WP_492 出色的计算密集型系统开发平台

赛灵思 All Programmable FPGA 和 SoC 针对一系列计算密集型工作负载提供最高效、最具成本效益、时延最低、最具设计灵活性并且满足未来需求的计算平台。

点击“阅读原文”，可下载完整的中文版 WP492

未来系统（例如云数据中心 [DC] 和自动驾驶汽车）需要在计算能力上大幅改进，以支持不断增多的工作负载以及不断演进的底层算法 [ 参考资料 1]。例如，大数据分析、机器学习、视觉处理、基因组以及高级驾驶员辅助系统 (ADAS) 传感器融合工作负载都在促使计算性能能以低成本、高效的方式实现提升，并且超出现有系统（例如 x86 系统）的极限。

系统架构师正在寻找能满足要求的新计算平台。该平台需要足够灵活，以便集成到现有的架构中 , 并支持各种工作负载及其不断演进的算法。此外，这些系统很多还必须提供确定性的低时延性能，以支持实时系统（例如自动驾驶汽车）所需的快速响应时间。

图形处理单元 (GPU) 厂商非常积极地将 GPU 定位成新时代计算平台的最佳之选，主要依据其在机器学习训练的高性能计算 (HPC) 领域取得的成功。在此过程中，GPU 厂商针对机器学习推断工作负载修改了他们的架构。

然而，GPU 厂商还是忽视了基本的 GPU 架构的局限性。这些局限性会严重影响 GPU 以高效、低成本方式提供必要的系统级计算性能的能力。例如，在云端 DC 系统中，对工作负载的需求在一天内会发生很大变化。此外，这些工作负载的底层算法也会发生快节奏变化。GPU 架构的局限性会阻止很多今天的工作负载和明天形成的工作负载映射到 GPU，导致硬件闲置或低效。本白皮书的“GPU 架构的局限性”部分对这些局限性进行了更详细介绍。

相反，赛灵思 FPGA 和 SoC 具有众多关键属性，使它们非常适合解决未来系统要求所提出的种种挑战。

本白皮书的“赛灵思 FPGA 和 SoC 的独特优势”章节介绍了赛灵思架构的优势，并与 GPU 架构及其局限性进行对比。

GPU 的起源和目标工作负载

GPU 架构的局限性

● SIMT ALU 阵列

●离散数据类型精度支持

●严格的存储器层级和软件定义数据类型

●有限的 I/O 选项

●片上存储器资源

●功耗及功能安全性

Xilinx FPGA 的起源

Xilinx FPGA/SoC 的独特优势

●计算能力

●效率与功耗

●全可编程的灵活性

●任意互联的 I/O 灵活性

●片上存储器

●功能安全性

点击“阅读原文”，可下载完整的中文版 WP492