[发明专利]用可配置器件卸载计算任务以提高系统性能的方法和装置

说明书

本申请涉及用可配置器件卸载计算任务以提高系统性能的方法和装置。方法和/或装置能支持FPGA使用者/客户解析嵌入式硬件且转换存储器分配以便于任务卸载来提高整体系统性能。一方面，RAM的分配和吞吐量是可调的且存储器控制器内用于缓冲数据的专用直接存储器访问可根据可用FPGA资源调整性能。系统可配置为机器学习处理器的专用存储器接口用于更快、更高效的处理(超过处理器共享)。应当注意，有能加载/卸载机器学习处理器架构的好处是开发人员/用户无需编写代码。在实施例中，微处理器由MCU的状态机控制用于卸载任务和协同处理任务。机器学习处理器配置为完全进行神经网络处理。微处理器可同时进行传感器数据前端预处理和神经网络处理。

技术领域

本发明的示例性实施例涉及使用半导体器件的人工智能、机器学习和神经网络领域。更具体地说，本发明的示例性实施例涉及卸载或重新分配任务给器件和/或现场可编程门阵列(Field-Programmable Gate Array，FPGA)。

背景技术

随着数字通信、人工智能(Artificial Intelligence，AI)、机器学习、神经网络、物联网(Internet of Things，IoT)和/或机器人控制的日益普及，对高效快速、并具有处理能力的硬件和半导体的需求与日俱增。要满足这种需求，一般来说，高速、灵活的半导体芯片更适合。满足这种需求的现有方式是使用专用定制集成电路和/或特殊应用集成电路(Application-Specific Integrated Circuit，ASIC)。特殊应用集成电路方法的一个缺点在于缺乏灵活性，同时消耗大量资源。

例如，AI是机器(尤指计算机系统)模仿人类智能的过程。AI的特殊应用包括专家系统、自然语言处理(Natural Language Processing，NLP)、语音识别以及机器视觉。机器学习定义为能通过经验自动改进的计算机算法的研究。机器学习也可视为人工智能的一个子集。神经网络是大致模仿人脑，能够进行模式识别的一组算法。神经网络实质上通过一种机器感知解释传感器数据，标记或聚类原始输入。

传统的方法使用专用的定制集成电路和/或特殊应用集成电路(ASIC)来实现期望功能。特殊应用集成电路方法的缺点在于普遍价格高昂且灵活性有限。另一种日益流行的方法是利用可编程半导体器件(Programmable Semiconductor Device，PSD)，如可编程逻辑器件(Programmable Logic Device，PLD)或现场可编程门阵列(FPGA)。例如，终端用户可以对可编程半导体器件进行编程，以执行期望功能。

发明内容

本申请的一个实施例公开一种方法或装置，该方法或装置能使FPGA使用者/客户解析嵌入式硬件，并且能转换存储器分配以进行任务卸载，从而提高整体系统性能。一方面，随机存取存储器(Random-Access Memory，RAM)的分配和吞吐量是可调的，并且存储器控制器内用于缓冲数据的专用直接存储器访问(Direct Memory Access，DMA)允许根据可用的FPGA资源调整性能。例如，该系统可配置为机器学习处理器的专用存储器接口，用于更快、更高效的处理(超过处理器共享)。值得注意的是，拥有一个能加载/卸载机器学习处理器的架构的好处是开发人员/用户无需编写代码。在一个实施例中，微处理器由微控制器单元(Microcontroller Unit，MCU)的状态机控制，用于卸载任务和协同处理任务。机器学习处理器被配置为用来完全进行神经网络处理。例如，微处理器允许同时进行传感器数据前端预处理和神经网络处理。

通过下面阐述的详细描述、附图和权利要求，本发明示例性实施例的其他特征和优点将显而易见。

附图说明

通过以下详细描述和本发明的各种实施例附图，将更充分理解本发明的示例性实施例，然而，这些附图不应被用来将本发明限定到具体的实施例，这些附图仅用于解释和理解本发明实施例。