Emil Galwas
Automatisierte Entwurfsraumexploration für maschinelles Lernen auf eingebetteten FPGAs

Abstract
Die FPGA-Technologie zeichnet sich durch programmierbare Logikgatter aus. Aufgrund der massiven Parallelität und Konfigurierbarkeit sind diese besonders geeignet für die Berechnung von künstlichen neuronalen Netzen. Mithilfe von FPGAs, welche durch den Einsatz von DPUs auf die Berechnung solcher Netze spezialisiert sind, können diese effizienter verwendet werden. Dabei beeinflussen die einzelnen Konfigurationen die Leistung und die benötigte Energie. In dieser Ausarbeitung werden die Auswirkungen der einzelnen Einstellungsmöglichkeiten evaluiert, indem verschiedene CNNs verwendet werden.