An Ultra-Compact, BRAM-Free Streaming 2D Convolution Accelerator on Low-Power FPGAs
تقدم هذه الورقة مسرع التلافيف ثنائي الأبعاد (2D convolution) بنظام التدفق، فائق الصغر وخالٍ من ذاكرة البلوكات (BRAM-free)، لشرائح FPGA منخفضة الطاقة، والذي يستخدم سجلات إزاحة قائمة على جداول البحث (LUT-based shift registers) ومسار بيانات ضرب وتراكم (MAC) متسلسل (pipelined) لتحقيق إنتاجية عالية وأدنى استهلاك للموارد مع الحفاظ على دقة مطابقة للبتات (bit-exact accuracy) على نظام Xilinx Zynq-7020 SoC.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التكنولوجيا الحديثة، هناك دفع مستمر لجعل الأجهزة الذكية أصغر حجمًا، وأرخص ثمنًا، وقادرة على العمل ببطاريات متناهية الصغر. وقد أدى هذا التوجه إلى ظهور ما يسمى "حوسبة الحافة" (edge computing)، حيث تتم المهام المعقدة مثل التعرف على الوجوه أو اكتشاف الأشياء مباشرة على الكاميرا أو المستشعر، بدلاً من إرسال البيانات إلى خادم سحابي ضخم. والمحرك الرياضي وراء هذه الرؤية هو عملية تسمى "الالتفاف" (convolution)، والتي تعمل كمرشح ينزلق فوق الصورة للعثين على أنماط محددة، مثل الحافة الحادة لمبنى أو منحنى وجه. وللقيام بذلك، يجب على الجهاز النظر إلى مجموعة صغيرة من البكسلات في المرة الواحدة، وضربها في أرقام محددة، ثم جمع النتائج معًا. وبينما تتعامل الحواسيب القوية في مراكز البيانات مع هذا الأمر بسهء، فإن القيام به على شريحة صغيرة ومنخفضة الطاقة يعد أمرًا صعبًا لأن الشريحة تمتلك ذاكرة وطاقة محدودة للغاية؛ فهي لا تستطيع تحمل تكلفة تخزين الصورة بأكملها للرجوع إليها، كما لا يمكنها هدر الطاقة في انتظار وصول البيانات.
لقد صمم باحثون في جامعة عين شمس مسرع أجهزة (hardware accelerator) جديدًا يحل هذه المشكلات بالنسبة للشرائح الصغيرة ومنخفضة الطاقة الموجودة في أجهزة مثل الطائرات بدون طيار أو المستشعرات القابلة للارتداء. فقد ابتكروا دارة متخصصة يمكنها معالجة تدفق بيانات الصور فور وصولها، بكسل واحد في كل مرة، دون الحاجة مطلقًا لتخزين الصورة كاملة في الذاكرة. وقد بنى الفريق هذا النظام على نوع من الشرائح القابلة لإعادة التشكيل تسمى (FPGA)، وتحديدًا نموذج يُعرف باسم (Zynq-7020)، وهو شائع في الإلكترونيات المدمجة. وكان هدفهم هو تجريد النظام من جميع مكونات الذاكرة الثقيلة والمستهلكة للطاقة المطلوبة عادةً لهذه المهمة، واستبدالها بهيكل أخف بكثير وأكثر كفاءة يتناسب تمامًا داخل كتل المنطق الأساسية للشريحة.
يكمن جوهر ابتكارهم في طريقة التعامل مع بيانات الصورة التي تتجنب الحاجة إلى بنوك ذاكرة مخصصة وكبيرة. فعادةً، لتحليل مربع صغير من صورة ما، يحتاج الكمبيوتر إلى تذكر صف البكسلات الحالي وصفي البكسلات اللذين سبقاها مباشرة. تستخدم التصميمات القياسية كتلًا كبيرة من الذاكرة للاحتفاظ بهذه الصفوف، مما يستهلك مساحة وطاقة قيمة. وبدلاً من ذلك، بنى الباحثون نظامًا يستخدم وحدات تخزين صغيرة ومرنة موجودة داخل نسيج المنطق الخاص بالشريحة. تعمل هذه الوحدات مثل حزام ناقل متحرك، حيث تحتفظ بالقدر الكافي فقط من البيانات لإعادة بناء المربع المطلوب المكون من ثلاثة في ثلاثة بكسلات أثناء تدفق الصورة. ومن خلال استخدام هذه العناصر التخزينية الموزعة الصغيرة بدلاً من كتل الذاكرة الكبيرة، نجحوا في إلغاء الحاجة إلى أي بلاطات ذاكرة مخصصة، مما وفر مساحة لمهام أخرى وقلل بشكل كبير من الطاقة اللازمة لتشغيل النظام.
