隨著數字化浪潮的加速，人工智能技術正迅速滲透到各行各業，如科研、醫療、工業自動化和國防科技，AI在深刻改變我們的生活和工作方式的同時也在重塑我們的世界。在科研領域，AI不僅提高了數據處理速度，還提升了實驗的精確度和效率，幫助研究人員快速分析更為龐大的數據，從而推動新理論和技術的開發。

FPGA技術的并行處理和低延遲特性展現出很大潛力。它們被廣泛應用于實時信號處理、圖像識別和機器學習等領域，能夠高效運行復雜算法，使其成為科研應用的重要利器。AI和基于FPGA平臺的測試硬件的結合將推動科技在更多領域發揮作用，帶來無限可能。

11月15日上午10:30，我們有幸邀請到Liquid Instruments的應用工程師王樂博士，為我們帶來了一場主題為“在FPGA平臺上實現高效神經網絡應用”的精彩直播。王樂博士深入分析了FPGA技術在神經網絡領域的應用優勢，并探討了如何將這些優勢轉化為科研創新的動力。她詳細介紹了FPGA在信號處理、去噪、傳感器調節和自適應控制中的神經網絡應用，并分享了使用Python進行神經網絡構建、訓練和模型優化的實踐經驗。同時，她還展示了在Moku設備上部署神經網絡以實現實時機器學習的案例，為觀眾提供了寶貴的實踐指導。

直播亮點回顧

1、基于FPGA平臺的神經網絡應用優勢

神經網絡通常運行在CPU和GPU上，獲得強大算力的同時，資源消耗大且能耗高。作為優異的替代方案，FPGA兼具一定的算力水平也提供了靈活性，適合小尺寸神經網絡的應用，這有利于科研和工業領域。FPGA并行處理能力，使其非常適合神經網絡操作中的復雜計算。而且由于能夠快速處理實時數據，FPGA在實驗場景中可以實現快速決策，而無需依賴上位機。此外，FPGA可以輕松重構，以滿足可定制化的需求，更因為其結構緊湊，基于FPGA神經網絡可以減少資源和能源消耗。

2、Moku平臺上的神經網絡儀器功能

Moku神經網絡是 Liquid Instruments在Moku:Pro硬件上發布的全新的儀器功能，它可以與設備內已經開發的的波形發生器、PID控制器和示波器等儀器功能同步使用。用戶可以使用Python開發和訓練神經網絡，并可以在多儀器并行模式下將其加載到Moku:Pro硬件中，這樣可以分析多個輸入通道和進行實時數據處理。Moku神經網絡支持最多五個全連接層，每個層最多可容納100個神經元，并提供五種不同的激活函數。

3、Moku平臺上的神經網絡應用實例

王樂博士還通過一系列實際應用示例向我們展示如何在Moku平臺部署神經網絡，實現信號降噪、傳感器調理等多種應用，指導用戶從構建神經網絡到將訓練模型上傳到Moku平臺進行實現他們訓練好的機器學習算法的全過程。此外，Liquid Instruments還為用戶還提供了豐富的示例資源，節省用戶開發模型到實現應用寶貴的時間并提升了效率。

4、Moku神經網絡在光學領域的應用前景

最后，王樂博士還分享了Moku神經網絡在光學領域的廣闊應用前景。在自動化光學系統方面，Moku可以通過對激光光源的自適應控制、光傳播過程中的像差或漂移自動補償，以及閉環控制器參數的精準調節，構建一個高度穩定的光路系統。而在信號處理方面，Moku神經網絡能夠自動提取光譜特征，用于化學成分識別和定量分析，并支持光學相位信息重建等復雜算法應用。Moku神經網絡將為光學實驗提供更加穩定的系統和高效的信號處理方案，顯著提升實驗的精度和效率。

Q&A環節回顧

本次直播除了王博士干貨滿滿的分享之外，更有精彩的Q&A互動環節，下面是對本次Q&A環節的精彩回顧(節選部分)

