ニューラル ネットワークのパワーと FPGA の低レイテンシおよび柔軟性を組み合わせます。
ニューラルネットワーク FPGAに導入することで、より効率的な処理、リアルタイムの意思決定、そして情報に基づいた制御システムフィードバックが可能になります。Moku ニューラルネットワーク 量子制御など、タイミングが重要なアプリケーション向けに決定論的なデータ分析アルゴリズムを実装し、オンザフライで再構成可能です。Pythonを使用してモデルを構築・トレーニングし、Mokuを使用してテストシステムにデプロイすることで、低レイテンシの推論を実現し、変化する実験条件に迅速に対応できます。
オートエンコーダーと呼ばれる特殊なタイプのニューラル ネットワークを使用して、データのノイズを除去し、特徴を抽出する方法を学習します。
ユーザーは、PythonでLinnModelと呼ばれるクラスを使用してネットワークを設計および学習します。このクラスには、Mokuにロード可能なLiquid Instrumentsニューラルネットワーク（.linn）ファイルを構築および出力するためのメソッドが含まれています。 ニューラルネットワーク このファイルには、活性化値、バイアス、活性化関数に関するすべての情報が含まれており、Mokuハードウェア上でモデルを正確に再構築できます。
最大100つの隠れ層をサポートし、各層は最大XNUMX個の完全に相互接続されたノードで構成されます。また、XNUMXつの異なる活性化関数もサポートしています。
FPGAを使用すると、ホストPCを介さずにオンザフライで計算を実行できます。他のDSPアルゴリズムと同様に、計算には時間がかかるため、ある程度のレイテンシが発生する可能性があります。ただし、ニューラルネットワークのアプリケーションと規模によっては、専用のフィルタや計測器よりも遅延が少なくなる可能性があります。
