众核系统芯片(System on Chip,SoC)以片上网络(Network on Chip,NoC)为通讯架构,具有并行度高、扩展性强、功耗可控等特点,在面向高密度计算等领域,备受业界青睐。人工智能算法具有天然的高密度计算属性,因此,在人工智能领域,基于众核的硬件加速技术成为研究热点。如何充分挖掘片上网络与人工智能的新特性,解决延迟、扩展性等一体化设计问题,成为新的挑战。本文以此为研究对象,从以下两个方面开展研究工作:(1)在线计算配置参数降低延迟上界;(2)基于多播NoC提高卷积神经网络(Convolutional Neural Network,CNN)计算速度。主要工作有:(1)可在线计算配置的冲突优化硬件设计针对准动态冲突矩阵的方案存在自动化程度不高等问题,建立可在线计算配置的冲突优化硬件平台。硬件平台根据映射方案预测网络的所有冲突情况,计算出动态库文件。片上网络工作时,硬件平台实时监控片上网络的冲突情况并结合动态库文件,调整目标数据流的传输路径和流量分配,降低片上网络的拥塞程度。实验结果表明,对于不同的映射方案,网络延迟都有不同程度的改善。对于网络平均延迟,平均可降低14.57%;对于网络的延迟上界,平均可降低31.13%。(2)基于多播NoC的CNN硬件加速设计针对已有CNN加速方式扩展性差的问题,设计实现基于多播片上网络的CNN硬件加速器。本设计充分发掘CNN中大量存在的数据重用特性,将硬件加速设计和数据重用结合起来,设计实现了基于LeNet-5神经网络的手写识别众核SoC,对手写数字图像识别过程进行硬件加速。在多播片上网络的节点挂载硬件加速单元,协调多个硬件加速单元运行提高计算速度。实验结果表明,与基于硬件的已有工作相比,图像识别速度提升17.97%;与基于CPU的软件实现方式相比,加速比为5.06。