Συντάχθηκε 09-09-2024 14:27
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 13/09/2024 10:00
Λήξη: 13/09/2024 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ιωάννη Καλομοίρη
με θέμα
Σχεδίαση και Υλοποίηση Αρχιτεκτονικής Συνελικτικών Νευρωνικών Δικτύων Βασισμένη σε Αναδιατασσόμενη Λογική για επί τόπου Επεξεργασία σε Δορυφόρο Δεδομένων από το Διαστημικό Τηλεσκόπιο Euclid
Design and Implementation of an FPGA-Based CNN Architecture for on-Board Satellite Processing of Data from the Euclid Space Telescope
Εξεταστική Επιτροπή
Καθηγητής Απόστολος Δόλλας (Επιβλέπων)
Αναπληρωτής Καθηγητής Σωτήριος Ιωαννίδης
Επίκουρος Καθηγητής Γρηγόριος Τσαγκατάκης (Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών)
Περίληψη
Τα Συνελικτικά Νευρωνικά Δίκτυα (ΣΝΔ) χρησιμοποιούνται ευρέως για διάφορες εργασίες τεχνητής νοημοσύνης και έχουν επιδείξει κορυφαίες επιδόσεις, ιδίως σε πολύπλοκα προβλήματα αναγνώρισης εικόνων. Οι ευρέως διαδεδομένες για αυτές τις εργασίες κάρτες γραφικών (GPU), αν και διαθέτουν μεγάλη υπολογιστική ισχύ, έχουν πολύ υψηλή κατανάλωση ενέργειας. Αυτό αποτελεί αποτρεπτικό παράγοντα για τη χρήση τους, ιδίως σε περιπτώσεις όπου είναι σημαντικό το μικρό ενεργειακό αποτύπωμα, όπως η επεξεργασία σήματος εντός συστημάτων. Στην παρούσα εργασία, παρουσιάζουμε μια αρχιτεκτονική FPGA που υλοποιήθηκε για το στάδιο συμπερασμού ενός συγκεκριμένου ΣΝΔ, το οποίο καθιστά δυνατή την εκτίμηση της ερυθράς μετατόπισης γαλαξιών από φασματοσκοπικές παρατηρήσεις, διαιρώντας το εύρος της ερυθράς μετατόπισης σε 800 κλάσεις. Η προτεινόμενη αρχιτεκτονική πέτυχε βελτίωση της ενεργειακής απόδοσης έως και 11,9 φορές, παράλληλα με βελτίωση της απόδοσης κατά 2,16 φορές σε σχέση με τις πλατφόρμες GPU. Τα αποτελέσματα προέρχονται από πραγματικές εκτελέσεις σε FPGAs, οι οποίες έχουν ισοδύναμα εξαρτήματα που έχουν πιστοποιηθεί για χρήστη στο διάστημα, επιτρέποντας έτσι την εκτέλεση ακριβούς εκτίμησης της ερυθράς μετατόπισης στο διάστημα με χαμηλό ενεργειακό κόστος, χωρίς την ανάγκη μετάδοσης ακατέργαστων δεδομένων στο έδαφος.
Abstract
Convolution Neural Networks (CNNs) have been widely employed for various AI tasks and have demonstrated state-of-the-art performance, especially in complex image recognition problems. The widely used for these tasks GPUs, although having a lot of computational power, come with very high power consumption. This is a deterrent factor for their usage, especially in cases where a small energy footprint is important, like on-board signal processing. In this thesis, we demonstrate an FPGA architecture implemented for the inference stage of a specific CNN, enabling the estimation of the galaxy redshift from spectroscopic observations by dividing the redshift range into 800 Classes. The proposed FPGA architecture achieved an improvement in energy efficiency of up to 11.9x alongside a 2.16x throughput speedup over GPU platforms. The results are from actual executions on FPGAs with space-qualified equivalent parts, enabling performing accurate redshift estimation in space with low energy cost, with no need for raw data transmission to the ground.
