Vergleich von Machine Learning Implementierungen auf SoCs / FPGAs

DEIN PROJEKT IM ÜBERBLICK
FPGAs werden immer häufiger direkt an der Sensorik fürs „Preprocessing“ verwendet, um die Merkmale direkt zu Beginn zu extrahieren und damit die Übertragungsmenge zu verringern.
Mittlerweile bietet jeder große FPGA-Hersteller ein eigenes Framework und spezialisierte IP-Cores für Machine Learning Anwendungen an. In dieser Arbeit sollen die verschiedenen Ansätze implementiert und verglichen werden.

Zusammengefasst

• Analyse der verfügbaren Machine Learning Frameworks für FPGAs
• Auswahl eines spezifischen Frameworks und FPGAs anhand von Kriterien
• Erstellung einer Machine Learning Pipeline für Training und Inferenz in Python
• Implementierung eines neuronalen Netzes mit Hilfe des Frameworks auf der gewählten FPGA-Plattform
• Ausführung des Netzes auf der FPGA-Plattform
• Messung der Performance des Netzes auf der FPGA-Plattform
• Optimierung des Netzes anhand der Messparameter
• Vergleich der Performance mit bestehenden Ansätzen

DAS BRINGST DU FÜR UNS MIT

• Du studierst Elektrotechnik, Informatik oder eine vergleichbare
  Studienrichtung
• Erste Erfahrung in der FPGA-Entwicklung mit VHDL oder SystemVerilog
• Grundlegende Kenntnisse in Machine Learning und Python
• Spaß an der Entwicklung zukünftiger SoC-Systemlösungen