Abordagem híbrida para otimização de redes neurais em FPGA sob restrições de projeto
Visualizar/abrir
Data
2026Autor
Orientador
Nível acadêmico
Graduação
Outro título
A hybrid approach for neural network optimization on FPGA under design constraints
Assunto
Resumo
O crescente uso de plataformas de computação na borda (Edge Computing) e Internet das Coisas (IoT) exige soluções capazes de executar redes neurais com baixa latência e alta eficiência energética. Contudo, a implementação de aceleradores em dispositivos Field- Programmable Gate Array (FPGA) deve atender simultaneamente a diversas restrições de projeto, como área disponível, consumo de potência, taxa de processamento em quadros por segundo (FPS) e acurácia do modelo. Embora frameworks como o FIN ...
O crescente uso de plataformas de computação na borda (Edge Computing) e Internet das Coisas (IoT) exige soluções capazes de executar redes neurais com baixa latência e alta eficiência energética. Contudo, a implementação de aceleradores em dispositivos Field- Programmable Gate Array (FPGA) deve atender simultaneamente a diversas restrições de projeto, como área disponível, consumo de potência, taxa de processamento em quadros por segundo (FPS) e acurácia do modelo. Embora frameworks como o FINN simplifiquem a geração do hardware customizado para redes neurais, o fluxo nativo dessas ferramentas apresenta eficácia limitada ao lidar de forma automatizada com múltiplas restrições concorrentes. Este trabalho propõe uma abordagem em duas etapas complementares para enfrentar esses desafios. A primeira etapa, denominada HARA (Hardware-Aware Resource Allocator), apresenta uma heurística consciente de recursos que ajusta o paralelismo apenas em camadas latência-críticas, respeitando orçamentos físicos pré-definidos. A segunda etapa, denominada PreDSE (Predictive Design Space Exploration), estende o HARA ao introduzir modelos de aprendizado de máquina capazes de prever os quatro recursos do FPGA (LUTs, FFs, BRAMs e DSPs). Ao integrar a poda estrutural ao espaço de busca e dispensar lentas simulações RTL e sínteses de hardware, o PreDSE viabiliza o co-design conjunto de modelo e arquitetura, reduzindo a complexidade da exploração empírica para O(𝐿). Avaliações experimentais atestam a confiabilidade dos preditores, com margens de erro entre 3,5% e 17,8% em cenários inéditos, o que proporciona um speedup empírico de até 128× no tempo de exploração, reduzindo buscas de dias para frações de hora. No nível do hardware, o PreDSE supera o fluxo nativo do framework FINN em cenários restritos, entregando acelerações de até 4,36× em throughput e viabilizando alvos de vazão inalcançáveis pelas heurísticas tradicionais, com uma redução de até 54% no consumo de BRAMs. Tais resultados demonstram a efetividade da abordagem para a implantação ágil de CNNs na borda. ...
Abstract
The growing use of Edge Computing platforms and the Internet of Things (IoT) demands solutions capable of executing neural networks with low latency and high energy efficiency. However, deploying accelerators on Field-Programmable Gate Array (FPGA) devices must simultaneously satisfy multiple design constraints, such as available area, power consumption, throughput in frames per second (FPS), and model accuracy. Although frameworks like FINN simplify the generation of custom hardware, their nat ...
The growing use of Edge Computing platforms and the Internet of Things (IoT) demands solutions capable of executing neural networks with low latency and high energy efficiency. However, deploying accelerators on Field-Programmable Gate Array (FPGA) devices must simultaneously satisfy multiple design constraints, such as available area, power consumption, throughput in frames per second (FPS), and model accuracy. Although frameworks like FINN simplify the generation of custom hardware, their native flows exhibit limited effectiveness when automatically dealing with multiple competing constraints. This work proposes a two-stage approach to address these challenges. The first stage, named HARA (Hardware-Aware Resource Allocator), presents a resourceaware heuristic that adjusts parallelism exclusively in latency-critical layers while adhering to predefined physical budgets. The second stage, named PreDSE (Predictive Design Space Exploration), extends HARA by introducing machine learning models capable of predicting the four primary FPGA resources (LUTs, FFs, BRAMs, and DSPs). By integrating structural pruning into the search space and bypassing slow RTL simulations and hardware syntheses, PreDSE enables the joint co-design of model and architecture, reducing the complexity of empirical exploration to O(𝐿). Experimental evaluations attest to the reliability of the predictors, yielding error margins between 3.5% and 17.8% in out-of-distribution scenarios, which provides an empirical speedup of up to 128× in exploration time, reducing searches from days to fractions of an hour. At the hardware level, PreDSE outperforms the native flow of the FINN framework in severely constrained scenarios, delivering throughput accelerations of up to 4.36× and unlocking throughput targets unreachable by traditional heuristics, alongside up to a 54% reduction in BRAM consumption. These results demonstrate the effectiveness of the proposed approach for the agile deployment of CNNs on the edge. ...
Instituição
Universidade Federal do Rio Grande do Sul. Instituto de Informática. Curso de Ciência da Computação: Ênfase em Engenharia da Computação: Bacharelado.
Coleções
-
TCC Ciência da Computação (1246)
Este item está licenciado na Creative Commons License