Q1: 在構建神經網絡時，您更傾向于使用哪種Python框架，TensorFlow、PyTorch還是其他？為什么？

A1:Moku神經網絡的Python庫目前僅支持TensorFlow。如果您使用PyTorch來創建和訓練模型也是可以的，只要您在構建和訓練模型時保證層數、神經元數、激活函數等參數在Moku允許取值的范圍內，并且最終生成包含模型參數的 .linn文件能被加載到Moku神經網絡儀器內即可。Q2:訓練好的網絡可以部署在FPGA上對未知信號實時處理預測嗎？
A2:這是完全可以的。正如直播中的信號降噪處理示例，我們在創建和訓練神經網絡模型時使用的是隨機游走的信號數據。但在實際部署到Moku:Pro后我們使用的是帶有大量高斯噪聲的正弦波、方波這些不同于游走信號的信號類型，這也是深度學習的一個重要特點——泛化性，即可以對未知數據進行精準預測。Q3:開發人員在使用FPGA進行神經網絡開發時需要具備哪些技能？是否有特定的編程模型或工具鏈推薦？
A3:我們在演示示例初期介紹了TensorFlow框架，以及所需要的Python編譯環境和相關的依賴數據包，這是我們需要使用到的工具鏈和模型。同時作為初次接觸神經網絡的用戶，我們在官網提供了示例頁面的鏈接，供大家參考和學習，可以從最基礎的加權求和示例開始您的第一個神經網絡模型創建和運行。Q4:對于復雜信號支持程度怎么樣，舉個例子，有調頻信號之類的嗎？
A4:對復雜信號的處理支持程度，取決于您在創建神經網絡模型時按照您的需求對輸入數據和輸出數據進行預期設置。那么在訓練完之后，在實際信號輸入可以是調頻信號這種復雜信號，輸出則是您期望的信號。Q5:信號降噪，用濾波器功能也可以實現吧，神經網絡的優勢是什么？
A5:面對含有噪聲的單頻信號使用濾波器是非常直接高效的一個辦法，但是大部分情況我們的信號還有很多的分量，如方波這種含有奇次諧波的信號，使用低通濾波器可能會濾除高頻成分造成不可避免的信號失真。神經網絡可以通過對信號特征的捕捉，同時噪聲不含有特定特征這種屬性來達到去噪處理的效果，保持了信號的完整性。Q6: moku神經網絡能否用于激光鎖頻中系統長期漂移的補償？
A6:這與深度學習PID控制器的概念相似。理論上是可行的。例如，當系統發生漂移，無論是由于溫度變化還是光路對準的問題，我們需要一個能夠直接或間接反映這種變化的輸入數據，比如監測從諧振腔出來的光強或激光對準位置等；輸出可以是PID控制或其他控制方法的參數。只要我們能夠建立好輸入輸出之間的關系，就可以使用神經網絡作為實時補償漂移的手段。

本期直播讓我們看到基于FPGA的Moku神經網絡的強大功能與廣泛應用，特別是在信號處理、自動化控制、傳感器調理等方面。Moku神經網絡不僅提高了實驗數據的質量與準確性，還為科研和工業領域的高效決策提供了有力支持。通過直播也為科研人員和工程師們在實際工作中應用FPGA技術提供了寶貴的指導。用戶能夠全面了解神經網絡的開發、訓練與實際應用，助力他們在更復雜的實驗中實現創新與突破。我們相信，人工智能將在越來越多應用場景中發揮更加關鍵的作用，推動科研和工業的創新發展。

Moku介紹

Moku是由Liquid Instruments基于FPGA技術開發的多功能測試測量平臺，結合高帶寬模數轉換器和數模轉換器，實現高速數據采集、處理分析、波形生成以及實時閉環控制等多種儀器算法和應用。憑借其創新的軟件定義精密測量技術，Moku將15種不同的測試測量儀器功能集成于一臺設備中，包括鎖相放大器、激光穩頻控制器、高精度相位計、時間間隔分析儀、機器學習神經網絡、示波器和任意波形發生器等。用戶可以根據應用需求靈活組合這些儀器功能，實現同時運行并構建定制化的測試測量系統。此外，Moku支持用戶編程，進一步增強其在各類科研和工程應用中的適應性與擴展性。