يعالج المسرع بيانات الصورة بوتيرة ثابتة، حيث يستقبل بكسل واحدًا كل دورة ساعة. ومع تدفق البكسلات، يقوم النظام فورًا بتشكيل الجوار المطلوب المكون من ثلاثة في ثلاثة، ويضرب كل بكسل في الوزن المقابل له، ثم يجمع النتائج معًا. ولضمان بقاء الحسابات دقيقة وعدم حدوث أخطاء بسبب كبر حجم الأرقام، يستخدم التصميم حجمًا محددًا ومثبتًا رياضيًا لسجلات الحساب الداخلية. وهذا يضمن أن مجموع القيم التسع المضروبة لن يتجاوز السعة القصوى أو يلتف بشكل خاطئ، وهي مشكلة شائعة في الأنظمة الرقمية ذات الحجم الثابت. وبمجرد اكتمال الحساب، يتم ضبط النتيجة بعناية لتناسب نطاقًا قياسيًا، ويمكن تطبيق خطوة اختيارية لإزالة أي قيم سالبة، محاكيةً بذلك خطوة شائعة تُستخدم في شبكات الذكاء الاصطناعي.
قام الفريق باختبار تصميمهم بصرامة، حيث مرره عبر عمليات محاكاة وقارنه بنموذج برمجيات موثوق. وقد تحققوا من أن الأجهزة أنتجت نفس مخرجات البرمجيات تمامًا لكل بكسل في الصور الاختبارية، بما في ذلك الصور الفوتوغرافية الطبيعية المعقدة والأنماط الهندسية. وعندما بنوا التصميم على الشريحة المستهدفة، أظهرت النتائج أن النظام استهلك تقريبًا صفرًا من موارد الذاكرة، حيث لم يستخدم أي بلاطات ذاكرة مخصصة. كما شغل أقل من نصف في المئة من سعة المنطق الإجمالية للشريحة واستخدم جزءًا ضئيلًا جدًا من معالجاته الرياضية المتخصصة. وقد عمل النظام بسرعة 100 مليون دورة في الثانية، حيث عالج إطارًا كاملاً لصورة بحجم 32 في 32 بكسل في غضون عشرة ميكروثانية تقريبًا.
كان استهلاك الطاقة نجاحًا آخر. فقد استهلك الجزء النشط من الشريحة الذي يقوم بالحسابات تسعة ميلي واط فقط من الطاقة، وهو أقل من الطاقة اللازمة لإضاءة مصباح LED صغير. وبينما تضمنت إجمالي الطاقة المقاسة الطاقة اللازمة لإرسال الإشارات خارج الشريعة إلى الأطراف الخارجية، فقد لاحظ الباحثون أنه في جهاز حقيقي حيث تتحدث الشريحة مع الأجزاء الأخرى داخليًا، ستختفي تكلفة الطاقة الخارجية هذه، مما يترك نواة الحساب تعمل بأقل من عشرة ميلي واط. وهذا المستوى من الكفاءة يجعل من الممكن تشغيل مهام رؤية متقدمة على أجهزة تعمل ببطاريات صغيرة أو حتى عن طريق حصاد الطاقة، دون الحاجة إلى أنظمة تبريد كبيرة أو مصادر طاقة ثقيلة.
لا يخلو التصميم من القيود؛ فهو مبني حاليًا خصيصًا لمعالجة الصور أحادية القناة، مثل الصور بالأبيض والأسود، وهو مُحسَّن لحجم نمط ثلاثة في ثلاثة. وتغيير حجم النمط أو التعامل مع الصور الملونة سيتطلب إعادة بناء الدارة. بالإضافة إلى ذلك، يتوقع النظام تدفقًا مستمرًا للبيانات ولا يمتلك آلية للتوقف والانتظار إذا توقف مصدر البيانات. ومع ذلك، بالنسبة لغرضه المنشود المتمثل في التعامل مع قطع الصور الصغيرة والسريعة الحركة على أجهزة منخفضة الطاقة، فقد أثبت الباحثون أن نهجهم يمثل حلاً عالي الكفاءة. ومن خلال إثبات أن تحليل الصور المعقدة يمكن أن يتم بأقل قدر من الذاكرة وبأدنى مستويات الطاقة، يفتح هذا العمل الباب أمام جيل جديد من المستشعرات الذكية والمستقلة التي يمكنها رؤية وفهم العالم دون الحاجة إلى اتصال بالسحابة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.