Um diese Herausforderungen effektiver zu bewältigen, hat Microchip Technology das VectorBlox™ 3.0 Accelerator Software Development Kit (SDK) eingeführt. Dieses vereinfacht die Implementierung von FPGA-basierter KI und beschleunigt deren Markteinführung. Das VectorBlox 3.0 SDK wird Entwicklern zusammen mit der zugehörigen CoreVectorBlox IP kostenlos zur Verfügung gestellt und ist als integrierte Toolchain konzipiert. Sie optimiert, kompiliert und implementiert Convolutional Neural Network (CNN)-Modelle auf FPGA-basierten Plattformen und PolarFire® SoCs. Da der Beschleuniger effizient auf Modelle unterschiedlicher Größe skaliert und mehrere KI-Workloads auf einem einzigen Gerät unterstützt, können Kunden verschiedene bild- oder sensorbasierte KI-Funktionen auf einem einzigen, stromsparenden FPGA integrieren.
„Angesichts der stetig steigenden Komplexität von KI-Modellen wird die Komprimierung für die Implementierung von Edge-Intelligence unerlässlich“, so Shakeel Peera, Corporate Vice President und General Manager der FPGA-Business-Unit von Microchip. „VectorBlox 3.0 nutzt die Scatter-basierte Modellkomprimierung von Neuronix, einem von Microchip übernommenen Unternehmen, um den Rechenaufwand zu reduzieren und gleichzeitig die Genauigkeit zu erhalten.“.
Dank seiner Kompatibilität mit spärlichen neuronalen Netzen ermöglicht VectorBlox 3.0 die effiziente Ausführung von bildbasierten CNN-Modellen durch das Weglassen von Operationen mit dem Wert Null. Dies beschleunigt die Inferenzleistung und reduziert den Stromverbrauch – ein entscheidender Vorteil für permanent aktive KI-Anwendungen am Netzwerkrand, die Reaktionsgeschwindigkeit und Energieeffizienz optimal ausbalancieren müssen. Die Komprimierung spärlicher Modelle dient dazu, Rechen- und Speicherbedarf bei gleichbleibender Genauigkeit zu verringern.
„Die VectorBlox-Beschleunigung auf den PolarFire SoCs von Microchip ermöglicht den effizienten Einsatz fortschrittlicher Onboard-KI-Kanäle für Nutzlastoperationen mit geringer Latenz im Orbit“, sagte Vito Fortunato, SPACEDGE™ Services Line Director bei Planetek Italia.
„Diese Plattform hat es uns ermöglicht, Echtzeit-Erdbeobachtungsverarbeitungsfunktionen wie Objekterkennung, semantische Szenenanalyse und handlungsrelevante Informationsprodukte, die am Rand generiert werden und auf dem Satelliten AI-eXpress-1 installiert sind, . Darüber hinaus bietet sie die Strahlungsresistenz und Betriebssicherheit, die für einen kontinuierlichen Betrieb im erdnahen Orbit erforderlich sind.“
Darüber hinaus ermöglicht das Spacecraft Pose Network v2 (SPNv2), ein neuronales Netzwerk zur Positions- und Orientierungsbestimmung anhand von Bilddaten, autonome Navigation und Annäherungsmanöver im Weltraum für Anwendungen wie autonomes Anfliegen und Andocken, Weltraummüllbeseitigung, Satelliteninspektion und Trainingsflüge. Die Lösung nutzt FPGAs und SoCs der Mittelklasse von PolarFire mit effizientem Stromverbrauch und Immunität gegen Einzelereignisse (SEU) und bietet sicheren Systemstart, Manipulationsschutz und hohe Zuverlässigkeit auch unter rauen Umgebungsbedingungen. Diese Eigenschaften sind essenziell für missionskritische Anwendungen in den Bereichen Verteidigung, Luft- und Raumfahrt sowie Industrie, bei denen lange Betriebsdauer, Datensicherheit und Systemstabilität von höchster Bedeutung sind.
„Die Kombination der PolarFire- und VectorBlox-SoCs schafft eine starke Synergie für den Einsatz KI-basierter Autonomielösungen im gesamten Orbit“, sagte Federico Fontana, Leiter der Hardwareentwicklung bei AIKO. „Dies haben wir bereits bei der Implementierung unserer transparenten CHARLES-, die Cloud-Konnektivität und Raumfahrzeugerkennung für adaptive und autonome Nutzlastoperationen auf energieeffizienten Plattformen bietet und damit einen weiteren Schritt hin zu zunehmend autonomen, reaktiven und softwaredefinierten Weltraumsystemen darstellt.“
Das VectorBlox SDK v3.0 bietet Unterstützung für die Libero® SoC Design Suite von Microchip und ist mit CoreVectorBlox IP kompatibel.
