Современная электроника №5/2020

ЭЛЕМЕНТЫ И КОМПОНЕНТЫ 42 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА ◆ № 5 2020 языке программирования ПЛИС Verilog илиVHDLисопровождаетсяинструкци- ейпо его настройке. В настоящее время разработаны IP-контроллеры для ПЛИС производ- ства Xilinx, а именно Virtex, Kintex и Zynq серий 6 и 7, Ultrascale и Ultrascale+, а также для радиационно стойких ПЛИС Xilinx Virtex 5/SIRF и Microsemi RTG4. Все контроллеры тестируются на отладочных платах собственного про- изводства GSI (см. рис. 4). В качестве примера использования микросхемыGSI предоставляет электри- ческуюсхему, топологиюиперечень эле- ментов отладочной платы собственно- го производства. Также на веб-странице микросхемы доступны для скачива- ния модели ModelSim, Test Bench и IBIS. По запросу предоставляются отчёты о надёжности FIT илиMTTF. Детектор для машинного зрения В настоящее время компания скон- центрировала свои усилия на разви- тии нового продукта – нейросетевого детектора для искусственного интел- лекта – Associative Processing Unit (APU). На рисунке 5 представлен внешний вид устройства. В системах машинного зрения всё больше увеличиваются требования к количеству и скорости одновременно распознаваемых объектов. Несмотря на то что для реализации большинства приложений достаточно производи- тельностимикроконтроллера, требова- ния к системе критически возрастают, когда необходимо идентифицировать несколько десятков, сотен, а порой и тысяч новых объектов в режиме реаль- ного времени. При этомразмер базыдан- ных может достигать нескольких мил- лиардов характеристических векторов. В качестве примера можно упомянуть задачу распознавания людейиих пове- дения в толпе в системе «Умный город». Традиционные решения для поис- ка схожих векторов из базы с векто- ром нового объекта реализованы на базе CPU. Однако из-за ограничений, присущих аппаратной архитектуре CPU, операции сравнения выполня- ются последовательно в каждом ядре. Ввиду ограниченного количества ядер производительность всей системы существенно снижается. Для достиже- ния необходимой скорости компании вынуждены закупать новые сервера и масштабировать систему, что в конеч- ном итоге приводит к значительному удорожанию проекта и снижает надёж- ность сервера. В отличие от CPU детектор от GSI Technology реализован на базе ячеек SRAM-памяти и благодаря внутренне- му ALUможет выполнять любуюбулеву функциюс каждой ячейкой независимо. Можно утверждать, что детектор состо- ит из нескольких миллионов малых процессоров, достаточных для одно- временной обработки до 10 000 запро- сов поиска. Принимая во внимание этот факт, а также то, что вся база данных хра- Таблица 8. Радиационно стойкие микросхемы Параметры Rad-Hard Rad-Tolerant Объём, Мбит 288/144/72 (SigmaQuad-II+), 144/72/36 (NBT и SyncBurst) Частота, МГц 350/250 (SigmaQuad-II+), 333/250 (NBT и SyncBurst) Разрядность х18/x36 Корпус 165-CCGA (SigmaQuad-II+), 165-LGA (SigmaQuad-II+), 100 Ceramic QFP (SyncBurst и NBT) 165-LBGA (SigmaQuad-II+), 100-TQFP (SyncBurst и NBT) Общая накопленная доза >300 крад >50 крад Защита от тиристорного эффекта 80 МэВ·см 2 /мг (+125°C) 42,2 МэВ·см 2 /мг (+125°C) Экспортный код (ECCN) 9A515 (лицензия) 3A991.a.2.b Рис. 4. Отладочная плата для SigmaQuad-II+ Рис. 5. Нейросетевой детектор от GSI нится во внутреннем кэше, производи- тельность APU в несколько десятков раз выше, чем у современного CPU. При этом потребляемая мощность в активном режиме в 3,5 раза ниже. Отсюда следует, что вместо того, чтобынагружать основ- ной процессор задачей поиска, целесо- образней будет делегировать её в APU, что позволит получить результат зна- чительно быстрее, сэкономит бюд- жет проекта и уменьшит потребля- емую мощность сервера. Выходное сообщение APU содержит индексы наиболее схожих векторов из базы и расстояния до них. В детекторе реали- зована поддержка векторов в формате FP32х64/128/256/512/1024 и бинар- нойформе (64, 128, 256, 512, 1024, 2048, 4096). В компании считают, что нейросе- тевые детекторы позволят значитель- но увеличить производительность не только инфраструктуры «Умного города», но и будут востребованы в электронной коммерции, биотехно- логиях для виртуального скрининга, а также в обработке естественного языка. Более специфичными зада- чами, для которых GSI адаптирует детектор, являются классификация сигналов и ориентация беспилотных летательных аппаратов на местности (vision-based SLAM). Дополнитель- ную информацию о детекторе мож- но получить на сайте GSI Technology. Заключение Подробный обзор микросхем памя- ти GSI и их технических характери- стик выходит за рамки данной статьи. Тем не менее с уверенностью можно сказать, что широкий спектр выпуска- емой продукции, а также её высокая надёжность и определённая уникаль- ность делают GSI интересным выбо- ром для разработчиков цифровой электроники.