FPGA 的应用领域

6.FPGA 硬件加速平台

算法加速

卷积神经网络（Convolutional Neural Network，CNN）是一种典型的多层神经网络，是首个 真正意义上成功训练多个层次网络的结构模型。权值共享的网络结构使之在图像处理、语音识 别等领域有着重要的应用价值。CNN 算法通常是在 CPU 或 GPU 上以软件编程的方式进行实现 的，方法虽简单却无法发挥 CNN 并行性的特点、训练速度慢。FPGA 含有丰富的计算资源，基 于 SRAM 结构的 FPGA 能够在运行过程中对片上的资源进行重新配置，实现系统逻辑功能的切 换、提高系统的灵活性和资源利用率。

对生物大分子进行结构预测是生物信息学研究的重要领域，具有重大的理论和应用价值。 随着基因测序技术的不断发展，RNA 和蛋白质序列数据库的规模急剧膨胀，现有结构测定技术 无法满足不断增长的序列数据库的发展需求，基于序列信息对生物大分子的空间结构进行预测 成为生物信息学研究的热点。

生物大分子的结构预测算法计算复杂性高，对数据的处理能力提出了更高的要求，迫切需 要高性能计算的支持。基于 FPGA 平台的算法加速器是高性能计算研究的重要方向之一，能较 好地适应生物信息学算法特征多样性的特点，在提高生物信息学算法性能方面具有广阔的应用 前景。

数据库加速

FPGA 领域研发需要软件与硬件两方面的支持。其中，硬件部分包括 FPGA 开发板与相应 下载器，软件部分包括 FPGA 设计过程中对应的 EDA 工具。FPGA 芯片数据库是实现软、硬件 协同工作的纽带，实现一种简明、精准的芯片数据库描述方法是 FPGA 高效开发的一项重要内 容，同时对所描述的芯片数据库信息实现简洁、高效管理是至关重要的。 针对现存芯片数据库中存在的描述结构单一、描述信息管理效率低的问题，研究人员提出 了一种新型芯片结构描述与管理方法，提高了 FPGA 芯片数据库信息的准确性，并实现了芯片 数据库信息的高效率智能化管理。