西門子推出Catapult AI NN以簡化先進芯片級系統設計中的AI加速器開發

●   Catapult AI NN是一款全面解決方案，能夠幫助軟件工程師綜合AI神經網絡

●   軟件開發團隊能夠將使用Python設計的AI模型無縫轉換為基于芯片的實現，與標準處理器相比，有助于更快、更節能的執行

西門子數字化工業軟件日前推出Catapult? AI NN軟件，可幫助神經網絡加速器在專用集成電路 (ASIC) 和芯片級系統 (SoC) 上進行高層次綜合 (HLS)。Catapult AI NN是一個綜合性解決方案，它能夠獲取 AI 框架中的神經網絡描述，然后將其轉換為 C++ 代碼，并合成為 Verilog 或 VHDL 語言的 RTL 加速器，以便在芯片中實現。

Catapult AI NN集成了用于機器學習硬件加速的開源軟件包hls4ml，以及用于高層次綜合的西門子Catapult? HLS軟件。Catapult AI NN由西門子與美國能源部費米實驗室以及其他為hls4ml 做出貢獻的機構合作開發，能滿足機器學習加速器設計對于定制芯片功耗、性能和面積(PPA)方面的獨特要求。

西門子數字化工業軟件副總裁兼高層次設計、驗證和功耗總經理Mo Movahed表示：“無論是神經網絡模型的交接過程，還是其向硬件實現的手動轉換，效率都非常很低，并且耗時、容易出錯，特別是在創建和驗證針對特定性能、功耗和面積定制的硬件加速器變體時。通過讓科學家和 AI 專家充分利用行業標準的 AI 框架 （例如神經網絡模型設計），并將這些模型無縫綜合到已經經過 PPA 優化的硬件設計中，我們能夠為 AI/ML 軟件工程師創造更多可能。使用西門子新的 Catapult AI NN 解決方案，開發人員能夠在軟件開發過程中自動實現神經網絡模型，同時進行 PPA 優化，有效提升 AI 的開發效率，并實現加速創新。” 

隨著 runtime AI 和機器學習任務從數據中心遷移至消費電器、醫療設備等領域，客戶對合適大小的 AI 硬件的需求也在快速增長，以減少功耗，降低成本，并實現終端產品差異化。然而，比起可綜合的 C++、Verilog 或 VHDL，多數機器學習專家更習慣使用 TensorFlow、PyTorch 或 Keras 等工具。過去，AI 專家要在合適大小的 ASIC 或 SoC 實現中加快機器學習應用，其實并沒有捷徑可走。hls4ml 計劃旨在將 TensorFlow、PyTorch 或 Keras 等 AI 框架中的神經網絡描述生成 C++ 代碼，幫助彌補這一缺陷。隨后即可部署這些 C++ 代碼，用于 FPGA、ASIC 或 SoC 實現。 

Catapult AI NN能夠將 hls4ml 的功能擴展到ASIC和SoC設計，它包括針對ASIC設計量身定制的專用C++機器學習功能資源庫。使用這些功能，設計人員能夠在各個C++代碼實現之間進行延時和資源方面的權衡，從而實現PPA的優化。此外，設計人員現在還能夠評估不同神經網絡設計的影響，以確定硬件的理想神經網絡結構。  

“粒子探測器有非常嚴格的邊緣AI約束條件，”費米實驗室的新興技術主管Panagiotis Spentzouris表示，“我們與西門子合作開發Catapult AI NN，這種綜合性框架充分利用了我們的科學家和 AI 專家的專業知識，即便他們并不是 ASIC 設計人員。此外，這種框架也非常適合經驗豐富的硬件專家使用。”

Catapult AI NN目前已向早期采用者提供，并將于2024年第4季度向所有用戶開放。