将基于FPGA的神经芯片植入深度学习

在东北大学浑南校区信息学馆前，计算机科学与工程学院学生蒋承知的脚下有一个小小的、如螃蟹般的机器人紧紧地跟随着他，寸步不离，正在对他的行为进行“深度学习”，蒋承知则仔细地检查着机器人的各项参数，并进行详细记录。

蒋承知是东北大学的一名本科生，他和同伴于起、叶文强、甘淞元组成的创新团队，将现场可编程门阵列FPGA神经芯片运用于人工智能深度学习领域，采用卷积神经网络，尝试在芯片中模仿人脑以大规模的平行方式处理信息，目前项目组已成功实现将基于FPGA的神经芯片植入到硬件资源进行深度学习，并获得大学生创新项目国家级资助。

深度学习是指通过学习样本数据的内在规律和深层特征，使神经网络结构能够像人一样具备分析和自主学习新东西的能力，目前该技术在文字、图像处理、语音识别、机器翻译等领域，已经取得很多成果。但随着电子信息技术的发展，要求计算机能够更加“任性”地服务于生活，需要机器本身能像人一样识别与感知周围的环境，并对复杂的环境作出正确的判断，这对计算机深度学习的便捷性和低成本获取提出了更高的要求。

目前，深度学习的实现平台依赖于庞大的CPU/GPU集群，成本很高，在现实生活中很难实现和得到运用。与此同时，传统的嵌入式处理设备单片机ARM、DSP都无法实现深度学习的实时处理。

FPGA神经芯片作为一款具有现场可编程功能的逻辑门电路元件，有着强大的并行处理数据能力和优势。卷积神经网络拥有强大的特征提取能力，使其在图像分类识别、目标跟踪等领域运用广泛。蒋承知团队创新性地将FPGA神经芯片作为能够实现深度学习的嵌入式处理器，并把能够极大提升计算机感知识别周围环境能力的卷积神经网络算法应用于基于FPGA的目标跟踪设备，使设备运行速度大幅提高。经过“流片”（即工业化试生产）后，体积大幅缩小的神经芯片更适合于嵌入式应用，从而使具备深度学习能力的设备制造成本大大降低。

这项创新技术的运用范围非常广泛，可以在目标识别、跟踪、图像处理、语音、自然语言等诸多领域实现嵌入式运用，只要设置不同的参数就可以满足各个场景的需要。例如，将芯片与摄像头连接，就能直接识别出所需要的目标；将其植入机器人就可以完成目标追踪等较复杂的任务，市场化应用潜力巨大。下一步，团队将紧跟技术发展的潮流研究基于神经芯片的高质量深度相机，使其能应用于智能汽车以及无人驾驶领域，并积极推动神经芯片在“互联网+”相关领域的广泛应用。