Aceleración FPGA de redes neuronales convolucionales: Aplicaciones actuales y perspectivas futuras

En la era contemporánea de los grandes datos, la utilización de tecnología de aprendizaje profundo se ha vuelto común en la extracción de valiosos análisis analíticos de los datos en cuestión. Esta tecnología encuentra aplicaciones extensas en varios dominios, incluyendo el reconocimiento de información de imágenes, el procesamiento del habla y el análisis del idioma en texto. Cuando se trata de acelerar redes neuronales convolucionales (CNNs), la utilización de matrices de puertas programables en campo (FPGAs) ofrece ventajas distintas sobre otros aceleradores de hardware. Sin embargo, es importante reconocer que la aceleración basada en FPGA también presenta sus propias limitaciones estructurales. Este artículo se centra en dos aspectos principales: en primer lugar, examina el panorama de aplicación actual y las últimas trayectorias de desarrollo de las redes neuronales convolucionales. En segundo lugar, clarifica las características inherentes de las implementaciones de CNN en FPGA. Además, el artículo realiza un examen exhaustivo de las limitaciones pertinentes asociadas con los algoritmos de aprendizaje profundo acelerados por FPGA. La discusión se extiende más allá del momento presente y se adentra en el futuro, ofreciendo perspectivas sobre los posibles avances en el campo del aprendizaje profundo. Es importante que también se enfoquen las avenidas prospectivas para la investigación adicional respecto a la aplicación de FPGAs en el dominio de las redes neuronales convolucionales.