◎ 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

NEWS

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（So）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。

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。

——Mo Movahed

副總裁兼高層次設計、驗證和功耗總經理

西門子數字化工業軟件

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，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。

——Panagiotis Spentzouris

新興技術主管

費米實驗室

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。