心律失常检测的医疗用例中展示了HALF的性能,分别用于三种不同的设计目标,即低功耗、低功耗和高吞吐量。我们的FPGA实现在吞吐量和能耗方面都优于Nvidia Jetson平台上的TensorRT优化模型。
2021-10-20 cs.AR cs.LG
VolTune: A Fine-Grained Runtime Voltage Control Architecture for FPGA Systems
Intelligent Platforms Research Institute National Institute of Advanced Industrial Sciences
本文提出VolTune架构,通过FPGA内置控制逻辑实现运行时电压调节,平衡低延迟与可编程性,实验显示在10Gbps下实现约29.3%的供电功率降低。
2026-03-27 cs.AR
FusionAccel: A General Re-configurable Deep Learning Inference Accelerator on FPGA for Convolutional Neural Networks
深度学习加速器是加速深度学习网络计算的方法之一,主要基于卷积神经网络加速。针对并行卷积神经网络加速器并非完全开源和平台排他性的问题,提出了一种可扩展的卷积神经网络加速器硬件架构FusionAccel。它可以适应不同的网络结构,并可以在编译前重构和在运行时重新配置。本文在Xilinx Spartan-6 FPGA上实现了RTL级卷积神经网络加速器的设计和功能验证。结果与Caffe-CPU相同。由于整个项目是基于RTL的,所以在替换了一些FPGA专用的IP后,可以移植到ASIC上。
2019-07-04 cs.AR
iELAS: An ELAS-Based Energy-Efficient Accelerator for Real-Time Stereo Matching on FPGA Platform
Beijing Institute of Technology(北京理工大学);PerceptIn Inc(PerceptIn公司)
立体匹配是机器人导航和自主车辆的一项重要任务,它提供了对周围环境的深度估计。在所有的立体匹配算法中,高效大规模立体(ELAS)提供了效率和准确性之间的最佳权衡之一。然而,由于固有的迭代过程和不可预测的内存访问模式,ELAS只能在高端CPU上以1.5-3 fps的速度运行,并且难以在低功耗平台上实现实时的【形】性能。本文提出了一种基于FPGA的实时的【形】ELAS立体匹配的节能架构。此外,原来的计算密集和不规则的三角剖分模块进行了改革,在规则的方式与点插值,这是更硬件友好。进一步利用包括存储管理、并行性和流水线的优化来减少存储器占用并提高吞吐量。与Intel i7 CPU和最先进的CPU+FPGA实现相比,我们的FPGA实现分别实现了高达38.4倍和3.32倍的帧速率提升,以及高达27.1倍和1.13倍的能效提升。
2021-04-11 cs.AR cs.CV cs.RO
Workload-Aware Opportunistic Energy Efficiency in Multi-FPGA Platforms
具有高计算和可扩展性需求的大数据应用的持续增长导致了云计算的日益普及。因此,优化云资源的性能和功耗对于降低数据中心的成本至关重要。近年来,多FPGA平台作为低成本但高性能的解决方案,特别是作为加速引擎,在数据中心获得了广泛的关注,这要归功于它们提供的高度并行性。尽管如此,数据中心工作负载的大小在服务期间会发生变化,导致计算资源严重利用不足,同时消耗大量电力,这成为数据中心效率低下的关键因素,无论底层硬件结构如何。在本文中,我们提出了一个有效的框架来节流多FPGA平台的功耗动态缩放的电压和频率在运行时根据预测,并调整工作负载水平,同时保持所需的服务质量(QoS)。这与仅按比例缩放(即,功率门控)计算节点或频率。所提出的框架仔细利用了一个预表征库的延迟电压,和功率电压的FPGA资源,我们表明是必不可少的,以获得有效的工作点,由于不同的灵敏度的资源w.r.t.电压缩放,特别是考虑到驻留在这些器件中的多个电源轨。我们通过实现最先进的深度神经网络加速器进行的评估显示,平均功耗降低4.0倍,所提出的框架超过了以前的工作33.6%(高达83%)。
2019-10-29 cs.AR cs.PF