AI 引擎：AI 與信號處理的交匯點    作者：Rehan Tahir / AMD Versal AI Edge ACAP 產品線高級經理

在 AMD，我們對 Versal® ACAP 所搭載的 AI 引擎技術感到興奮不已，因為在 AMD 和賽靈思服務的眾多市場上，其對交付高性能自適應計算起到重要作用。 Versal AI Core 與 AI Edge 系列搭載了這種 AI 引擎技術，非常適合對計算加速有著關鍵需求的用例。 AI 引擎真正實現了功能多用性，可提昇機器學習（ ML ）和信號處理應用帶來的性能。我們曾經深入介紹過，與 GPU 相比，機器學習 AI 引擎（ AIE-ML ）的單位功耗 AI 性能是 GPU 的 4 倍。不過今天，我們的重點是信號處理，特別是快速傅里葉變換（ FFT ）。


除非您是一名 DSP 專家，否則您可能只會模糊地回憶起大學時期在信號處理入門課上學到的 FFT。幸運的是，您不必重拾書本，就能在 AI 引擎上實現 FFT，因為軟體會為您解決最硬核的部分（後續詳解）。不過還是要記住，FFT 是有史以來開發出的最重要的算法之一，支持著我們日常使用的幾乎所有圖像和音頻壓縮與數字通信。



回到今天的話題，讓我們回顧一下 FFT 如何運用於各種應用，如雷射光雷達、光探測和測距，以及雷達、無線電探測和測距。雷射光雷達或雷達發射器會發射頻率隨時間而變化的正弦信號。信號從目標反射，被接收器接收。通過分析接收到的波形的特徵，就能計算出目標的位置和相對速度。具體方法就是使用 FFT 查看反射信號的頻譜內容。信號幅度與檢測到目標的時間成正比，信號頻率則與距離目標的遠近成正比。通過這種從頻域到時域的轉換，一系列信號便能生成對某個特定位置有意義的表示，如 2D 或 3D 點雲或 4D 雷達，從而生成圖像。對於汽車應用，總 FFT 吞吐量相對較低——需要小於 1 GSPS。對於特定的雷達或通信應用，可能需要高達 10-15 GSPS 的採樣率。

現在我們已經了解了 FFT 的高級功能，接下來我們將介紹如何借助 AI 引擎發揮 FFT 的優勢。

• 使用 FFT 生成的點雲或 4D 雷達可以回饋給 AI 引擎，以執行 CNN ML 功能。 Vitis™ AI 已在我們的 Model Zoo
  中提供模型，方便使用 PointPillars 實現邊框，進行目標檢測和/或用 SalsaNext 進行語義分割。這樣做之所以
  可行，是因為運行 FFT 消耗的資源很少，從而能夠留出大部分 AI 引擎，借助 ML 為您的應用提速。

• 從功耗的角度來看，AI 引擎比使用可編程邏輯要有效得多。功耗降低了約 50%，由此使得單位功耗性能提高了
  2 倍。

• AI 引擎陣列架構支持存儲器共享，從而提升了 FFT 的計算量。通過下表可以看到，計算 64 通道 2K x 1K 2D
  FFT 需要三個 Zynq® UltraScale+™ MPSoC ZU3 器件。也可以只用單個 Versal AI Edge VE2102 器件。


我們的 GitHub 站點提供了詳細的教程，完整講解了在 VCK190 評估套件上實現 2D FFT 的過程。教程先概述了設計流程，接著詳細講解了軟硬件實現方案。簡化設計流程的關鍵在於 Vitis DSP 庫內提供的 FFT 內核。詳細的性能數據有助於用戶掌握每種設計變體的資源利用率、時延、吞吐量和功耗。此外，也提供了在 Versal AI Edge 系列上實現 FFT 所需的設計資源。

如果您想更多地了解借助 Versal AI Edge 系列實現的 AI 性能，請加入我們的搶先體驗計劃


啟動設計請聯繫您所在地的 AMD 代表或 聯繫銷售。



閱讀原文