Plano, Texas, 21 mai 2024

• Catapult AI NN offre aux ingénieurs logiciels une solution complète pour synthétiser les réseaux neuronaux d’IA. 
• Permet aux équipes de développement logiciel de traduire de manière transparente les modèles d’IA conçus en Python en implémentations sur silicium, facilitant une exécution plus rapide et plus économe en énergie par rapport aux processeurs standard.

Siemens Digital Industries Software a annoncé aujourd’hui le logiciel Catapult™ AI NN pour la synthèse de haut niveau (HLS) d’accélérateurs de réseaux neuronaux sur des circuits intégrés à application spécifique (ASIC) et des systèmes sur puce (SoC). Catapult AI NN est une solution complète qui part d’une description de réseau neuronal provenant d’un cadre d’IA, la convertit en C++ et la synthétise en un accélérateur RTL en Verilog ou VHDL pour l’implémentation dans le silicium. 
 
Catapult AI NN réunit hls4ml, un package open-source pour l’accélération matérielle de l’apprentissage automatique, et le logiciel Catapult™ HLS de Siemens pour la synthèse de haut niveau. Développé en étroite collaboration avec Fermilab, un laboratoire du ministère américain de l’énergie, et d’autres contributeurs de premier plan à hls4ml, Catapult AI NN répond aux exigences uniques de la conception d’accélérateurs d’apprentissage automatique en matière de puissance, de performances et de surface sur silicium personnalisé.

« Le processus de transfert et la conversion manuelle d’un modèle de réseau neuronal en une implémentation matérielle sont très inefficaces, chronophages et sources d’erreurs, en particulier lorsqu’il s’agit de créer et de vérifier des variantes d’un accélérateur matériel adaptées à des performances, une puissance et une surface spécifiques », a déclaré Mo Movahed, vice-président et directeur général de High-Level Design, Verification and Power, Siemens Digital Industries Software. « En permettant aux scientifiques et aux experts en IA d’exploiter les cadres d’IA standard de l’industrie, tels que la conception de modèles de réseaux neuronaux, et en synthétisant de manière transparente ces modèles dans des conceptions matérielles optimisées en termes de puissance, de performance et de surface (PPA), nous ouvrons un tout nouveau champ de possibilités pour les ingénieurs en logiciel d’IA et d’apprentissage automatique. Notre nouvelle solution Catapult AI NN permet aux développeurs d’automatiser et de mettre en œuvre leurs modèles de réseaux neuronaux pour un PPA optimal simultanément au cours du processus de développement logiciel, ouvrant ainsi une nouvelle ère d’efficacité et d’innovation dans le développement de l’IA ». 

À mesure que les tâches d’exécution de l’IA et de l’apprentissage automatique migrent du centre de données vers tout ce qui va des appareils grand public aux appareils médicaux, il y a un besoin croissant de matériel d’IA « à la bonne taille » pour minimiser la consommation d’énergie, réduire les coûts et maximiser la différenciation des produits finaux. Cependant, la plupart des experts en apprentissage automatique sont plus à l’aise avec des outils tels que TensorFlow, PyTorch ou Keras, plutôt qu’avec du C++, Verilog ou VHDL synthétisable. Traditionnellement, les experts en IA ne disposent pas d’un chemin facile pour accélérer leurs applications d’apprentissage automatique dans une implémentation ASIC ou SoC de bonne taille.  
 
L’initiative hls4ml vise à combler cette lacune en générant du C++ à partir d’un réseau neuronal décrit dans des frameworks d’IA tels que TensorFlow, PyTorch ou Keras. Le C++ peut ensuite être déployé pour une implémentation FPGA, ASIC ou SoC. 

Catapult AI NN étend les capacités de hls4ml à la conception d’ASIC et de SoC. Il comprend une bibliothèque dédiée de fonctions d’apprentissage automatique C++ spécialisées, adaptées à la conception d’ASIC. Grâce à ces fonctions, les concepteurs peuvent optimiser l’APP en faisant des compromis en termes de latence et de ressources entre les différentes implémentations possibles à partir du code C++. En outre, les concepteurs peuvent désormais évaluer l’impact de différentes conceptions de réseaux neuronaux afin de déterminer la meilleure structure de réseau neuronal pour le matériel.  
 
« Les applications de détection de particules sont soumises à des contraintes extrêmement strictes en matière d’intelligence artificielle », a déclaré Panagiotis Spentzouris, directeur adjoint du laboratoire Fermilab pour les technologies émergentes. « Grâce à notre collaboration avec Siemens, nous avons pu développer Catapult AI NN, un cadre de synthèse qui exploite l’expertise de nos scientifiques et de nos experts en IA sans qu’ils aient à devenir des concepteurs d’ASIC. De plus, ce nouveau cadre puissant est également idéal pour les experts en matériel informatique chevronnés.
 
Catapult AI NN est disponible dès à présent pour les early adopters et sera disponible pour tous les utilisateurs au quatrième trimestre 2024. Pour en savoir plus sur Catapult AI NN, consultez le site https://eda.sw.siemens.com/en-US/ic/catapult-high-level-synthesis/hls/ai-solutions/

Plus sur Siemens Digital Industries Software : www.siemens.com/plm