文档

得益于大数据的兴起和计算能力的快速增长，机器学习技术近年来经历了革命性的发展。机器学习任务，如图像分类、语音识别和自然语言处理，对具有一定大小、维度和有序排列的欧几里德数据进行操作。然而，在许多现实场景中，数据由复杂的非欧几里德数据（如图）表示。在此背景下，许多新的基于图的机器学习算法或图神经网络（GNN）在学术界和工业界不断涌现。

深度学习对计算能力的需求正以惊人的速度增长，最近从每年翻一番加速到每三个月翻一番。提高深度神经网络（DNN）模型的容量在从自然语言处理到图像处理的广泛领域都显示出了改进。这种增长要求采用定制的架构，以最大限度地发挥每个可用晶体管的性能。

虽然ASIC的性能通常足以进行广播质量的视频处理，但它只支持设计时设想的功能集，并且不可现场升级。CPU是最灵活、最容易设计的；然而，时钟频率已经趋于平稳，性能大幅提高的时代已经结束。FPGA代表了这类应用程序在性能和灵活性之间的良好平衡。

从5G网络边缘延伸到数据中心内交换机的通信和网络系统对硅支持所需计算和数据传输速率的能力施加了极大的压力。传统上，可编程逻辑为这些系统提供了灵活性和速度的最佳组合，但近年来速度的提高对其提出了挑战。Speedster7t架构通过包含一个创新的多级片上网络，允许数据在设备周围轻松流式传输，而不会影响FPGA结构，确保所有设备资源得到充分利用。

自几十年前首次引入FPGA以来，每种新架构都继续采用逐位路由结构。虽然这种方法已经取得了成功，但高速通信标准的兴起需要不断增加的片上总线宽度来支持这些新的数据速率。Achronix的解决方案是在其新的真人百家乐系列的传统分段FPGA路由结构之上创建一个革命性的2D高速片上网络（NoC）。