【摘 要】
：
现场可编程门阵列FPGA（Field Programmable Gate Array）因其丰富的并行计算资源和低功耗的特点在数据中心、嵌入式设备等场景被广泛使用。FPGA的EDA（Electronic Design Automation）算法是该领域的重要研究课题之一。其中,布线作为EDA流程中的重要步骤,负责在布局阶段结束后,完成部件间的连线。现有的FPGA布线策略多为基于协商的拆线重布、迷宫布
论文部分内容阅读
现场可编程门阵列FPGA（Field Programmable Gate Array）因其丰富的并行计算资源和低功耗的特点在数据中心、嵌入式设备等场景被广泛使用。FPGA的EDA（Electronic Design Automation）算法是该领域的重要研究课题之一。其中,布线作为EDA流程中的重要步骤,负责在布局阶段结束后,完成部件间的连线。现有的FPGA布线策略多为基于协商的拆线重布、迷宫布线、路径搜索等启发式算法,由于搜索空间较大、多任务之间存在竞争等问题导致布线阶段运行时间较长。强化学习的快速发展及其在系统设计领域的应用为FPGA布线提供了新的机遇,可以在保证布线效果的前提下缩短布线阶段的时长。本文基于深度强化学习算法完成了 FPGA的布线器设计,并针对FPGA特点对布线算法进行改进,使用优先经验回放的方式提高学习效率,并采用双网络的形式解决过估计问题。此外,本文搭建了支持所提布线设计的模拟验证平台,提供强化学习工具接口,以可视化的方式展示布线路径及结果。在小规模电路上的测试结果显示,本文提出的基于强化学习的FPGA布线器可以在98.88%的平均布通率下,相比于传统的布线器减少39.1%的时间代价,从而提升布线效率。本文的布线框架和模拟环境可为后续FPGA的EDA研究提供支撑。
其他文献
随着数字设计、虚拟现实、计算机游戏等技术的快速发展,3D模型的数量和规模在各类业务中呈现快速增长。3D形状识别和分类是进行形状理解、智能设计、模型检索以及提高人机协同效率的基础。因此如何使计算机快速准确完成对大量3D形状的识别,成为计算机图形学领域的研究热点。深度学习近年来在众多领域取得重大进展,人们也将其应用到3D形状分类任务中。但3D形状数据并不是一种欧氏数据,这与深度学习的基本计算方法相冲突
由于交通事故行为在真实环境下表现为类型复杂,行为发生的时间跨度较大,产生的时间跨度却极小。通常来说,产生交通事故的小片段对于交通事故是否发生具有重要意义,在构造深度学习张量之前精确的定位这些小片段会提高行为识别模型的准确率。同时,行为识别模型中时间维度的额外引入带来了高昂的计算代价,特别是以3D卷积为基础的深度学习模型。在构造3D张量时,张量时间上的维度会远小于视频本身,视频中稀疏的交通事故行为无
三维目标跟踪是增强现实系统实现环境感知和对动态物体进行空间定位与虚实空间注册的重要手段。然而,相比于传统的平面标志,三维跟踪需要在更高维度的空间进行位姿搜索与优化,并且涉及大量的图形运算,因此在跟踪稳定性和计算效率上都面临更大的挑战。同时,近年来随着手机等便携式移动设备的普及,增强现实的主流平台目前都主要面向移动设备,计算性能非常有限,并且要综合考虑功耗、时延等实际问题。因此,尽管三维目标跟踪与检
目的 研究经血来源的间充质干细胞（MenSCs）对子宫内膜血管生成的调节作用及分子机制。方法 应用MenSCs来源的条件培养液（0,500,1 000,2 000μl）分别培养原代培养的子宫内膜基质细胞，共作用48 h后，采用实时PCR和In Cell-Western的方法对子宫内膜间质细胞中CXCL1的表达进行分析。将子宫内膜基质细胞（组1）、MenSCs和子宫内膜基质细胞（组2）、MenSCs
可视分析作为一种重要的数据分析方式,在今天的各行业中扮演着越来越突出的角色。可视分析以数据可视化和人机交互技术为基础,通过具像化的数据形象和多层次的交互探索让用户形成对数据全面立体的感知。在地理信息探索、医疗诊断、商业运营分析等各种领域中,可视分析方法都作为高效的分析手段受到越来越多的关注和青睐。随着房地产市场的繁荣,房产经纪行业近年来迅速发展,目前已形成遍布全国、规模庞大的行业体系,庞大的房地产
随着近些年来电子商务平台的繁荣发展,存在于互联网上的时尚商品数据总量呈指数级爆炸增长,海量的服装数据虽然提供了更多的选择,但也导致了信息过载现象,这使得用户眼花缭乱,难以有效地从中找到他们心仪的商品。因此,个性化的时尚商品推荐技术受到了研究者们的广泛关注。该类方法旨在根据用户的历史行为以及某些辅助信息来建模用户的个性化偏好,并基于此从大量的服装数据中为用户推荐其最可能感兴趣的商品。与传统的推荐任务
近年来,随着国家对安防领域的重视程度与日俱增,监控视频的数量呈现指数级增长。为了在监控视频中高效地检索特定的视频片段,跨模态视频片段检索任务受到了研究人员的广泛关注。目前,现有方法大多数是基于监督学习的检索方法,即严重依赖于目标视频片段的开始和结束时间标注。尽管这些方法已经取得了很可观的成效,但难以普及到实际应用中,具体原因如下:首先,人工标注目标片段的开始和结束时间耗时耗力,致使难以收集到大规模
杂凑算法作为密码学三类基础算法之一,在现代密码学中起着重要作用,被广泛应用于数据完整性校验、身份认证等场景。由于杂凑算法软件实现速度慢,安全性差,因此对高吞吐和低延时的杂凑算法硬件实现的需求也越来越强烈。由于杂凑算法的多样性,在不同场景下,人们对算法的需求也不同,因此本文实现了一种基于MD结构的通用算法加速器,以SM3和SHA256为例,在兼容两种算法的同时,优化了硬件资源利用率并提高了加速器性能
随着人们出行需求的增加,作为不可再生能源的燃油的消耗量也正急剧增加。对于驾驶员而言,出行路径的选择不同,燃油消耗量也会有较大的差别。一般来说,乘用车驾驶员出于节省时间的目的,会依据导航推荐的最短或最快路线行车,但是对于商用车驾驶员来说,需要跨省域长距离行驶,会更关心省油路线以降低成本。另一方面,随着商用车联网大数据的发展,交通传感器和支持GPS技术设备的普及,大量的行车轨迹也给研究省油路线推荐问题
我国是拥有辽阔领海和绵长海岸线的海洋大国,随着“一带一路”倡议的提出,我国与世界各国的贸易往来愈加频繁,因而越来越多的舰船航行于我国周边海域,这对我国领海的航行安全和交通管理带来了巨大挑战,因此对海上的舰船进行监测变得尤为重要。由于海洋环境比较恶劣,载人的监测平台不仅成本高昂,而且灵活性小、危险系数大。于是在装有相机的无人水面艇上部署目标检测算法,对于海洋交通管理和航行安全有重大意义。针对可见光图